La ingeniería de prompts es uno de los roles de más rápido crecimiento en tecnología. Lo que comenzó como una habilidad informal, el arte de obtener resultados útiles de los grandes modelos de lenguaje, se ha convertido en una trayectoria profesional dedicada con salarios que oscilan entre £60,000 y más de £200,000 en las principales empresas de IA. La demanda de habilidades de ingeniería de prompts ha aumentado, con un rápido crecimiento de las ofertas de empleo para este rol en las principales plataformas desde 2023, y ahora el puesto aparece en industrias que van desde finanzas y atención médica hasta comercio electrónico y tecnología legal.
El desafío para los candidatos es que este sigue siendo un campo relativamente nuevo sin una plantilla de currículum establecida. La mayoría de los currículums de ingeniero de prompts que reviso caen en una de dos trampas: o parecen una lista genérica de herramientas de IA ("experto en ChatGPT, Claude y Gemini") o entierran un trabajo sistemático genuinamente impresionante bajo descripciones vagas. Ninguno de los enfoques sobrevive al escaneo de 7 segundos que la mayoría de los reclutadores dedican a su solicitud.
Esta guía le muestra cómo escribir un currículum de ingeniero de prompts que demuestre un impacto real y medible. Repasaré un ejemplo completo de currículum, plantillas de resumen para diferentes antecedentes, más de 10 fórmulas de viñetas de experiencia, las habilidades técnicas que realmente importan y cómo posicionarse, ya sea que provenga de ingeniería de software, redacción, ciencia de datos o investigación UX.
Qué Buscan los Gerentes de Contratación en un Ingeniero de Prompts
Antes de escribir cualquier cosa, debe comprender qué distingue a la ingeniería de prompts de otros roles adyacentes a la IA. Habiendo ayudado a candidatos a elaborar currículums técnicos a través de JobSprout y revisado los patrones de contratación en docenas de equipos de IA, he visto cuatro temas consistentes que separan a los candidatos fuertes de ingeniería de prompts del resto.
1. Comprensión del PNL y el Comportamiento del Modelo
Los gerentes de contratación quieren ver que usted comprende cómo funcionan realmente los modelos de lenguaje, no solo cómo usarlos. Esto significa demostrar familiaridad con la tokenización, los mecanismos de atención, las ventanas de contexto, los parámetros de temperatura y muestreo, y cómo las diferentes arquitecturas de modelos producen diferentes resultados. No necesita un doctorado en aprendizaje automático, pero sí necesita demostrar que sus decisiones de diseño de prompts se basan en una comprensión del comportamiento del modelo en lugar de prueba y error.
2. Metodología de Evaluación Sistemática
La diferencia entre un aficionado y un ingeniero de prompts profesional es la evaluación. Las empresas quieren candidatos que puedan construir marcos de evaluación repetibles, definir métricas de calidad, ejecutar pruebas A/B en variantes de prompts y cuantificar mejoras. Si su currículum no puede señalar metodologías de evaluación específicas que haya utilizado, se leerá como "jugué con ChatGPT" en lugar de "diseñé prompts de grado de producción".
3. Experiencia en el Dominio y Contexto Empresarial
La ingeniería de prompts no existe en el vacío. Los ingenieros de prompts más valiosos aportan un conocimiento profundo de un dominio específico: análisis de documentos legales, triaje médico, modelado financiero, automatización de soporte al cliente o generación de contenido a escala. Su currículum debe dejar claro qué problemas resuelve y para quién, no solo qué modelos ha utilizado.
4. Colaboración y Comunicación
Los ingenieros de prompts se encuentran en la intersección de la ingeniería, el producto y la experiencia en el dominio. Trabajará con ingenieros de software en la integración, gerentes de producto en los requisitos y expertos en la materia en la calidad. Su currículum debe mostrar que puede traducir entre partes interesadas técnicas y no técnicas, documentar su trabajo claramente y operar dentro de equipos multifuncionales.
Ejemplo Real: Currículum de Ingeniero de Prompts
Aquí tiene un currículum real de ingeniero de prompts que muestra cómo demostrar el impacto de la IA/ML.
Qué Hace que Este Currículum Funcione
El currículum de Ethan comienza con mejoras medibles del modelo. En Anthropic, "mejoró la calidad de respuesta del modelo Claude en un 30% para aplicaciones críticas de cara al usuario" y "redujo las tasas de alucinación en un 25% en múltiples dominios complejos". Estas son las métricas exactas por las que contratan las empresas de IA: calidad de salida, seguridad y fiabilidad.
