Prompt de ingeniería: entre el arte y la especificación técnica

A menudo pensamos en los prompts para modelos de IA como simples descripciones o instrucciones breves. Sin embargo, al analizar un caso reciente con Qwen Image 2.1, descubrimos que la realidad es muy diferente. Lo que estábamos utilizando no era una descripción artística convencional, sino una especificación de producción fotográfica. Al descomponer el resultado y el proceso, queda claro que estamos gestionando múltiples capas a la vez: identidad del sujeto, vestuario específico, escenario completo, iluminación, continuidad entre paneles, composición y acción física.

Lo más revelador de este análisis es comprender por qué un prompt tan extenso funciona. La parte interesante es que el modelo probablemente no necesita que repitamos la información establecida una y otra vez, como describir el vestuario o el escenario en cada sección. En su lugar, lo que hace funcionar a estos prompts es una estructura lógica rigurosa.

Están dividiendo dos conceptos fundamentales: primero, el prompt es excesivamente detallado para «generar una imagen» estándar; segundo, es tan extenso porque está generando esta imagen concreta con un requisito de storyboard de nueve paneles. Esto ya no es un prompt convencional, es casi un guion técnico comprimido en lenguaje natural.

Aquí hay algo que el modelo hace muy inteligente: define relaciones físicas verificables. En lugar de confiar en que entienda una acción compleja de manera abstracta, le estamos diciendo exactamente qué objeto toca qué cosa. Frases como «phone lies flat across her right thigh» o «coffee cup stands upright in actual contact with… her right shoe» proporcionan al modelo una geometría narrativa. Esto es mucho más útil que adornar el texto con adjetivos subjetivos.

Además, el prompt adopta un enfoque casi divertido que recuerda a los documentos de QA de software: «Exactly nine panels», «Each prop appearing only once», y prohibiciones explícitas contra objetos duplicados o manos fantasma. Esto tiene sentido en la generación de imágenes complejas porque anticipamos las formas en que el modelo puede «hacer trampa».

Finalmente, exploramos una dinámica fascinante entre las imágenes de referencia y las instrucciones textuales. Aunque se proporcionó una imagen de referencia para la mujer, el prompt incluía instrucciones explícitas para su vestuario. El resultado fue que el texto ganó sobre la referencia visual en cuanto a la ropa. Esto demuestra que podemos utilizar un sistema donde la imagen define quién es, mientras que el texto define dónde está y qué lleva puesto.

Este experimento nos permite ser mucho más precisos: si queremos proteger una característica de la referencia, convertimos esas características en instrucciones explícitas. Si queremos cambiar algo, escribimos una orden de sustitución clara. Es un recordatorio valioso de que el prompt parece una locura porque está compensando la enorme cantidad de cosas que le estamos pidiendo resolver de una sola vez.