Saltar al contenido

glosario fundamentos casos de uso

Glosario de IA y prompts, 38 términos en palabras simples

Glosario de inteligencia artificial y prompts en español. Token, ventana de contexto, alucinación, few-shot, temperatura, RAG y más, explicados en una línea.

Por Equipo editorial de BibliotecaPrompts · · 9 min de lectura

Este glosario de inteligencia artificial reúne 38 términos que aparecen cuando empiezas a usar ChatGPT, Claude, Gemini u otro asistente: token, ventana de contexto, alucinación, few-shot, temperatura y varios más. Cada uno va explicado en una o dos frases simples. Las definiciones están contrastadas con la documentación oficial de Anthropic, Google y OWASP, enlazada al final.

No hace falta aprenderlos todos. Guarda esta página y vuelve cuando una palabra te frene. Si prefieres ver estas ideas en acción, lee Técnicas de prompting explicadas fácil y Partes de un prompt.

Lo básico

Prompt

El texto que le escribes a la IA para orientar lo que hace: una pregunta, una instrucción o un ejemplo. Google lo define como cualquier texto de entrada que guía el comportamiento de un modelo de lenguaje.

Ingeniería de prompts

El oficio de redactar prompts para obtener la respuesta que buscas. También se le llama diseño de prompts.

Plantilla con huecos

Un prompt ya escrito con espacios para tus datos, marcados así: {{tema}}. Es el formato que usamos en BibliotecaPrompts: rellenas los huecos y copias.

Prompt
Explícame {{concepto}} como si yo supiera solo {{lo que ya sabes}}, con un ejemplo de {{tu país o tu trabajo}}.

IA generativa

Inteligencia artificial que crea contenido nuevo y coherente: texto, imágenes, audio o video.

LLM (modelo de lenguaje grande)

Un modelo de IA con muchísimos parámetros, entrenado con enormes cantidades de texto, capaz de responder preguntas, resumir y redactar. Los asistentes conversacionales actuales se basan en LLM.

Modelo fundacional

Un modelo muy grande y preentrenado que sirve para muchas tareas y que se puede especializar después con ajuste fino.

Parámetros

Los valores internos que el modelo ajusta durante el entrenamiento. Cuando se dice que un modelo es «grande», se habla, entre otras cosas, de cuántos parámetros tiene.

Transformer

La arquitectura de red en la que se basan los LLM modernos. Su pieza central es la «autoatención», que le permite relacionar cada palabra con las demás del texto.

Autorregresivo

Que genera el texto pieza por pieza, usando lo que ya escribió para decidir lo siguiente. Por eso una IA «escribe» su respuesta poco a poco.

Cómo lee y responde la IA

Token

La unidad mínima con la que trabaja el modelo: puede ser una palabra, un pedazo de palabra, un carácter o un byte. Cuántos caracteres equivale un token depende del modelo y del idioma, así que los límites «en tokens» no son lo mismo que «en palabras».

Ventana de contexto

La cantidad de texto que el modelo puede tener en cuenta a la vez al responder, como su «memoria de trabajo». Incluye tu prompt, lo que pegaste y la conversación hasta ese momento. Si se llena, el modelo pierde de vista partes de la conversación.

Tu prompt, lo que pegaste y la conversación forman la ventana de contexto, que el modelo lee cortada en tokens, es decir, pedazos de texto. El modelo, un LLM, genera la respuesta pieza por pieza; la temperatura regula cuánta variación hay, y una alucinación es una respuesta convincente pero falsa que hay que verificar.Tu prompt, lo que pegaste y la conversación forman la ventana de contexto, que el modelo lee cortada en tokens, es decir, pedazos de texto. El modelo, un LLM, genera la respuesta pieza por pieza; la temperatura regula cuánta variación hay, y una alucinación es una respuesta convincente pero falsa que hay que verificar.
Cómo se relacionan prompt, contexto, tokens, modelo y respuesta.

Latencia

El tiempo que tarda el modelo en responder desde que envías el prompt.

TTFT (tiempo hasta el primer token)

Cuánto tarda en aparecer el primer pedazo de la respuesta. Es lo que sientes como «ya empezó a contestar».