La sección de habilidades está organizada en tres categorías altamente específicas: Ingeniería de Prompts (diseño de prompts, aprendizaje few-shot/zero-shot, chain-of-thought, RAG, defensa contra inyección de prompts), Programación y Herramientas (Python, PyTorch, TensorFlow, Hugging Face) y Conceptos de IA/ML (LLMs, NLP, fine-tuning, RLHF). Este nivel de especificidad indica una experiencia profunda, no una familiaridad superficial.
Su educación es una base sólida: MS en Ciencias de la Computación de Stanford con una especialización en IA y PNL, además de investigación publicada sobre técnicas de prompt-tuning. Para roles de ingeniería de prompts, esta profundidad académica combinada con experiencia en producción en Anthropic es una combinación convincente.
Desglose Sección por Sección
Experiencia
Su rol en Anthropic demuestra un trabajo de prompts de grado de producción:
ANTHROPIC (Ingeniero Senior de Prompts, Actual)
- Lideró iniciativas de optimización de prompts, mejorando la calidad de respuesta
del modelo Claude en un 30% para aplicaciones críticas de cara al usuario.
- Desarrolló marcos de pruebas A/B para variaciones de prompts,
aumentando las métricas de participación del usuario en un 15% en características clave.
- Colaboró con ingenieros de ML para ajustar modelos de IA generativa,
reduciendo las tasas de alucinación en un 25%.
- Diseñó defensas contra la inyección de prompts, asegurando modelos propietarios
contra el 90% de los ataques adversarios identificados.Cada viñeta conecta una técnica de ingeniería de prompts con un resultado de producto medible.
Habilidades
Tres categorías: Ingeniería de Prompts (diseño, few-shot, zero-shot, chain-of-thought, RAG, defensa contra inyección), Programación (Python, PyTorch, TensorFlow, Hugging Face, Jupyter, Git) y Conceptos de IA/ML (LLMs, NLP, fine-tuning, RLHF, evaluación de modelos).
Si desea utilizar esto como punto de partida, haga clic en "Remix with AI" en la plantilla anterior.
Ejemplos de Resumen Profesional
Su resumen es lo primero que lee un reclutador después de su nombre. Debe establecer su nivel de experiencia, su enfoque específico dentro de la ingeniería de prompts y al menos un logro cuantificable. Aquí hay tres ejemplos para diferentes antecedentes.
1. Cambio de Carrera desde Ingeniería de Software
Ingeniero de prompts con 2 años de experiencia dedicada en LLM y 5 años de experiencia previa en ingeniería de software en Python y PNL. Diseñó sistemas de prompts de producción que manejan más de 1.5M de llamadas API diarias para un motor de personalización de comercio electrónico. Construyó pipelines de evaluación automatizadas que redujeron los incidentes de regresión de prompts en un 73%. Sólida base en arquitectura de software, metodología de pruebas y flujos de trabajo de implementación.
Este resumen funciona porque une la experiencia en ingeniería del candidato con su enfoque en la ingeniería de prompts. La experiencia en ingeniería de software se enmarca como un activo, no como una carrera separada.
2. Ingeniero de Prompts Dedicado
Ingeniero de prompts especializado en gestión del conocimiento empresarial y arquitecturas RAG. Construyó y mantuvo bibliotecas de prompts que sirven a más de 40 equipos internos en una empresa de servicios financieros de Fortune 500. Desarrolló marcos de evaluación personalizados que combinan métricas automatizadas y revisión humana, mejorando la precisión de la salida del 76% al 94% en 8 meses. Experimentado en colaboración multifuncional con equipos legales, de cumplimiento y de producto.
Este ejemplo destaca la experiencia en el dominio (servicios financieros), la escala (Fortune 500, más de 40 equipos) y una clara trayectoria de mejora con números.
3. Investigador de IA en Transición a la Industria
Investigador de IA en transición a la ingeniería de prompts aplicada con 3 publicaciones sobre aprendizaje en contexto y metodología de evaluación de LLM. Desarrolló nuevas técnicas de prompting few-shot que mejoraron el rendimiento de la línea base zero-shot en un 28% en 6 benchmarks de PNL. Experimentado en la construcción de conjuntos de datos de evaluación, el diseño de protocolos de anotación humana y la realización de estudios de ablación sistemáticos. Busca aplicar la experiencia en investigación a sistemas LLM de producción.
