3.1 Prompting y RAG

Prompting

La ingeniería del prompting es el conjunto de técnicas que permiten formular instrucciones eficaces para que un modelo de lenguaje genere respuestas útiles, precisas y adaptadas a un objetivo concreto. En educación, y especialmente en materias como biología, física, matemáticas y química, esta competencia resulta cada vez más valiosa. Un modelo de lenguaje puede actuar como asistente del profesorado, generador de actividades, apoyo para preparar explicaciones, herramienta de simulación o incluso recurso para adaptar materiales a distintos niveles. Sin embargo, la calidad del resultado depende en gran medida de cómo se le da la instrucción.

Un prompt no es solo una pregunta. Es una instrucción estructurada que puede incluir el rol que debe asumir el modelo, el nivel educativo, el tipo de respuesta esperado, el formato y los criterios de calidad. Por ejemplo, no es lo mismo escribir “explica la fotosíntesis” que pedir: “Actúa como profesor de biología de 4º de ESO y explica la fotosíntesis con lenguaje claro, un ejemplo cotidiano y una comparación con la respiración celular”. En el segundo caso, la respuesta suele ser más útil porque el modelo entiende mejor qué se espera de él.

En áreas científicas, el prompting tiene un valor especial porque estas asignaturas suelen exigir claridad conceptual, secuenciación lógica, precisión terminológica y resolución paso a paso. Además, permite generar recursos variados: explicaciones, problemas resueltos, prácticas de laboratorio, simulaciones, rúbricas, preguntas tipo test o actividades de ampliación.

Estructura básica de un buen prompt

Un buen prompt suele combinar varios elementos:

• el rol del modelo

• el contexto didáctico

• el nivel del alumnado

• el objetivo de la tarea

• el formato de salida

• y, cuando conviene, ciertas restricciones o guardarraíles

Por ejemplo, en matemáticas podría pedirse:

Actúa como profesor de matemáticas de bachillerato. Explica el concepto de derivada de forma intuitiva, después presenta la definición formal y finalmente crea dos ejercicios resueltos paso a paso.

Aquí se define claramente quién debe ser el modelo, para quién explica, cómo debe organizar la respuesta y qué productos debe incluir.

Tipos de prompting

Zero-shot prompting

El zero-shot prompting consiste en pedir una tarea directamente, sin dar ejemplos previos. Es la modalidad más simple y una de las más usadas.

Ejemplo en química:

Explica qué es el pH y cómo se interpreta una escala de pH en disoluciones ácidas, neutras y básicas.

Ejemplo en biología:

Resume las funciones principales del ADN en una célula eucariota.

Ejemplo en física:

Resuelve un problema sencillo sobre la segunda ley de Newton con datos numéricos realistas.

Este tipo de prompting funciona bien cuando la tarea es clara, pero en ocasiones la salida puede variar más de lo deseado.

Few-shot o multi-shot prompting

El few-shot prompting, también llamado multi-shot, consiste en ofrecer uno o varios ejemplos del tipo de respuesta que se espera. Esto ayuda al modelo a imitar estructura, tono y nivel de detalle.

Ejemplo en matemáticas:

Ejemplo 1
Problema: Resuelve 3x + 5 = 14
Solución:

1. Restamos 5 a ambos lados

2. 3x = 9

3. Dividimos entre 3

4. x = 3

Ejemplo 2
Problema: Resuelve 2x - 4 = 10
Solución:

1. Sumamos 4 a ambos lados

2. 2x = 14

3. Dividimos entre 2

4. x = 7

Ahora resuelve del mismo modo: 5x + 2 = 22

Ejemplo en química:

Ejemplo 1
Sustancia: Agua
Fórmula: H2O
Tipo: Compuesto molecular

Ejemplo 2
Sustancia: Cloruro de sodio
Fórmula: NaCl
Tipo: Compuesto iónico

Ahora completa del mismo modo: dióxido de carbono, amoníaco y óxido de calcio.

