Optimización de Prompts con DSPy 2026: MIPROv2, GEPA y Evals Reales

Escribiste un prompt que funciona perfecto en el notebook y se derrumba en producción: sube una versión del modelo, llega un caso extremo de un cliente y tu cuidada cadena de instrucciones pierde precisión sin que sepas por qué. Si en 2026 estás malabareando plantillas frágiles entre RAG, clasificación y código de agentes, reajustando “a ojo” cada vez que cambia un modelo, esta guía es para ti. La optimización de prompts con DSPy reemplaza las suposiciones por programas compilados y evals medibles, para que puedas demostrar con números cuándo un prompt es mejor que otro y hacerlo portable entre modelos.

Está pensada para desarrolladores que ya programan en Python con soltura y han llamado a una API de LLM alguna vez: sabes qué es un prompt y un token, y has construido o quieres construir RAG o un pequeño agente. No es una introducción a Python, a la teoría de machine learning ni a los fundamentos de los LLM, y no depende de un solo proveedor de modelos. Con honestidad: DSPy no inventa una buena evaluación por ti ni juzga calidad subjetiva; tu eval set y el diseño de tus métricas siguen siendo trabajo humano indispensable.

Lo Que Cubre Esta Guía

• Cuándo conviene programar prompts en lugar de ajustarlos manualmente y qué ganas al hacerlo
• El modelo mental y la configuración para llegar a tu primer programa compilado sin fricción
• Declarar intención con signatures para que la tarea del LLM sea explícita e intercambiable
• Componer módulos como Predict, ChainOfThought y lógica propia en programas reales
• Construir pipelines RAG y agentes ReAct con retrieval que luego optimizas como una unidad
• Diseñar eval sets y métricas personalizadas, la base de la que todo lo demás depende
• Usar BootstrapFewShot para autogenerar demostraciones en vez de escribir ejemplos a mano
• Ejecutar MIPROv2 para optimizar instrucciones y few-shot de forma conjunta y configurarlo con criterio
• Aplicar la evolución reflexiva de prompts de GEPA a las tareas más difíciles
• Destilación teacher-student para reducir costo de tokens y latencia sin perder precisión
• Leer números reales de antes y después en RAG y clasificación para saber qué significa “mejor”
• Elegir el optimizador correcto según tarea, tamaño de datos y presupuesto, con una heurística de decisión
• Llevar a producción con caching, guardado de programas compilados y observabilidad con MLflow

Entrega: acceso instantáneo en línea justo después de la compra. La guía completa es tuya en el momento en que la adquieres.