Para los investigadores, el resumen enfatiza las publicaciones y la metodología, al tiempo que señala una clara intención de pasar al trabajo aplicado. La frase "busca aplicar la experiencia en investigación a sistemas LLM de producción" le dice al gerente de contratación exactamente lo que necesita escuchar.
Ejemplos de Viñetas de Experiencia
La sección de experiencia es donde la mayoría de los currículums de ingeniero de prompts se desmoronan. Los candidatos describen su trabajo en términos vagos ("optimizó prompts para obtener mejores resultados") o enumeran herramientas sin contexto ("usó LangChain y la API de OpenAI"). Cada viñeta debe seguir esta fórmula: lo que hizo + el contexto o la escala + el resultado medible.
Aquí hay 12 viñetas que cubren las áreas clave que los gerentes de contratación evalúan, cada una con una versión débil y una fuerte.
Desarrollo de Biblioteca de Prompts
Débil: Desarrolló prompts para el chatbot de la empresa.
Fuerte: Diseñó y mantuvo una biblioteca de más de 150 prompts que impulsan un chatbot de soporte al cliente empresarial que maneja 1.8M de conversaciones mensuales, con una puntuación de satisfacción del usuario del 92% en resoluciones asistidas por IA.
Evaluación y Selección de Modelos
Débil: Probó diferentes modelos de IA para encontrar el mejor.
Fuerte: Lideró un programa de evaluación de 6 semanas comparando GPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro en 4,000 casos de prueba para un caso de uso de resumen de documentos legales, recomendando finalmente Claude 3.5 Sonnet basándose en una mejora del 23% en las puntuaciones de fidelidad y un 40% menos de costos de inferencia.
Reducción de Alucinaciones
Débil: Trabajó en la reducción de alucinaciones de IA.
Fuerte: Desarrolló una arquitectura de prompting de verificación de múltiples etapas que redujo las tasas de alucinación del 15% al 4.2% en consultas factuales de clientes, validada en un conjunto de pruebas de 10,000 ejemplos con monitoreo de regresión semanal.
Pruebas A/B y Optimización
Débil: Ejecutó pruebas A/B en prompts.
Fuerte: Diseñó y ejecutó un programa de pruebas A/B de 12 variantes para la generación de descripciones de productos, identificando un enfoque de chain-of-thought que mejoró las puntuaciones de calidad relevantes para la conversión en un 31% mientras reducía el uso de tokens en un 18%.
Implementación de RAG
Débil: Implementó RAG para la base de conocimientos.
Fuerte: Construyó un pipeline de generación aumentada por recuperación (RAG) que integra más de 50,000 documentos internos, utilizando búsqueda híbrida (BM25 + embeddings densos) y re-ranking basado en prompts que mejoró la precisión de las respuestas del 67% al 91% en consultas específicas del dominio.
Optimización de Costos
Débil: Redujo los costos de IA para el equipo.
Fuerte: Redujo los costos mensuales de inferencia de LLM en un 58% (ahorro de £45K/mes) mediante compresión de prompts, enrutamiento estratégico de modelos entre GPT-4 y GPT-3.5 Turbo, y almacenamiento en caché de pares prompt-respuesta solicitados con frecuencia.
Fine-Tuning y Personalización
Débil: Ajustó modelos para un mejor rendimiento.
Fuerte: Lideró el fine-tuning de Llama 3 70B usando LoRA en un conjunto de datos curado de 12,000 ejemplos específicos del dominio, logrando paridad con GPT-4 en benchmarks internos con un 75% menos de costo de inferencia, lo que permitió una implementación totalmente on-premise para datos financieros sensibles.
Desarrollo de Marco de Evaluación
Débil: Creó métricas de evaluación para prompts.
Fuerte: Construyó un marco de evaluación de prompts automatizado que combina ROUGE-L, BERTScore y métricas de fidelidad personalizadas con calibración de evaluación humana, procesando más de 5,000 casos de prueba cada noche y alimentando los resultados a un panel de Weights & Biases utilizado por 3 equipos de ingeniería.
Mejora de la Calidad de la Salida
Débil: Mejoró la calidad de las salidas de IA.
Fuerte: Rediseñó la arquitectura de prompts de generación de contenido utilizando esquemas de salida estructurados y técnicas de autoconsistencia, mejorando la tasa de aceptación del equipo editorial del 34% al 78% y reduciendo los ciclos de revisión promedio de 4.2 a 1.3 por pieza.