Este tipo de prompting resulta muy útil cuando se desean materiales homogéneos, ejercicios con el mismo estilo o respuestas muy controladas.

Chain of Thought prompting

El Chain of Thought o razonamiento paso a paso consiste en pedir al modelo que explique su proceso antes de dar la respuesta final. En ciencias, esto es especialmente valioso porque no interesa solo el resultado, sino el procedimiento.

Ejemplo en física:

Resuelve paso a paso el siguiente problema y explica qué fórmula aplicas en cada momento: un cuerpo de 4 kg acelera a 2,5 m/s². Calcula la fuerza resultante.

Ejemplo en química:

Calcula cuántos moles hay en 98 gramos de ácido sulfúrico. Razona el procedimiento paso a paso e indica la masa molar utilizada.

Ejemplo en matemáticas:

Resuelve la ecuación de segundo grado x² - 7x + 12 = 0 explicando paso a paso el método usado.

Este enfoque ayuda a producir respuestas más transparentes y didácticas.

Meta prompts

Los meta prompts son instrucciones para que el propio modelo diseñe prompts mejores. Son especialmente útiles para docentes que quieren construir plantillas reutilizables.

Ejemplo:

Diseña un prompt para generar actividades de biología de nivel 4º de ESO sobre genética mendeliana, con una breve explicación inicial, cuatro preguntas y una solución final.

Ejemplo más avanzado:

Diseña un prompt de sistema para crear un asistente educativo de química que explique conceptos con rigor, utilice ejemplos de laboratorio escolar y adapte el lenguaje al nivel de bachillerato.

El modelo puede devolver una instrucción lista para usar y refinar. Esto ahorra tiempo y favorece la creación de asistentes especializados.

Prompt inverso

El prompt inverso merece una atención especial. Consiste en mostrar al modelo un ejemplo de actividad, contenido o material didáctico ya elaborado, y pedirle que deduzca a partir de ese ejemplo un prompt que sirva para generar otros materiales similares. Es una técnica muy útil para el profesorado, porque muchas veces resulta más fácil enseñar “el tipo de resultado que queremos” que redactar desde cero la instrucción perfecta.

Por ejemplo, un profesor puede mostrar una actividad como esta:

Actividad de física:

1. Explicación breve sobre la ley de Ohm.

2. Dos ejemplos resueltos con operaciones paso a paso.

3. Tres ejercicios para el alumnado sin resolver.

4. Una pregunta final para relacionar el contenido con situaciones de la vida cotidiana.

A partir de ahí se puede pedir:

Analiza la actividad anterior y redacta un prompt que permita generar actividades similares sobre otros temas de física manteniendo la misma estructura, el mismo tono didáctico y un nivel adecuado para 3º de ESO.

El modelo puede devolver algo como:

Actúa como profesor de física de 3º de ESO. Genera una actividad didáctica sobre [tema] con la siguiente estructura: una explicación breve y clara del concepto, dos ejemplos resueltos paso a paso, tres ejercicios para que el alumnado practique de forma autónoma y una pregunta final de aplicación a la vida cotidiana. Usa lenguaje sencillo y rigor científico.

Este enfoque es muy útil para replicar estilos de materiales propios, mantener coherencia entre unidades y transformar ejemplos exitosos en plantillas reutilizables.

Otro ejemplo en biología:

A partir de este ejemplo de ficha sobre la célula, crea un prompt que sirva para elaborar fichas equivalentes sobre otros orgánulos o procesos celulares.

O en matemáticas:

Te voy a mostrar un modelo de problema resuelto de funciones. A partir de él, redacta un prompt que me permita generar otros problemas equivalentes con la misma secuencia didáctica.

El prompting inverso, por tanto, permite pasar de un material concreto a una fórmula general de producción.

Chats personalizados

Los chats personalizados permiten configurar de forma persistente cómo debe comportarse el modelo. Esto resulta muy útil cuando se quiere convertirlo en un asistente educativo estable.

