¿Cómo usar Kimi CLI y Amazon Nova para el prompt engineering avanzado en 2026?

Introducción: Por qué la ingeniería avanzada de prompts es crucial en 2026

En el panorama tecnológico actual, marcado por un auge sin precedentes de la inversión en inteligencia artificial, la capacidad de escribir prompts efectivos se ha convertido en una ventaja competitiva esencial. Ya sea que estés automatizando la codificación, analizando documentos clínicos o desarrollando agentes conversacionales, un prompt bien diseñado puede transformar un modelo genérico en un especialista en un dominio específico.

Este artículo muestra cómo aprovechar dos de las tecnologías más avanzadas del año:Moonshot AI’s Kimi CLIy los nuevos modelosAmazon Nova, para crear flujos de trabajo avanzados de ingeniería de prompts, listos para su uso en situaciones reales.

Técnica 1: Crear flujos de trabajo no interactivos con Kimi CLI

Kimi CLI se ha consolidado como la herramienta preferida por los desarrolladores que necesitan flujos de trabajo de generación de código completamente no interactivos. Utilizando la salida en formato JSONL, puedes alimentar un agente que escribe, prueba y documenta código de forma autónoma.

Configuración rápida

• Instala el CLI mediantepip install kimi-cliouv add kimi-cli(el método recomendado para un entorno aislado).
• Genera un archivo de configuración.kimi.tomlcon tu clave API y el modelo base.

Ejemplo desession.jsonlpara un agente de codificación:

{
  "prompt": "Crea una función Python que calcule el factorial de un número entero no negativo. Incluye controles para entradas negativas y utiliza la memoización para optimizar el rendimiento.",
  "context": "python-3.11",
  "max_tokens": 500,
  "temperature": 0.2
}
{
  "prompt": "Escribe pruebas unitarias para la función factorial utilizando pytest.",
  "context": "python-3.11",
  "max_tokens": 300,
  "temperature": 0.1
}
{
  "prompt": "Genera un breve documento README que describa el uso de la biblioteca factorial.",
  "context": "markdown",
  "max_tokens": 200,
  "temperature": 0.3
}

Ejecuta el agente con:

kimi-cli run --input session.jsonl --output artifacts/

Este flujo de trabajo autónomo libera a los desarrolladores de tareas repetitivas, permitiéndoles centrarse en problemas de alto nivel.

Técnica 2: Optimizar los prompts para los modelos Amazon Nova en el procesamiento clínico

Guardoc Health procesa más de un millón de documentos clínicos cada día utilizando Amazon Nova. Su experiencia destaca tres pilares para la optimización de prompts en contextos de alto riesgo:

• Estructura explícita:Comienza con una instrucción clara, seguida de restricciones, formato de salida y ejemplos.
• Segmentación del contexto:Divide los documentos largos en secciones (historial médico, notas de admisión, informes de laboratorio) para mejorar la precisión.
• Feedback iterativo:Utiliza un ciclo de revisión humano-IA para refinar los resultados y reducir los errores.

Ejemplo de prompt para Nova que extrae información de una nota de alta:

Extrae los siguientes campos de esta nota de alta:
- Diagnóstico principal (ICD-10)
- Medicamentos al momento del alta
- Parámetros vitales al alta

Proporciona la respuesta como JSON con las siguientes claves: diagnosis, medications (lista), vitals (objeto).

Nota:
"Paciente dado de alta con diagnóstico de hipertensión esencial, inicio de tratamiento con lisinopril 10mg una vez al día. PA 130/85 mmHg, frecuencia cardíaca 72 ppm. Alergias: ningún medicamento conocido."

Formato de salida:
{
  "diagnosis": "I10",
  "medications": ["Lisinopril 10mg QD"],
  "vitals": {"pressure": "130/85 mmHg", "heart_rate": "72 bpm"}
}

Al incorporar estas directrices en tus prompts, puedes obtener resultados precisos y conformes a gran escala, similares a los que han permitido a Guardoc Health gestionar su volumen de documentos.

