La ingenieria de prompts es la disciplina de disenar entradas para FMs y lograr salidas de alta calidad sin modificar los pesos del modelo. AIP-C01 cubre tanto las tecnicas de prompting como la infraestructura de Bedrock para gestionar prompts a escala de produccion.
Principios fundamentales
Los prompts efectivos tienen cinco propiedades: claridad (instrucciones inequivocas), especificidad (formato de salida, longitud, tono definidos explicitamente), contexto (toda la informacion de fondo debe estar en el prompt), asignacion de roles y descomposicion paso a paso para tareas complejas.
Tecnicas principales de prompting
Zero-shot: sin ejemplos, usando el conocimiento preentrenado del FM. Efectivo para clasificacion, traduccion y resumen directos. Few-shot: proporciona 1-5 pares de demostracion (entrada → salida). La calidad del ejemplo importa mas que la cantidad. Efectivo para formatos de salida consistentes y patrones especificos de dominio. Chain-of-Thought (CoT): agregar "Pensemos paso a paso" hace que el FM muestre pasos intermedios de razonamiento. Mejora significativamente la precision en matematicas, logica y analisis multi-paso. Negative prompting: declarar explicitamente lo que el modelo NO debe hacer. Se combina con Amazon Bedrock Guardrails para defensa en profundidad.
Infraestructura de prompts en Bedrock
Prompt Caching almacena el cache KV de prefijos de prompts largos y frecuentes. En un cache hit: el costo de tokens de entrada se reduce ~90% y la latencia TTFT disminuye. Validez del cache: 5 minutos a 1 hora.
Prompt Management proporciona control de versiones para prompts como servicio de Bedrock. Los prompts se referencian por ARN en el codigo de la aplicacion — actualizar el prompt en Bedrock tiene efecto inmediato sin redespliegue.
Prompt Flows es un constructor visual de flujos de trabajo que conecta prompts, bases de conocimiento, funciones Lambda y agentes. Permite pipelines GenAI multi-paso complejos sin escribir codigo de orquestacion.
!Ejemplo de ramificación de Bedrock Prompt Flows
Salida estructurada
Para salida estructurada: incluya el esquema JSON en el prompt, proporcione ejemplos few-shot con estructura JSON correcta y use para detener la generacion despues del cierre. Los modelos Claude admiten (llamada a funciones) para mayor fiabilidad en salidas estructuradas.