Por ejemplo, puede definirse así:

Eres un profesor de ciencias especializado en biología, física, matemáticas y química. Explicas con claridad, priorizas el razonamiento paso a paso, adaptas el lenguaje a alumnado de secundaria o bachillerato y evitas tecnicismos innecesarios salvo que se pidan expresamente. Cuando generes actividades, incluye objetivos, enunciados claros y, si procede, soluciones.

Con una configuración así, el modelo mantendrá un estilo más coherente a lo largo del tiempo.

Las plataformas más populares como chatGPT, Claude o Gemini implementan estas personalizaciones mediante el uso de GPTs personalizados en el caso de chatgpt, Gemas en GEmini y Artefactos en Claude

Vista de un gestor de gemas en Gemini

Guardarraíles

Los guardarraíles son reglas que limitan o encauzan la respuesta. Ayudan a mantener rigor, evitar errores y ajustar el resultado al uso educativo.

Ejemplos:

Si no estás seguro de un dato, indícalo claramente y no lo inventes.
No des la respuesta final sin explicar antes el procedimiento.
Usa siempre unidades del sistema internacional cuando resuelvas problemas de física.
En química, verifica si la ecuación está ajustada antes de continuar.
En matemáticas, comprueba el resultado sustituyéndolo cuando sea posible.

Estos guardarraíles mejoran mucho la calidad pedagógica de la salida.

Bancos de prompts

Un banco de prompts es una colección organizada de instrucciones reutilizables. Para un profesor de ciencias puede convertirse en una herramienta muy poderosa.

Algunas categorías útiles serían:

• prompts para explicar conceptos

• prompts para generar ejercicios

• prompts para adaptar materiales a distintos niveles

• prompts para diseñar simulaciones

• prompts para crear evaluación y autoevaluación

• prompts para convertir teoría en actividades prácticas

Un ejemplo de banco en física podría incluir:

Genera 5 problemas de cinemática con datos realistas y solución paso a paso.
Explica la energía cinética con una analogía sencilla y un ejemplo numérico.
Diseña una práctica de laboratorio escolar para estudiar la caída libre.

En biología:

Crea una actividad comparativa entre mitosis y meiosis con tabla, esquema y preguntas finales.
Resume el proceso de traducción genética con lenguaje adaptado a 1º de bachillerato.

Existen numerosas webs de prompts también llamadas bancos de prompting donde pueden encontrarse toda clase de ejemplos e incluso hacer compra venta

Por ejemplo

https://prompts.chat/

 

Ejemplos elaborados por asignaturas

Biología

Actúa como profesora de biología de 4º de ESO. Prepara una secuencia breve sobre la fotosíntesis que incluya: una explicación inicial con lenguaje claro, una comparación con la respiración celular, un esquema textual paso a paso, dos preguntas de comprensión y una actividad final en la que el alumnado tenga que explicar por qué la luz influye en el crecimiento de las plantas.

Física

Actúa como profesor de física de bachillerato. Diseña una actividad sobre la segunda ley de Newton con esta estructura: introducción conceptual, un ejemplo resuelto con masa y aceleración, otro ejemplo en el que haya que despejar la aceleración, tres problemas propuestos y una pequeña simulación conceptual en la que expliques qué ocurre si la fuerza se mantiene constante pero la masa del objeto se duplica.

Matemáticas

Actúa como profesor de matemáticas de 3º de ESO. Explica las ecuaciones de primer grado con una metáfora sencilla, resuelve dos ejemplos paso a paso, genera cuatro ejercicios graduados en dificultad y termina con una sección de errores frecuentes que suelen cometer los alumnos al despejar incógnitas.

Química

Actúa como profesora de química de 1º de bachillerato. Explica la diferencia entre mol, masa molar y número de Avogadro con una analogía fácil de entender. Después resuelve dos problemas de conversión entre gramos, moles y moléculas, y finalmente crea tres ejercicios de práctica con solución al final.