Colaboración Interfuncional
Débil: Trabajó con diferentes equipos en proyectos de IA.
Fuerte: Se asoció con asesores legales y oficiales de cumplimiento para desarrollar un sistema de prompts de barrera regulatoria para salidas de asesoramiento financiero, logrando un cumplimiento del 99.7% con las directrices de la FCA en más de 50,000 respuestas generadas mensualmente.
Documentación y Estándares de Prompts
Débil: Documentó prompts para el equipo.
Fuerte: Estableció la primera guía de estilo de ingeniería de prompts y flujo de trabajo de control de versiones de la organización, adoptada por más de 25 ingenieros en 4 equipos de producto, reduciendo los incidentes de producción relacionados con prompts en un 62% en el primer trimestre.
Ingeniería de Prompts Multilingüe
Débil: Creó prompts que funcionan en varios idiomas.
Fuerte: Diseñó plantillas de prompts multilingües que soportan 12 idiomas para una plataforma global de soporte al cliente, logrando una paridad de calidad dentro del 5% con las salidas en inglés, medida por paneles de evaluación de hablantes nativos en 3,600 casos de prueba.
Para obtener más orientación sobre cómo escribir viñetas orientadas al impacto, consulte la guía de verbos de acción para currículum.
Desglose de Habilidades Técnicas
La sección de habilidades de un currículum de ingeniero de prompts debe ser específica y bien organizada. Enumerar "IA" o "aprendizaje automático" como una habilidad no le dice nada a un gerente de contratación. Aquí hay un desglose completo de las habilidades técnicas que importan, organizadas por categoría.
Técnicas de IA y ML
| Habilidad | Lo que Demuestra | Prioridad |
|---|---|---|
| Ingeniería de prompts (zero-shot, few-shot, chain-of-thought) | Competencia central | Esencial |
| Generación aumentada por recuperación (RAG) | Conocimiento de arquitectura de producción | Esencial |
| Evaluación y benchmarking de LLM | Capacidad de garantía de calidad | Esencial |
| Fine-tuning (LoRA, QLoRA, full fine-tune) | Profundidad de personalización del modelo | Alta |
| RLHF / optimización de preferencias | Conocimiento avanzado de alineación | Media |
| Modelos de embedding y búsqueda vectorial | Comprensión de la infraestructura RAG | Alta |
| Flujos de trabajo de agentes y uso de herramientas | Patrones de arquitectura emergentes | Alta |
| Compresión y optimización de prompts | Conciencia de costos y eficiencia | Media |
Métricas de Evaluación
| Métrica | Caso de Uso | Cuándo Incluir |
|---|---|---|
| ROUGE (ROUGE-1, ROUGE-L) | Calidad de resumen | Si ha construido sistemas de resumen |
| BLEU | Traducción y generación estructurada | Si ha trabajado en salidas multilingües o de plantilla |
| BERTScore | Evaluación de similitud semántica | Si ha construido pipelines de evaluación |
| Métricas de fidelidad / fundamentación | Detección de alucinaciones | Siempre incluya si ha medido esto |
| Marcos de evaluación humana | Calibración de calidad | Si ha diseñado protocolos de anotación |
| Perplejidad | Evaluación de la calidad del modelo | Si ha realizado trabajos de comparación de modelos |
| Pass@k | Evaluación de generación de código | Si ha trabajado en asistentes de codificación |
Programación y Frameworks
| Herramienta / Lenguaje | Contexto | Prioridad |
|---|---|---|
| Python | Lenguaje principal para el trabajo con LLM | Esencial |
| LangChain | Encadenamiento de prompts y frameworks de agentes | Alta |
| LlamaIndex | RAG e indexación de datos | Alta |
| TypeScript / JavaScript | Integración de API y herramientas web | Media |
| SQL | Extracción de datos para conjuntos de datos de evaluación | Media |
| Semantic Kernel | Integración del ecosistema de Microsoft | Situacional |
| Haystack | Framework RAG de código abierto | Situacional |
Plataformas y Herramientas
| Herramienta | Propósito | Prioridad |
|---|---|---|
| OpenAI API (GPT-4, GPT-4o) | Acceso principal al modelo | Esencial |
| Anthropic API (Claude) | Acceso a modelos alternativos | Alta |
| Google AI Studio / Vertex AI | Ecosistema de modelos de Google | Alta |
| Hugging Face (Hub, Transformers, Datasets) | Modelos y conjuntos de datos de código abierto | Alta |
| Weights & Biases | Seguimiento y evaluación de experimentos | Alta |
| AWS Bedrock / Azure OpenAI / GCP Vertex | Infraestructura de IA en la nube | Media |
| Pinecone / Weaviate / Chroma | Bases de datos vectoriales para RAG | Media |
| Herramientas de gestión de prompts (PromptLayer, Humanloop) | Control de versiones y monitoreo de prompts | Media |
Un error común es enumerar cada modelo que ha utilizado. Concéntrese en los modelos y herramientas que ha utilizado en producción o en contextos de proyectos serios, y agrúpelos lógicamente. Para una visión más amplia de cómo presentar habilidades técnicas de manera efectiva, consulte la guía de habilidades para currículum.
