Recursos

Herramientas, lecturas y materiales de apoyo

Recursos esenciales para el curso: herramientas de IA, lecturas recomendadas y material del caso de estudio
Autor/a

Heladia Salgado

Fecha de publicación

22 de junio de 2026

TipAsistente de Prompting Científico

GPT personalizado para este curso. Te guía por los siete componentes del prompt paso a paso. Requiere cuenta de ChatGPT (plan gratuito es suficiente).

  Abrir asistente     Cómo configurarlo


1 Herramientas del curso

Asistente de Prompting Científico

GPT personalizado para este curso. Te guía por los siete componentes del prompt paso a paso.

Úsalo en los Módulos 2–4 para diseñar prompts por fases. Recuerda: la Fase 5 (juicio científico) es tuya.

Abrir asistente →

Herramientas de IA conversacional

Para los ejercicios del curso puedes usar cualquiera de estas:

Documenta siempre: producto, versión y si usas chat web o API.


2 Lecturas esenciales

2.1 Prompting y LLMs

Sahoo et al. (2024)

A Systematic Survey of Prompt Engineering in Large Language Models

Revisión sistemática de técnicas de prompting: zero-shot, few-shot, chain-of-thought y variantes. Punto de entrada sólido para entender el campo.

arXiv:2402.07927 →

Schulhoff et al. (2024)

The Prompt Report: A Systematic Survey of Prompting Techniques

El catálogo más completo de técnicas de prompting hasta la fecha. Útil como referencia para el diseño de protocolos del Módulo 4.

arXiv:2406.06608 →

Wei et al. (2022)

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

El paper que formalizó el razonamiento paso a paso en LLMs. Relevante para entender cómo la estructura del prompt cambia el tipo de inferencia.

arXiv:2201.11903 →

Thirunavukarasu et al. (2023)

Large Language Models in MedicineNature Medicine

Analiza alcances y riesgos del uso de LLMs en biomedicina. Refuerza por qué la verificación humana es no negociable en ciencia.

Nature Medicine →

2.2 Fundamentos del modelo

Brown et al. (2020)

Language Models are Few-Shot Learners (GPT-3)

El paper que mostró que los LLMs pueden aprender tareas con pocos ejemplos en el prompt. Base conceptual del Módulo 1.

arXiv:2005.14165 →

Christiano et al. (2017)

Deep Reinforcement Learning from Human Feedback

El paper fundacional de RLHF. Explica por qué los modelos alineados tienden a la complacencia. Clave para el Módulo 1 — Sección 3.

arXiv:1706.03741 →


3 Recursos visuales

The Illustrated GPT-2

Jay Alammar. Explicación visual del funcionamiento interno de los transformers sin carga matemática. Complemento ideal para el Módulo 1.

jalammar.github.io →

Ecosistema de IA Generativa

Diagrama conceptual de los componentes del ecosistema IA generativa: modelos, productos y aplicaciones.

madsblog.net →


4 En español

Prompt Engineering Guide

DAIR.AI. Guía práctica de técnicas de prompting disponible en español. Incluye ejemplos aplicados y referencia de técnicas por tipo de tarea.

promptingguide.ai/es →

Manual de Buenas Prácticas en la Escritura de Prompts

Quintero-Barrent, López de Ramos & Esteves González (2025). Manual en español orientado a la escritura rigurosa de prompts.

ISBN 978-9962-8606-5-5


5 Material del caso MalT

Archivos del caso de estudio del Módulo 4 (E. coli — regulón de maltosa).

Artículo original

Schwartz & Beckwith (1982). Texto fuente del caso MalT usado en el protocolo multi-fase.

Notebook del caso MalT

Jupyter notebook con el protocolo completo de cinco fases aplicado al caso MalT.

Descargar notebook →

Volver arriba

Reutilización