Prompts para simulaciones

Los modelos también pueden utilizarse para crear simulaciones conceptuales que ayuden a comprender procesos dinámicos.

Simulación en biología

Simula la evolución de una población de bacterias en un medio con abundantes nutrientes durante cinco generaciones. Describe qué ocurre con el tamaño de la población y explica después qué cambiaría si se introduce un antibiótico a partir de la tercera generación.

Simulación en física

Simula el movimiento de un coche que parte del reposo y acelera uniformemente a 3 m/s² durante 8 segundos. Muestra cómo evolucionan la velocidad y la distancia recorrida en cada segundo y explica el patrón observado.

Simulación en matemáticas

Simula cómo cambia el área de un círculo cuando el radio aumenta de 1 a 6 cm. Presenta los valores en una tabla y explica qué relación matemática se observa entre radio y área.

Simulación en química

Simula una neutralización entre ácido clorhídrico e hidróxido de sodio en un laboratorio escolar. Explica qué ocurre antes de mezclar, durante la reacción y al final, tanto a nivel observable como a nivel de partículas.

Conclusión

La ingeniería del prompting no consiste únicamente en “preguntar bien”, sino en diseñar interacciones eficaces con la IA para obtener materiales didácticos útiles, rigurosos y adaptados al contexto educativo. En el caso de las asignaturas científicas, su potencial es especialmente alto porque permite generar explicaciones claras, actividades graduadas, problemas resueltos, simulaciones conceptuales y recursos de evaluación.

Técnicas como el zero-shot, el few-shot o multi-shot, el Chain of Thought, los meta prompts, el prompt inverso, los chats personalizados, los guardarraíles y los bancos de prompts ofrecen al profesorado un repertorio muy amplio para trabajar con modelos de lenguaje de forma sistemática y provechosa.

Entre todas ellas, el prompt inverso destaca por su utilidad práctica en educación, ya que permite partir de una actividad o contenido ya conseguido para deducir la instrucción que hará posible generar materiales equivalentes. Eso facilita reutilizar estilos, mantener coherencia metodológica y convertir buenos ejemplos en plantillas estables.

En definitiva, dominar estas técnicas permite al profesorado de biología, física, matemáticas y química transformar un modelo de lenguaje en un verdadero asistente pedagógico avanzado, capaz de apoyar la preparación de clases, la creación de materiales y la adaptación de contenidos a distintas necesidades del alumnado.

Retrieval Augmented Generation RAG

Retrieval Augmented Generation (RAG) es una técnica que permite mejorar las respuestas de los modelos de lenguaje conectándolos con fuentes de información externas. En lugar de depender únicamente del conocimiento con el que fue entrenado el modelo, el sistema busca información relevante en una base de datos o en documentos propios y la utiliza para generar la respuesta.

En educación, esta técnica resulta especialmente interesante porque permite crear asistentes que trabajan con materiales del propio centro educativo, como apuntes, libros, documentos PDF, artículos científicos, guías de laboratorio o incluso ejercicios elaborados por el profesorado.

Para docentes de áreas científicas como biología, física, matemáticas o química, RAG permite construir sistemas que respondan preguntas basándose en contenidos específicos de la asignatura o incluso en el temario concreto de una materia.

---

Los modelos de lenguaje tienen algunas limitaciones importantes:

• su conocimiento puede estar desactualizado

• pueden inventar información (alucinaciones)

• no conocen documentos privados o materiales propios

• no pueden consultar información externa si no se les proporciona

RAG soluciona esto añadiendo una capa de recuperación de información antes de generar la respuesta.

El proceso general es el siguiente:

1. El usuario hace una pregunta

2. El sistema busca información relevante en una base de datos de documentos

3. Esa información se añade al prompt

4. El modelo genera la respuesta usando esos datos

De esta forma, el modelo responde basándose en información concreta y verificable.