Construyendo su Currículum por Antecedentes
La ingeniería de prompts atrae a candidatos de diversos orígenes. La clave no es ocultar su carrera anterior, sino enmarcarla como una base que lo convierte en un ingeniero de prompts más fuerte. Aquí le mostramos cómo posicionarse según su origen.
Desde Ingeniería de Software
Los ingenieros de software tienen el camino de transición natural más fuerte hacia la ingeniería de prompts. Ya comprende las API, las pruebas, la implementación y el diseño de sistemas. La clave es redefinir su experiencia en ingeniería como directamente relevante.
Qué enfatizar:
- Metodología de pruebas que se traduce en evaluación de prompts (las pruebas unitarias se convierten en pruebas de regresión de prompts)
- Experiencia en diseño de API que se traduce en diseño de interfaz de prompts
- Experiencia en implementación de producción (CI/CD, monitoreo, alertas)
- Habilidades de Python y procesamiento de datos
- Experiencia con sistemas distribuidos y escalado
Ejemplo de resumen:
Ingeniero de prompts con 2 años de experiencia en LLM construida sobre 6 años de ingeniería de software backend. Diseñó pipelines de evaluación de prompts utilizando el mismo rigor de pruebas aplicado al software tradicional: suites de regresión automatizadas, entornos de staging para variantes de prompts y paneles de monitoreo que rastrean métricas de calidad en producción. Construyó sistemas que atienden más de 3M de llamadas API mensuales.
Reencuadre de experiencia:
Débil: Construyó API REST usando Python y Flask.
Fuerte: Desarrolló infraestructura de API que ahora sirve como columna vertebral para características impulsadas por LLM, incluyendo limitación de velocidad, almacenamiento en caché de respuestas y lógica de enrutamiento de modelos que maneja más de 2M de finalizaciones de prompts mensuales.
Para obtener más información sobre cómo posicionar su experiencia tecnológica, consulte la guía CV para aplicaciones tecnológicas.
Desde Redacción de Contenido o Copywriting
Los profesionales del contenido aportan una ventaja subestimada a la ingeniería de prompts: una profunda comprensión del lenguaje, el tono, la audiencia y cómo se ve una "buena salida". Muchos de los mejores ingenieros de prompts que he encontrado provienen de entornos editoriales.
Qué enfatizar:
- Comprensión de la audiencia, el tono y el registro
- Estándares de calidad editorial y guías de estilo
- Experiencia en la definición y mantenimiento de estándares de contenido a escala
- Experiencia en pruebas A/B con variantes de contenido
- Capacidad para evaluar la calidad de la salida más allá de la simple precisión
Ejemplo de resumen:
Ingeniero de prompts que combina 3 años de experiencia en LLM con 5 años como estratega de contenido senior. Se especializa en el diseño de prompts para sistemas de generación de contenido donde la calidad, el tono y la consistencia de la marca son críticos. Desarrolló arquitecturas de prompts que aumentaron las tasas de aceptación editorial del 28% al 74%, reduciendo los costos de producción de contenido en un 60% mientras mantenía la voz de la marca en 8 líneas de productos.
Reencuadre de experiencia:
Débil: Escribió publicaciones de blog y textos de marketing para una empresa SaaS.
Fuerte: Desarrolló marcos de calidad editorial y documentación de estilo que ahora se utilizan como criterios de evaluación para el contenido generado por IA, definiendo los puntos de referencia de calidad con los que se miden los esfuerzos de ingeniería de prompts en 4 verticales de contenido.
Desde Ciencia de Datos
Los científicos de datos aportan rigor estadístico, metodología de evaluación y experiencia en Python. La transición consiste en pasar de la construcción de modelos a la interacción con modelos y la optimización de la salida.
