... | SupaPrompt Blog

Cómo crear una biblioteca de prompts que aproveche Lily, Switchyard y la orquestación CX para el equipo de marketing en 2026

El panorama actual del marketing está impulsado por los datos y la automatización. Para mantenerse competitivos, los equipos necesitan unalibrería de promptsque no solo estandarice el lenguaje, sino que también se integre con las últimas herramientas de IA, como el motor de inferencia localLilyde Perplexity, el proxySwitchyardde NVIDIA y las plataformas deorquestación CX.

Por qué una biblioteca de prompts es esencial para el marketing moderno

Una biblioteca de prompts bien estructurada ofrece tres ventajas principales:

Coherencia:Todos los redactores, responsables de campañas y especialistas en datos utilizan el mismo tono, formato y contexto.
Velocidad:Las plantillas reutilizables reducen el tiempo de creación de prompts de minutos a segundos.
Escalabilidad:La integración con nuevos modelos de lenguaje (LLM) y herramientas de orquestación garantiza que la biblioteca crezca junto con las necesidades de marketing.

En un año en que Perplexity ha open-sourceadoLily(un motor Rust+Metal que funciona en Apple Silicon) y NVIDIA ha lanzadoSwitchyardpara el enrutamiento transparente del tráfico LLM, una biblioteca de prompts moderna debe ser tantoágilecomomulti-proveedor.

Alineación con tecnologías emergentes: Lily, Switchyard y orquestación CX

Integrar Lily para la inferencia local

Lily ofrece inferencia de baja latencia directamente en el dispositivo, ideal para la generación de contenido en tiempo real, la segmentación de audiencias y el soporte de chat. Para aprovechar Lily en tu biblioteca de prompts, importa el cliente Rust a través de su API compatible con OpenAI:

cargo add perplx-client --vers 0.2.0
cargo add serde_json

// Ejemplo de inicialización del cliente Lily
let mut client = PerplexityClient::new("api_key", "https://lily.perplexity.ai/v1");

Cuando un prompt requiere contenido localizado u offline, redirige la solicitud al cliente Lily:

let respuesta = client.chat_completion([
    ChatMessage { role: "system", content: "Eres un experto en branding para el sector tecnológico." },
    ChatMessage { role: "user", content: "Escribe una frase de 5 palabras para un nuevo software de gestión de proyectos." }
]).await?;

Usar Switchyard para el enrutamiento multi-proveedor

Switchyard abstrae los detalles de la API, permitiendo cambiar de OpenAI, Anthropic u otros proveedores con un simple cambio de configuración. Esto es útil para el testing A/B de modelos de prompts o para aprovechar nuevos modelos emergentes sin reescribir el código.

Ejemplo de configuración en Rust:

use switchyard::{SwitchyardClient, Provider};

let mut client = SwitchyardClient::new([
    Provider::OpenAI { key: "sk-***" },
    Provider::Anthropic { key: "sk-ant-***" },
    Provider::Perplexity { key: "pplx-***" }
]);

// Genera un prompt utilizando el proveedor con mejor rendimiento
let respuesta = client.send_prompt("Crea un correo electrónico de seguimiento persuasivo para un lead B2B").await?;

Orquestación CX para campañas coherentes

Snippet de integración:

use cx_orchestrator::{Orchestrator, Channel};

let orchestrator = Orchestrator::new("orchestrator_token");

// Registra un prompt para todos los canales
orchestrator.register_channel(Channel::Email, "Eres un consultor de confianza que ofrece consejos honestos.");
orchestrator.register_channel(Channel::Chat, "Eres un asistente amigable y conciso.");

// Genera una respuesta adaptada al canal
let respuesta = orchestrator.generate_response(
    Channel::Email,
    "¿Cuál es la mejor manera de introducir un nuevo software SaaS?"
).await?;

Cómo construir tu biblioteca de prompts: una guía paso a paso

A continuación se muestra una estructura minimalista y orientada a ejemplos que puedes copiar en un repositorio Git. El código está en Rust (para compatibilidad nativa con Lily), pero los principios se aplican a cualquier lenguaje.

1. Define una estructura de datos común

#[derive(Debug, Serialize, Deserialize)]
struct PromptTemplate {
    nombre: String,
    rol: String,
    instruccion: String,
    variables: Vec,
}

#[derive(Debug, Serialize, Deserialize)]
struct PromptResponse {
    texto: String,
    proveedor: String,
    latencia_ms: u64,
}

2. Crea un gestor multi-proveedor

Este módulo abstrae la lógica de selección de proveedor, permitiendo cambiar de Lily, Switchyard o un servicio en la nube con una simple configuración.

3. Implementa un sistema de evaluación

Escribe una prueba que mida el tiempo de respuesta y la calidad del prompt para cada proveedor.
Usa los resultados para redirigir automáticamente las cargas de trabajo pesadas hacia Lily (baja latencia) y las cargas de trabajo creativas hacia Anthropic u OpenAI.

4. Documenta y versiona tus plantillas

Puntos clave

Diseña la biblioteca de prompts como una infraestructura modularque pueda conectarse a Lily, Switchyard y la orquestación CX.
Aprovecha la inferencia localde Lily para contenido en tiempo real, reduciendo la dependencia del ancho de banda y los costos de las API.
Usa Switchyardpara el enrutamiento sin interrupciones entre proveedores, simplificando el testing A/B y la adopción de nuevos modelos LLM.
Conecta la orquestación CXpara garantizar que cada canal mantenga el mismo tono, aumentando la fidelidad de la marca.
Versiona y documentacada plantilla para permitir que los equipos colaboren de forma rápida y segura.

Conclusión

En 2026, los equipos de marketing exitosos no se limitan a escribir prompts; construyenecosistemas de prompts

Empieza hoy mismo: inicializa un repositorio Git, copia el esqueleto de código y comienza a conectar tus plantillas con los nuevos motores. El futuro del marketing basado en IA pertenece a quienes puedan orquestar el prompt adecuado, con el proveedor adecuado, en el momento adecuado.

IMPORTANTE: Estamos en 2026. Todas las referencias temporales deben ser actuales. No menciones años pasados como 2024, 2023, etc. El contenido debe ser fresco y relevante para el presente. CONTEXTO ACTUAL (Septiembre 2026): Aquí hay algunas tendencias y noticias recientes para inspirarte: - Qwen Developers Open-Sources zg (zvec-grep): A Local-First Search Layer Unifying ripgrep, BM25, and Vector Search: We look at zg (zvec-grep), the local-first search layer that Qwen Developers just open-sourced under Apache 2.0. We explain how it puts ripgrep, BM25,... [2026-09-03] - Why MCP servers are becoming AI’s newest attack surface: As AI adoption gathers pace, so does the evolution of the infrastructure that supports it. New standards and connectors keep appearing, and the ones t... [2026-09-01] - Google DeepMind Releases Gemini 3.8 Flash and Gemini 3.8 Flash Cyber: One Core Model, Two Access Envelopes: Google released Gemini 3.8 Flash and Gemini 3.8 Flash Cyber on September 2, 2026. Both variants run on the same foundational intelligence, split by sa... [2026-09-02] Usa esta información actual como inspiración para crear un prompt original y relevante para 2026.