Pregunta 01 / 10 — Conceptos base
¿Qué es un "prompt" en el contexto de los modelos de lenguaje?
✓ Correcto. El prompt es toda la información que el modelo recibe como entrada: instrucciones, contexto, ejemplos y la pregunta real. De ahí viene "prompt engineering": diseñar esa entrada con precisión.
✗ No exactamente. El prompt es la instrucción o entrada de texto que le das al modelo. Es el punto de control más importante que tienes: todo lo que el modelo produce parte de él.
Pregunta 02 / 10 — Técnicas
¿Qué diferencia al prompting "zero-shot" del "few-shot"?
✓ Correcto. En zero-shot solo describes la tarea. En few-shot incluyes 1–5 ejemplos de input/output para mostrarle el patrón exacto que quieres. Los ejemplos actúan como contexto implícito de entrenamiento.
✗ Incorrecto. La diferencia es sobre ejemplos en el prompt, no sobre velocidad ni entrenamiento. Zero-shot = sin ejemplos. Few-shot = con ejemplos de referencia. Ambos usan el mismo modelo.
Pregunta 03 / 10 — Parámetros
¿Qué controla el parámetro "temperatura" (temperature) en un LLM?
✓ Correcto. Temperatura 0 = respuestas deterministas y predecibles (ideal para código o hechos). Temperatura 1+ = respuestas más creativas y variadas. Para producción suelen usarse valores entre 0 y 0.3.
✗ Incorrecto. La temperatura controla la aleatoriedad de la distribución de tokens. Baja = más conservador y predecible. Alta = más variado y "creativo". Saber ajustarla es básico para aplicaciones reales.
Pregunta 04 / 10 — Arquitectura
¿Qué es un "system prompt" y por qué es diferente al mensaje del usuario?
✓ Correcto. El system prompt es la capa de control permanente. Define quién "es" el modelo, qué puede y qué no puede hacer. En producción, es donde vive la personalidad y las reglas del sistema.
✗ Incorrecto. El system prompt es una instrucción base que establece el contexto global del modelo antes de que empiece la conversación. Es la herramienta más potente para construir aplicaciones sobre LLMs.
Pregunta 05 / 10 — Razonamiento
¿Qué es "Chain-of-Thought" (CoT) prompting?
Contexto: Quieres que un modelo resuelva: "Si hay 23 ovejas y 5 caen, ¿cuántas quedan?" y razone paso a paso.
✓ Correcto. CoT mejora dramáticamente el rendimiento en razonamiento matemático, lógico y multi-paso. Basta agregar "Piensa paso a paso" o incluir ejemplos con razonamiento explícito. Es una de las técnicas con mayor impacto medible.
✗ Incorrecto. Chain-of-Thought consiste en pedirle al modelo que "piense en voz alta" — que muestre los pasos intermedios antes de concluir. Esto reduce errores en tareas que requieren razonamiento secuencial.
Pregunta 06 / 10 — Limitaciones
¿Qué es una "alucinación" en el contexto de los LLMs?
✓ Correcto. Las alucinaciones son el riesgo más peligroso en producción. Un buen prompt engineer diseña prompts que reducen este riesgo: pidiendo fuentes, usando temperatura baja, o implementando pasos de verificación.
✗ Incorrecto. Una alucinación es cuando el modelo "inventa" datos, citas, leyes o hechos que suenan correctos pero son falsos. El modelo no sabe que está mintiendo. Es uno de los problemas más críticos a manejar en producción.
Pregunta 07 / 10 — Diseño avanzado
¿Cuál de estos prompts producirá un resultado más preciso y útil?
✓ Correcto. El prompt C especifica rol, audiencia, conocimiento previo, formato, analogía, ejemplo y longitud. Cada restricción elimina ambigüedad. Prompt engineering no es cortesía — es precisión quirúrgica.
✗ Incorrecto. La opción C es la más efectiva porque especifica: rol del modelo, audiencia, conocimiento previo, formato deseado, y límite de longitud. Sin estos parámetros, el modelo adivina y suele equivocarse en lo que necesitas.
Pregunta 08 / 10 — Tokens
¿Qué son los "tokens" y por qué importan al diseñar prompts?
✓ Correcto. Saber sobre tokens es crucial para producción: define cuánto contexto puede "ver" el modelo, cuánto cuesta cada llamada, y por qué prompts muy largos pueden degradar la calidad de respuesta al saturar la ventana de contexto.
✗ Incorrecto. Los tokens son fragmentos de texto que el modelo procesa internamente — aproximadamente ¾ de una palabra en inglés (menos en español). Impactan directamente el costo de la API, el límite de contexto y cómo el modelo "recuerda" el historial.
Pregunta 09 / 10 — Sistemas
¿Qué es un "prompt chain" (cadena de prompts)?
✓ Correcto. Las cadenas de prompts son la base de sistemas de IA complejos: analizar → planificar → ejecutar → validar → formatear. Cada paso tiene una responsabilidad acotada, lo que mejora el control y la calidad del resultado final.
✗ Incorrecto. Un prompt chain es un pipeline donde encadenas múltiples llamadas al modelo, pasando el output de una como input de la siguiente. Esto permite construir flujos de trabajo complejos que ningún prompt único podría manejar bien.
Pregunta 10 / 10 — Aplicación real
Quieres que un modelo extraiga datos estructurados de texto libre (nombre, fecha, monto) y siempre devuelva JSON válido. ¿Cuál es la mejor estrategia?
✓ Correcto. Para salidas estructuradas en producción: schema explícito + ejemplo + temperatura 0 + restricción de formato es el estándar. Algunos modelos modernos tienen "JSON mode" nativo, pero igual necesitas el schema en el prompt.
✗ Incorrecto. Para extraer datos estructurados de forma confiable necesitas: definir el schema exacto, dar un ejemplo, bajar la temperatura a 0, y prohibir explícitamente texto fuera del JSON. Sin esto, el modelo improvisa el formato y el parsing falla.
0
/ 10
Nivel