Qué enfatizar:
- Metodología de evaluación estadística
- Diseño de experimentos (pruebas A/B, pruebas de hipótesis)
- Experiencia en pipelines de datos y creación de conjuntos de datos
- Python, pandas y procesamiento de datos a escala
- Experiencia con tareas de PNL (clasificación, NER, sentimiento)
Ejemplo de resumen:
Ingeniero de prompts y ex científico de datos con experiencia en la evaluación sistemática de salidas de LLM. Construyó marcos de evaluación que combinan métricas automatizadas (ROUGE, BERTScore) con protocolos de evaluación humana estadísticamente rigurosos. Diseñó y curó conjuntos de datos de evaluación que suman más de 25,000 ejemplos anotados. Aporta 4 años de experiencia en ML de producción, incluyendo pipelines de PNL que procesan más de 1M de documentos diariamente.
Reencuadre de experiencia:
Débil: Construyó modelos de aprendizaje automático usando Python y scikit-learn.
Fuerte: Desarrolló pipelines de clasificación de PNL que procesan 800K documentos diariamente, proporcionando la experiencia fundamental en comprensión de texto que ahora se aplica al diseño y evaluación de sistemas de prompts de LLM para los mismos flujos de trabajo de análisis de documentos.
Desde Investigación UX
Los investigadores UX aportan un conjunto de habilidades sorprendentemente fuerte para la ingeniería de prompts: metodología de pruebas de usuario, evaluación cualitativa, diseño de conversaciones y una profunda empatía por la experiencia del usuario final.
Qué enfatizar:
- Metodología de pruebas de usuario e investigación cualitativa
- Experiencia en diseño de conversaciones y flujos de diálogo
- Capacidad para definir "bueno" desde la perspectiva del usuario
- Diseño de protocolos de anotación (similar a los protocolos de pruebas de usabilidad)
- Experiencia con diseño iterativo y pruebas A/B
Ejemplo de resumen:
Ingeniero de prompts con una base en investigación UX, especializado en IA conversacional y diseño de prompts para chatbots. Aplica la metodología de investigación de usuarios a la evaluación de prompts, incluyendo protocolos de "pensar en voz alta" adaptados para la evaluación de la salida de IA. Rediseñó la arquitectura de prompts de un chatbot de soporte al cliente basándose en más de 200 sesiones de pruebas de usuario, mejorando las tasas de finalización de tareas en un 43% y las puntuaciones de satisfacción del usuario en un 29%.
Reencuadre de experiencia:
Débil: Realizó investigación de usuarios para una aplicación móvil.
Fuerte: Diseñó y ejecutó protocolos de evaluación de usuarios para características asistidas por IA, incluyendo más de 150 sesiones de "pensar en voz alta" evaluando la calidad de la interacción del chatbot, informando directamente las decisiones de arquitectura de prompts que mejoraron las tasas de finalización de tareas en un 38%.
Portafolio y Muestra de Proyectos
La ingeniería de prompts es uno de esos campos donde un portafolio puede ser más valioso que las credenciales. Debido a que el rol es nuevo y los gerentes de contratación no pueden depender de programas de grado o trayectorias profesionales establecidas, el trabajo demostrable tiene un peso enorme.
Qué Incluir en su Portafolio
Marcos y herramientas de evaluación. Si ha construido algún tipo de sistema de evaluación automatizado, incluso uno simple, documéntelo a fondo. Muestre las métricas que eligió, por qué las eligió y cómo las validó contra el juicio humano. Las herramientas de código abierto son particularmente impresionantes.
Estudios de caso antes/después. Documente un proyecto de ingeniería de prompts desde la declaración del problema hasta el resultado medible. Incluya el prompt inicial, su proceso de iteración, la metodología de evaluación y las métricas finales. Redacte los detalles sensibles, pero mantenga la estructura y los números reales.
Contribuciones a benchmarks. Si ha creado o contribuido a conjuntos de datos o benchmarks de evaluación, resáltelo. El campo necesita desesperadamente buenos recursos de evaluación, y los candidatos que los crean demuestran tanto habilidad técnica como conciencia comunitaria.
Escritura técnica. Las publicaciones de blog, tutoriales o documentación sobre técnicas de ingeniería de prompts demuestran que puede comunicar ideas complejas claramente, lo cual es una parte fundamental del trabajo.
