Introducción: Por qué la ingeniería de prompts es más importante que nunca
En 2026, la frontera entre un asistente lingüístico y un agente comercial real se ha vuelto cada vez más difusa. Gracias a anuncios recientes como la adquisición de Hugging Face por NVIDIA, el lanzamiento deClaude Commerce Agentspor parte de Anthropic y la apertura del motor de inferencia localLilypor parte de Perplexity, los desarrolladores disponen de herramientas potentes para crear flujos de trabajo altamente especializados. Sin embargo, incluso con estos avances, el factor clave para el éxito sigue siendo la calidad del prompt. Un prompt bien estructurado puede transformar un modelo lingüístico genérico en un consultor de ventas confiable, capaz de gestionar catálogos, descuentos y aprobaciones de forma autónoma.
Cómo construir agentes comerciales con Claude Commerce Agents
Claude Commerce Agents ofrece un blueprint de código abierto (Apache-2.0) que simplifica la creación de asistentes de ventas para los sectores minorista, de viajes, telecomunicaciones y entretenimiento. La arquitectura se basa en un ciclo de vida de varias fases:
- Ciclo del agente:adquisición del propósito, recuperación del contexto y acción.
- Capa de herramientas:integración con catálogos, sistemas ERP y pasarelas de pago.
- Puerta de aprobación:control humano opcional antes de la ejecución.
Para aprovechar este marco, el prompt inicial debe definir el rol, el contexto y el resultado deseado. Aquí tienes un ejemplo práctico:
<system>: Eres un asistente comercial experto especializado en soluciones empresariales B2B. Utiliza el catálogo de productos proporcionado y las políticas de descuento para generar propuestas personalizadas.
<user>: Genera una propuesta para un cliente que necesita 50 unidades del producto X, con un presupuesto de 10.000€, incluyendo descuentos por volumen y opciones de pago (30 días, 60 días, inmediato). Formatea la respuesta con una tabla clara y un resumen de los importes totales.
</assistant>Optimización de prompts para inferencia local con Lily y Apple Silicon
Con el lanzamiento de código abierto deLily, Perplexity ofrece un motor de inferencia en Rust + Metal que funciona de forma nativa en dispositivos Apple Silicon. Esto abre nuevas posibilidades para los agentes comerciales que necesitan operar sin conexión o con datos sensibles. Los prompts para la inferencia local deben ser concisos y tener una alta densidad de información para minimizar el uso de memoria.
Ejemplo de prompt para un asistente comercial local
<system>: Eres un consultor de ventas offline que trabaja en un iPad Pro. Tienes acceso al catálogo de productos local y a las políticas de descuento. Responde de forma concisa y sin necesidad de conectividad de red adicional.
<user>: El cliente solicita 20 unidades del modelo Y, con un presupuesto de 5.000€, quiere un descuento del 10% y pago en 30 días. Calcula el precio total e indica la disponibilidad.
</assistant>Observa el uso de una instrucción de sistema explícita que limita al modelo a trabajar en modo offline y a respetar el diseño de los datos locales.
Plantillas de prompts y reutilización con Hugging Face tras la adquisición por parte de NVIDIA
La adquisición de Hugging Face por parte de NVIDIA ha acelerado la integración entre la plataforma de código abierto y el hardware de NVIDIA, ofreciendo a los desarrolladores modelos básicos optimizados y pipelines de plantillas de prompts. Utilizando Jinja2 o las variables de Hugging Face, es posible crear prompts dinámicos que se adaptan a regiones, zonas horarias o segmentos de clientes sin necesidad de reescribir el texto cada vez.
Ejemplo de una plantilla Jinja2 para prompts dinámicos
{% raw %}
{% set locale = user_preferences.get('locale', 'en-US') %}
{% set currency = currencies[locale] %}
System: Eres un asistente de ventas para el mercado {{ locale }} que utiliza la moneda {{ currency }}.
User: {{ user_request }}
{% endraw %}Incrustando esta plantilla en una infraestructura de alojamiento de prompts, es posible generar miles de variantes de prompts al vuelo, manteniendo coherente la voz de la marca y optimizando el rendimiento en clusters de GPU escalables.
Técnicas avanzadas: razonamiento en cadena, few-shot y multi-step
Incluso con los últimos modelos, la capacidad de razonamiento puede mejorarse guiando al modelo a través de una cadena lógica explícita (razonamiento en cadena). Combinando ejemplos few-shot con una instrucción multi-step, se obtiene un comportamiento predecible y repetible.
Ejemplo de prompt con razonamiento en cadena
<system>: Sigue estos tres pasos para cada solicitud:
1. Identifica el producto, la cantidad y el presupuesto del cliente.
2. Aplica las reglas de descuento pertinentes.
3. Devuelve una tabla formateada con los subtotales y el importe total.
<user>: El cliente A quiere 30 unidades del producto Z, con un presupuesto de 8.000€, descuento de fidelidad del 5% y pago en 60 días. Calcula el importe final.
</assistant>Este enfoque hace que el proceso de toma de decisiones sea transparente tanto para los usuarios como para los desarrolladores, y es especialmente útil en los equipos de revisión interna.
Conclusiones prácticas
- Define roles explícitos en los promptspara los agentes comerciales: cuanto más sepa el modelo quién debe ser, mejor actuará.
- Utiliza la inferencia localcon Lily cuando la privacidad o la disponibilidad sin conexión sean prioritarias; mantén los prompts concisos.
- Implementa plantillas de promptscon Hugging Face y Jinja2 para escalar rápidamente las variantes de idioma y moneda.
- Combina el razonamiento en cadena y el aprendizaje few-shotpara obtener un razonamiento coherente y transparente.
- Prueba siempre el ciclo de aprobacióndel agente antes de pasar a producción, especialmente cuando se integran sistemas de pago.