Temperatura

Un ajuste que controla cuánta variación hay en las respuestas. Más alta: respuestas más creativas y diversas; más baja: respuestas más conservadoras. Anthropic aclara que ni siquiera con temperatura 0 las respuestas son totalmente idénticas en cada intento. En los chats normales no se ve; aparece en herramientas para desarrolladores.

Alucinación

Una respuesta que suena convincente pero es falsa: un dato, una cita o un libro que no existe. Es la razón principal para verificar lo que te da la IA. Si un dato te llega por redes, Comprueba un dato viral antes de compartirlo.

Confabulación

Sinónimo de alucinación que el glosario de Google considera más preciso técnicamente: el modelo no «ve» cosas, rellena huecos con algo plausible.

Técnicas para escribir prompts

Zero-shot (sin ejemplos)

Pedir algo sin mostrar ningún ejemplo de la respuesta que quieres. Es como usamos la IA casi siempre.

One-shot (un ejemplo)

Incluir exactamente un ejemplo de lo que esperas.

Few-shot (varios ejemplos)

Incluir varios ejemplos para que la IA copie el formato, el tono o el criterio. Anthropic recomienda entre 3 y 5 ejemplos variados y parecidos a tu caso real.

Tres prompts con la misma tarea: zero-shot no lleva ejemplos, one-shot lleva uno y few-shot lleva varios. Few-shot suele dar un formato más consistente.Tres prompts con la misma tarea: zero-shot no lleva ejemplos, one-shot lleva uno y few-shot lleva varios. Few-shot suele dar un formato más consistente.
Zero-shot, one-shot y few-shot, según cuántos ejemplos das.
Prompt
Clasifica estos comentarios de clientes como «queja», «pregunta» o «elogio».
Ejemplos:
«Mi pedido llegó roto» → queja
«¿Hacen envíos a {{ciudad}}?» → pregunta
«Me encantó la atención» → elogio
Ahora clasifica: {{pega los comentarios}}

Prompt de rol

Pedirle a la IA que asuma un papel («eres un tutor de química paciente»). Ayuda a enfocar el tono y el tipo de respuesta.

Prompt de sistema

Instrucciones generales que se dan al modelo antes de la conversación y que valen para todo el chat. Anthropic recomienda poner ahí el rol. En las apps de consumo se parece a las «instrucciones personalizadas» o a los proyectos con instrucciones fijas.

Cadena de pensamiento (chain of thought)

Pedirle al modelo que explique su razonamiento paso a paso. Puede mejorar la respuesta y, sobre todo, te deja revisar cada paso.

Prompt
Resuelve {{problema}} paso a paso. Numera cada paso y explica por qué lo das, para que yo pueda revisar dónde hay un error.

Etiquetas XML

Marcas como <instrucciones> y </instrucciones> que separan las partes de un prompt largo (instrucciones, contexto, ejemplos, texto a analizar). Reducen las confusiones del modelo.

Prompt
<instrucciones>Resume el documento en 5 viñetas y no agregues nada que no esté en él.</instrucciones>
<documento>{{pega el texto}}</documento>

Encadenar prompts

Dividir una tarea en varios prompts seguidos en lugar de uno gigante. Un patrón típico: borrador, luego revisión con criterios, luego versión final.

Prompt
Revisa el borrador anterior con estos criterios: {{criterios}}. Lista los problemas y no lo reescribas todavía.

Aprendizaje basado en prompts

La capacidad de un modelo de cambiar lo que hace según el prompt, sin que lo hayan entrenado para cada tarea. Es lo que permite que la misma IA resuma, traduzca o te haga un plan.

Cómo se entrena un modelo

Preentrenamiento

La primera etapa: el modelo aprende de una enorme cantidad de texto a predecir la siguiente palabra. Al salir de aquí todavía no es bueno siguiendo instrucciones.

Ajuste fino (fine-tuning)

Un entrenamiento adicional con datos específicos para adaptar el modelo a una tarea, un tema o un estilo.

Ajuste por instrucciones

Un tipo de ajuste fino con muchos ejemplos de instrucciones, para que el modelo aprenda a seguirlas mejor.

RLHF

Aprendizaje por refuerzo con retroalimentación humana: personas comparan o califican respuestas, y el modelo se entrena para preferir las mejor valoradas.