Ventajas de RAG

El uso de sistemas de Retrieval-Augmented Generation (RAG) ofrece múltiples ventajas en entornos educativos porque combina la capacidad de generación de los modelos de lenguaje con la consulta de información real procedente de documentos o bases de conocimiento. Al integrar datos externos durante la respuesta, el sistema puede proporcionar información más precisa y contextualizada.

Permite trabajar con contenidos propios

Un sistema RAG puede conectarse con materiales educativos concretos y responder utilizando información procedente de los recursos del curso. Por ejemplo, puede consultar apuntes del profesor, documentos del aula virtual, prácticas de laboratorio o capítulos del libro de texto. De esta forma, el asistente responde basándose en el material real de la asignatura y no solo en el conocimiento general del modelo. Además, RAG permite integrar conocimiento específico de un dominio o institución, lo que hace que las respuestas sean más relevantes para el contexto educativo.

Reduce las alucinaciones

Los modelos de lenguaje pueden generar respuestas plausibles pero incorrectas. Los sistemas RAG reducen este problema porque el modelo genera la respuesta utilizando documentos recuperados como contexto, lo que “ancla” la respuesta en información verificable. 
Esto mejora la precisión y la fiabilidad de las respuestas, algo especialmente importante en ámbitos educativos donde la exactitud de la información es fundamental.

Facilita el aprendizaje autónomo

Un asistente basado en RAG permite a los estudiantes consultar el contenido del curso de forma interactiva. El sistema puede responder preguntas sobre el temario utilizando directamente los materiales de clase. Por ejemplo, un estudiante podría preguntar:
“¿Qué diferencia hay entre mitosis y meiosis según los apuntes de la asignatura?”
Al apoyarse en los documentos del curso, el sistema puede ofrecer explicaciones más contextualizadas y coherentes con lo que el profesorado ha enseñado.

Permite crear asistentes especializados

Los sistemas RAG permiten construir asistentes educativos especializados en distintas áreas del conocimiento. Al conectarlos con documentos específicos de cada materia, pueden actuar como tutores o asistentes académicos. Por ejemplo, un sistema RAG puede convertirse en:

• tutor de física que responde dudas sobre los ejercicios del curso

• asistente de laboratorio de química que explica procedimientos experimentales

• consultor de genética que utiliza artículos y apuntes de biología

• ayudante para resolver problemas matemáticos basados en el material de clase

Mejora la transparencia y la confianza en las respuestas

Otra ventaja importante es que muchos sistemas RAG pueden mostrar las fuentes utilizadas para generar la respuesta. Esto permite que los estudiantes revisen los documentos originales y verifiquen la información, lo que aumenta la confianza en el sistema y fomenta el aprendizaje crítico.

En conjunto, los sistemas RAG permiten transformar los modelos de lenguaje en asistentes educativos basados en conocimiento real del curso, reduciendo errores, facilitando el aprendizaje autónomo y permitiendo crear herramientas de apoyo especializadas para distintas materias.

Conclusión

El Retrieval Augmented Generation (RAG) representa una de las aplicaciones más útiles de los modelos de lenguaje en educación. Al conectar el modelo con documentos reales, se consigue un sistema capaz de responder preguntas basándose en contenidos específicos, actualizados y verificables.

Para docentes de biología, física, matemáticas y química, esta técnica permite crear asistentes educativos que trabajan con el propio temario del curso, reducen errores, mejoran la precisión de las respuestas y fomentan el aprendizaje autónomo del alumnado.

En lugar de depender únicamente del conocimiento general de un modelo de IA, RAG permite construir sistemas educativos personalizados, adaptados al contenido, al nivel y a las necesidades de cada asignatura. De este modo, los modelos de lenguaje dejan de ser simples chatbots genéricos y se convierten en herramientas didácticas especializadas capaces de apoyar de forma efectiva la enseñanza científica.