Escribir prompts se ha considerado un arte subjetivo, pero para escalar la IA en producción, debe convertirse en una ingeniería disciplinada. El concepto de "Prompt Engineering as Code" propone tratar los prompts como cualquier otro activo de software: deben estar versionados en Git, ser modulares y tener pruebas automatizadas de regresión.
Herramientas emergentes como DSPy buscan abstraer el prompt manual. En lugar de escribir cadenas de texto ("Actúa como un experto..."), el desarrollador define la lógica y las métricas de éxito, y un "compilador de prompts" optimiza automáticamente las instrucciones enviadas al LLM. Esto hace que el sistema sea más robusto ante cambios en los modelos subyacentes.
No se puede mejorar lo que no se mide. La ingeniería de prompts moderna incluye pipelines de CI/CD que evalúan el rendimiento del prompt contra un set de datos de prueba (Golden Dataset) antes de desplegar a producción. Se mide la precisión, la toxicidad y el costo, asegurando que una actualización del prompt no rompa la funcionalidad existente.