Modelos de IA y prompts

Domina los modelos de lenguaje. De entender cómo funcionan a construir con ellos. 5 unidades, 13 lecciones interactivas y retos prácticos. Con LINDO para resolver tus dudas.

Incluida en Pro · 13 lecciones · 52 retos.

Para quién es

Quieres entender cómo funcionan los modelos de lenguaje sin matemáticas.
Escribes prompts a ojo y quieres resultados consistentes.
Quieres añadir funciones con IA a tu producto y medir si funcionan.

Qué vas a construir: Una función con IA que puedes medir

Una función real basada en un modelo de lenguaje, construida con tu agente de código: con su prompt guardado en un archivo, salida estructurada, un conjunto de pruebas y los números que demuestran que la segunda versión es mejor que la primera. Sirve igual para el asistente que responde a las clientas de una peluquería que para extraer los datos de las facturas de una herramienta para freelancers.

Elige el caso y sus riesgos
Escribe la versión 1 del prompt y pruébala
Exige una salida estructurada
Mide antes y después
Déjalo en un repositorio que otro pueda usar

Unas 8 horas con Claude Code o Cursor, la consola de pruebas (playground) y la API de un proveedor de modelos (Anthropic, OpenAI, Google u OpenRouter), una hoja de cálculo, GitHub.

Cómo funciona un modelo

¿Qué es un LLM?: Entiende cómo responde un modelo de lenguaje y por qué a veces inventa, para pedirle mejor.
Tokens, contexto y costo: Calcula cuánto cuesta una llamada y un usuario al mes, y decide qué enviarle al modelo.
Alucinaciones y limitaciones: Reconoce dónde inventa un modelo y arma tus defensas antes de fiarte de una respuesta.

Elegir y llamar a un modelo

Familias de modelos: Ubica cualquier modelo por su familia y su tamaño, y elige modelo dentro de Claude Code o de Cursor.
Elegir el modelo correcto: Elige el tamaño de modelo para cada tarea de tu producto sin pagar de más.
Tu primera llamada a un modelo: Prueba un prompt en la consola del proveedor y pide a tu agente la primera función con IA de tu proyecto.

Prompts para tu producto

El mensaje de sistema y el esfuerzo de razonamiento: Escribe el mensaje de sistema de tu producto y decide cuánto debe razonar el modelo en cada tarea.
Enseñar con ejemplos (few-shot): Añade ejemplos a un prompt cuando el formato o el tono no salen consistentes, y elige bien cuáles.
Salidas estructuradas: datos que tu código puede leer: Define el esquema de los datos que necesitas y pide a tu agente que el modelo responda siempre con esa forma.

RAG y conocimiento externo

Embeddings y búsqueda por similitud: Entiende cómo una app encuentra textos por su significado y evita el error de mezclar modelos de embeddings.
RAG: responder con tus documentos: Haz que un asistente responda con los datos reales de tu negocio y decide cuándo basta con pegar el documento.

LLMs en producción

Evaluación y pruebas de LLMs: Comprueba con casos fijos si un cambio de prompt o de modelo mejoró de verdad.
Observabilidad y registros: Guarda lo necesario de cada llamada para investigar una queja y pon los límites que evitan una factura sorpresa.

Lección de muestra: Prediciendo la siguiente palabra

Cuando le escribes a ChatGPT o a Claude, del otro lado hay un LLM (Large Language Model, modelo grande de lenguaje). Parece que entiende y piensa como una persona, pero por dentro hace algo más simple: predice qué palabra viene después.

Piensa en el teclado de tu celular, que te sugiere la siguiente palabra. Un LLM es esa misma idea, entrenada con una cantidad enorme de texto y a una escala gigantesca.

CÓMO RESPONDE: 1. Recibe tu texto. A ese texto se le llama prompt. 2. Lo parte en trozos de palabra llamados tokens. 3. Calcula qué tan probable es cada palabra posible como continuación. 4. Elige una. No siempre la más probable: hay un poco de azar, y por eso dos respuestas a la misma pregunta no salen idénticas. 5. Repite el ciclo, palabra tras palabra, hasta terminar.

Los modelos actuales, además, pueden razonar antes de contestar: primero escriben para sí mismos un borrador de ideas y después la respuesta. Sigue siendo el mismo mecanismo de predecir texto, con más pasos.

Le pides a un chat el teléfono de una ferretería de tu barrio y te da un número con total seguridad. Sin búsqueda web conectada, ¿de dónde salió ese número?

Lo buscó en una base de datos de negocios y copió el número exacto
Lo recordó tal cual, porque memorizó todas las páginas que leyó
Lo generó: escribió un número probable, sin consultar nada

Preguntas frecuentes

¿Este es un curso de prompting?

Sí, y algo más: cubre cómo funcionan los modelos, anatomía de prompts, salida estructurada, RAG y cómo evaluar un prompt con casos de prueba.

¿Cuánto cuesta el curso de prompting y modelos de IA?

Está incluido en el plan Pro, que abre las 14 rutas: US$14.99 al mes, US$59 al año o US$99 en un solo pago (Lifetime).

¿Cuánto tiempo lleva?

Son 13 lecciones cortas con 52 retos, más el proyecto final, que lleva alrededor de 8 horas de trabajo. Avanzas a tu ritmo.

¿Necesito conocimientos previos?

Te recomendamos haber hecho antes Vibe Coding: fundamentos. Es una recomendación, no un bloqueo: puedes empezar igual.

¿Hay certificado?

Sí. Con todas las lecciones completas y el proyecto final aprobado obtienes un certificado verificable con enlace público.