Destilación

Entrenar un modelo pequeño para que imite a uno grande. Se pierde algo de calidad a cambio de velocidad y menor costo.

Cascada de modelos

Elegir el modelo según la consulta: uno pequeño para lo simple y uno grande para lo complejo, para ahorrar tiempo y dinero.

IA conectada a otras cosas

RAG (generación aumentada por recuperación)

Una técnica en la que, antes de responder, se buscan documentos relevantes y se le pasan al modelo dentro de su contexto. Ayuda a que responda con información actual o específica y que pueda citar fuentes, aunque depende de la calidad de esos documentos.

Embeddings

Representaciones numéricas de un texto que permiten medir qué tan parecidos son dos textos en significado. Se usan en buscadores, recomendaciones y RAG.

Uso de herramientas (function calling)

La capacidad de un modelo de pedir que se ejecute una función externa (buscar en la web, consultar el clima, ejecutar código) y usar el resultado en su respuesta.

MCP (Model Context Protocol)

Un protocolo abierto que estandariza cómo las aplicaciones conectan modelos de IA con fuentes de datos y herramientas. Anthropic lo compara con un puerto USB-C para aplicaciones de IA.

Seguridad y comportamiento

Inyección de prompts

Cuando un texto logra que la IA haga algo que sus creadores no querían. Puede ser directa (la escribe el usuario) o indirecta (viene escondida en una página web, un archivo o un correo que la IA lee). OWASP la pone en el primer lugar de su lista de riesgos para aplicaciones con LLM.

Jailbreak

Un tipo de inyección de prompts que busca que el modelo ignore por completo sus reglas de seguridad.

HHH

Siglas en inglés de útil, honesto e inofensivo: el marco con el que Anthropic describe cómo quiere que se comporte su asistente, incluido reconocer cuando no sabe algo.

Cómo usar este glosario en la práctica

Si estás aprendiendo un tema nuevo, puedes pedirle a la IA que te explique un término con tus propios ejemplos y luego contrastarlo aquí:

Prompt
Explícame qué es {{término}} en una frase simple y dame un ejemplo de cómo me afecta cuando uso un asistente de IA para {{tu uso: estudiar, trabajar, vender}}. Si no estás seguro de algo, dilo.

Para profundizar en cualquier tema con método, prueba Aprende algo difícil, paso a paso, y para contrastar lo que te dice la IA con otras fuentes, Compara fuentes y localiza lo que todavía no sabemos.

Preguntas frecuentes

¿Qué es un token en ChatGPT, Claude o Gemini?

Es la unidad en la que el modelo corta el texto para procesarlo: palabras enteras, pedazos de palabra o caracteres. Los límites de longitud y los precios de las versiones para desarrolladores se cuentan en tokens.

¿Por qué la IA inventa cosas?

Porque genera el texto más plausible según lo que aprendió, no consulta una base de datos de hechos. Por eso puede producir datos falsos con total seguridad. Pídele fuentes y verifícalas tú.

¿Qué diferencia hay entre zero-shot y few-shot?

En zero-shot pides la tarea sin ejemplos; en few-shot incluyes varios ejemplos de lo que quieres. Few-shot suele dar resultados más consistentes cuando el formato importa.

¿Qué significa que un modelo tenga una ventana de contexto grande?

Que puede tener en cuenta más texto a la vez: documentos más largos o conversaciones más extensas sin perder de vista lo anterior.

Fuentes

Artículos relacionados

fundamentoserrorestécnicas

10 errores al escribir prompts y cómo corregirlos

Los errores al escribir prompts más comunes (pedidos vagos, sin contexto ni formato) y cómo corregirlos con ejemplos antes y después en español.

· 8 min de lectura

fundamentosprincipiantesguía

Cómo escribir un prompt bueno desde la primera vez

Aprende cómo escribir un prompt claro para ChatGPT, Claude o Gemini, con ejemplos antes y después y un método de cinco pasos para principiantes.

· 9 min de lectura

fundamentostécnicasestructura

Partes de un prompt (rol, contexto, tarea y formato)

Conoce las partes de un prompt (rol, contexto, tarea, formato y ejemplos) y cómo combinarlas, con ejemplos en español listos para copiar y adaptar.

· 8 min de lectura