Cómo Presentar Proyectos en su Currículum
Mantenga las descripciones de los proyectos en su currículum breves y centradas en el impacto. Guarde los detalles para su sitio web de portafolio o GitHub. Cada entrada de proyecto debe seguir este formato:
Nombre del Proyecto (Código Abierto / Personal / Freelance)
- Una línea que describa lo que construyó y una línea que describa el impacto o la adopción, con números cuando sea posible.
Evite enumerar proyectos que sean simplemente "Usé ChatGPT para hacer X". El estándar es el trabajo sistemático y repetible que demuestra pensamiento de ingeniería.
GitHub como Portafolio
Para los ingenieros de prompts, un perfil de GitHub bien organizado puede sustituir años de experiencia "oficial". Considere mantener:
- Un kit de herramientas o biblioteca de evaluación de prompts
- Plantillas de prompts documentadas con control de versiones
- Conjuntos de datos de benchmark con pautas de anotación
- Implementaciones de RAG con resultados de evaluación
La clave es la calidad de la documentación. Un proyecto simple con excelente documentación y resultados de evaluación claros vale más que un proyecto complejo sin un README.
Certificaciones y Cursos
Las certificaciones en ingeniería de prompts aún están evolucionando, pero varias tienen un peso genuino para los gerentes de contratación. Aquí están las opciones más respetadas a partir de 2026.
Certificaciones de Alto Valor
| Certificación | Proveedor | Por qué es Importante |
|---|---|---|
| ChatGPT Prompt Engineering for Developers | DeepLearning.AI | Impartido por Andrew Ng e Isa Fulford; cubre principios sistemáticos de prompting |
| Generative AI with Large Language Models | Coursera (AWS) | Cubre el ciclo de vida completo de LLM, desde la arquitectura hasta la implementación |
| Prompt Engineering Certification | Anthropic | Directamente de un proveedor de modelos líder; cubre IA constitucional y seguridad |
| Building Systems with the ChatGPT API | DeepLearning.AI | Se centra en el diseño de sistemas de producción, no solo en la escritura de prompts |
| LangChain for LLM Application Development | DeepLearning.AI | Conocimiento práctico del framework para sistemas de prompts de producción |
| Google Cloud Generative AI Learning Path | Google Cloud | Amplia cobertura del ecosistema de IA de Google y mejores prácticas |
Certificaciones que Añaden Menos Valor
Evite enumerar certificados genéricos de "fundamentos de IA" o "introducción al aprendizaje automático" a menos que no tenga otras credenciales. Los gerentes de contratación para roles de ingeniería de prompts esperan conocimientos más allá del material introductorio. De manera similar, los certificados de plataformas no reconocidas o aquellos que simplemente requieren ver videos sin evaluación tienen poco peso.
Cómo Incluir Certificaciones
Coloque las certificaciones después de la educación, utilizando este formato:
CERTIFICACIONES
- Anthropic: Prompt Engineering Certification (2025)
- DeepLearning.AI: ChatGPT Prompt Engineering for Developers (2024)
- Coursera: Generative AI with Large Language Models (2024)Enumere las más recientes y relevantes primero. Si tiene más de cuatro o cinco, incluya solo aquellas directamente relevantes para la ingeniería de prompts. Puede enumerar certificaciones adicionales en su perfil de LinkedIn.
Errores Comunes en los Currículums de Ingeniero de Prompts
Después de revisar cientos de currículums relacionados con la IA, estos son los errores que veo con más frecuencia en las solicitudes de ingeniería de prompts.
1. Enumerar Herramientas de IA sin Contexto
Escribir "Experto en GPT-4, Claude, Gemini, LangChain y Hugging Face" es el equivalente en ingeniería de prompts a escribir "Experto en Microsoft Word". Todos los candidatos enumeran estas herramientas. Lo que lo diferencia es cómo las usó, a qué escala y con qué resultados.
Solución: Cada mención de herramienta debe estar vinculada a un resultado específico. "Usé LangChain para construir un pipeline RAG multi-agente que atiende 500K consultas mensuales con un 94% de precisión" es infinitamente mejor que "experiencia con LangChain".
2. Sin Métricas de Evaluación
Si su currículum no menciona cómo midió la calidad de los prompts, los gerentes de contratación asumirán que no la midió. Esta es la señal de alerta más grande en un currículum de ingeniería de prompts.
Solución: Incluya al menos una métrica de evaluación en cada entrada de experiencia. ROUGE, BLEU, BERTScore, precisión, tasa de fidelidad, puntuación de satisfacción del usuario, tasa de aceptación o incluso "revisión manual por expertos del dominio" es mejor que nada.