Técnica 3: Aprovechar el auge de la inversión en IA para acelerar el desarrollo de prompts

El auge de la inversión en IA en 2026 ha puesto más recursos que nunca a disposición de los desarrolladores de herramientas de ingeniería de prompts. Plataformas como PromptOps.ai, HuggingFace Pro y Weights & Biases han integrado ahora funcionalidades específicas para la optimización de prompts, incluyendo:

• Análisis de prompts:Identifica ambigüedades y sugiere mejoras.
• Pruebas A/B en múltiples modelos:Compara el rendimiento de GPT-4, Claude 3 y Nova lado a lado.
• Versionado de datos de entrenamiento:Registra los conjuntos de datos de prompts exactos utilizados en cada ejecución.

Consejo práctico: Inscribe tus flujos de trabajo de prompts en un centro de distribución basado en suscripción (por ejemplo, InferHub) para monetizar tus mejores prompts mientras los utilizas para el desarrollo interno.

Ejemplo práctico: Un flujo de trabajo de extremo a extremo

Combinamos Kimi CLI y Amazon Nova en un sistema completo de soporte a la codificación clínica:

1. Ingestión:Los documentos en bruto se dividen en fragmentos y se envían a Nova para la extracción estructurada (utilizando el prompt anterior).
2. Generación de código:Un archivoextract.jsonlse envía a Kimi CLI, que genera una biblioteca Python con funciones de utilidad para los datos clínicos extraídos.
3. Pruebas y documentación:Kimi CLI añade automáticamente pruebas unitarias y un archivo README, creando un paquete listo para la producción.
4. Monitorización:PromptOps.ai supervisa la latencia de los prompts y las métricas de precisión, avisándote si el rendimiento cae por debajo de un umbral definido.

El resultado es un ciclo de desarrollo rápido y repetible que reduce el tiempo de comercialización de meses a semanas, aprovechando lo mejor de ambos mundos: la inteligencia de Nova para el procesamiento del lenguaje y la automatización de la codificación de Kimi.

Conclusiones y próximos pasos

• Diseña tus prompts con estructura explícita y segmentación del contexto para obtener resultados fiables.
• Utiliza Kimi CLI para flujos de trabajo de codificación no interactivos y completamente autónomos.
• Aprovecha las nuevas plataformas de optimización de prompts impulsadas por el auge de la inversión en IA.
• Combina modelos: usa Nova para la extracción de texto y Kimi para la generación de código para obtener el máximo provecho de tu pipeline.

Empezar es fácil: instala Kimi CLI, configura un archivo de configuración, crea un archivo JSONL de ejemplo y prueba un prompt de Amazon Nova en una pequeña muestra de datos. Tus competidores ya están aprovechando estas tecnologías; no te quedes atrás.

Acción inmediata:Antes de que termine esta semana, crea un archivosession.jsonlcon 3 prompts y úsalo conkimi-cli runpara generar un pequeño script. Verifica los resultados y anota cualquier iteración necesaria.

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 (Julio 2026): Aquí tienes algunas tendencias y noticias recientes para inspirarte: - Implementación de un modelo Bonsai-27B de 1 bit con PrismML llama.cpp y flujos de trabajo de inferencia local compatibles con OpenAI: En este tutorial, implementamos el modelo de lenguaje Bonsai-27B de 1 bit utilizando la bifurcación PrismML de llama.cpp, que proporciona los kernels CUDA especializados necesarios... [2026-07-28] - Construyendo flujos de trabajo de codificación no interactivos con el agente Kimi CLI de Moonshot AI, streaming JSONL, pruebas y memoria de sesión: En este tutorial, configuramos y operamos Kimi CLI como un agente de codificación de IA completamente no interactivo. Instalamos el CLI a través de uv con un entorno Python aislado... [2026-07-29] - Cómo la IA está acortando los plazos de descubrimiento de medicamentos en China: Insilico Medicine ha reducido el tiempo necesario para producir algunos candidatos de desarrollo de medicamentos a aproximadamente un año combinando la inteligencia artificial con... [2026-07-27] Utiliza esta información actual como inspiración para crear un prompt original y relevante para 2026.