3. Confundir el Uso de Prompts con la Ingeniería de Prompts
Usar ChatGPT para redactar correos electrónicos no es ingeniería de prompts. Construir un sistema de prompts sistemático, evaluado y de grado de producción sí lo es. Muchos candidatos difuminan esta línea, y los gerentes de contratación lo detectan de inmediato.
Solución: Centre su currículum en el trabajo sistemático: marcos de evaluación, pipelines de pruebas, implementaciones de producción, control de versiones y mejoras medibles a lo largo del tiempo.
4. Ignorar el Impacto Empresarial
Las métricas técnicas son importantes, pero a los gerentes de contratación les importan en última instancia los resultados comerciales. ¿Su trabajo ahorró dinero? ¿Redujo el trabajo manual? ¿Aumentó las tasas de conversión? ¿Mejoró la satisfacción del cliente?
Solución: Conecte cada logro técnico con un resultado comercial. "Redujo las tasas de alucinación en un 34%" se convierte en "Redujo las tasas de alucinación en un 34%, eliminando la necesidad de 3 revisores manuales a tiempo completo y ahorrando £180K anualmente".
5. Sobrecargar con Palabras de Moda
Términos como "aprovechó IA de vanguardia" o "utilizó LLM de última generación" no añaden información. De hecho, dañan su credibilidad porque sugieren que está rellenando en lugar de demostrar experiencia real.
Solución: Reemplace cada palabra de moda con un detalle específico. En lugar de "técnicas de IA de vanguardia", escriba "prompting de chain-of-thought con verificación de autoconsistencia". Para obtener más información sobre cómo elegir un lenguaje impactante, consulte la guía de verbos de acción para currículum.
6. No Abordar la Seguridad y la Ética
La seguridad de la IA es cada vez más importante para los empleadores. Si tiene experiencia con el filtrado de contenido, las pruebas de sesgos, el cumplimiento normativo o las barreras de seguridad, asegúrese de que esté en su currículum.
Solución: Incluya al menos una viñeta sobre prácticas de IA responsables, ya sea evaluación de sesgos, pruebas de seguridad, marcos de cumplimiento o diseño de prompts de moderación de contenido.
7. Declaración de Resumen Genérica
"Entusiasta apasionado de la IA que busca aprovechar mis habilidades en un rol dinámico de ingeniería de prompts" no le dice nada al gerente de contratación sobre sus capacidades o nivel de experiencia.
Solución: Su resumen debe incluir años de experiencia relevante, su área de enfoque específica, al menos un logro cuantificado y el tipo de rol o dominio al que apunta. Consulte los ejemplos de resumen al principio de esta guía.
8. Sin Enlaces a Portafolio o Proyectos
En un campo tan nuevo, el trabajo demostrado importa más que las credenciales. Un currículum sin enlaces a un portafolio, GitHub o trabajo publicado está perdiendo una gran oportunidad.
Solución: Incluya enlaces a proyectos relevantes en su encabezado y dedique una sección de proyectos a su trabajo más impresionante. Incluso un proyecto bien documentado puede marcar una diferencia significativa.
Para una mirada más profunda a las habilidades relacionadas con la IA y cómo presentarlas, consulte la guía de habilidades de IA para currículum.
Juntándolo Todo
La ingeniería de prompts es un campo donde el currículum en sí mismo es, en cierto modo, una prueba de sus habilidades de comunicación. Si no puede presentar su propia experiencia de una manera clara, estructurada y convincente, los gerentes de contratación se preguntarán si puede diseñar prompts claros, estructurados y convincentes.
Concéntrese en tres cosas: especificidad (nombre los modelos, las métricas y la escala), evaluación (demuestre que mide y mejora sistemáticamente) e impacto (conecte todo con los resultados comerciales). Si su currículum demuestra esas tres cualidades de manera consistente, se destacará del aluvión de solicitudes de "sé cómo usar ChatGPT".
Herramientas como JobSprout pueden ayudarle a estructurar su experiencia y adaptar su currículum a descripciones de puestos de ingeniería de prompts específicas, asegurándose de que resalte las habilidades y logros más relevantes para cada solicitud. Pero la base debe ser un trabajo real y medible. Comience a construir sus marcos de evaluación, documente sus proyectos y cuantifique todo lo que pueda. El campo es lo suficientemente nuevo como para que un portafolio sólido y un currículum bien elaborado puedan abrir puertas, independientemente de su formación formal.
