Cómo seguir el curso oficial de Prompt Engineering de Anthropic sin tener una API Key
Uno de los cursos más completos que existen para aprender a diseñar prompts de forma profesional es el “Prompt Engineering Interactive Tutorial” que Anthropic publica en abierto en GitHub. Es el mismo material que utilizan internamente para formar a sus propios equipos, y está pensado para ejecutarse como un notebook de Jupyter, celda a celda, usando la API de Claude con una clave personal.
El problema es evidente para cualquiera que quiera empezar rápido: hay que tener una API Key, instalar Python, configurar el entorno… y muchas personas simplemente no quieren (o no necesitan) pasar por todo eso solo para aprender a escribir mejores prompts.
En este vídeo te muestro una forma alternativa de hacer exactamente el mismo curso, sin ninguno de esos pasos previos.
El flujo de trabajo
En lugar de abrir Jupyter y ejecutar las celdas una a una, el proceso que sigo es este:
- Abro el notebook del curso directamente desde GitHub y localizo el código de la celda que toca en cada momento.
- Le paso ese código a Claude tal cual aparece en el notebook — por ejemplo, la función
get_completion()que envía un prompt a la API y devuelve la respuesta. - Claude, en lugar de simplemente explicarme el código, me construye una pequeña herramienta interactiva (lo que en la plataforma se llama un “artefacto”): un mini-panel con una caja de texto donde escribo el prompt y un botón de “Ejecutar” que llama de verdad a la API de Claude y me devuelve la respuesta real, en tiempo real.
El resultado es que consigo exactamente la misma experiencia de aprendizaje que tendría ejecutando el notebook original — probar prompts, ver cómo responde el modelo, iterar y mejorar — pero sin tener que gestionar ninguna clave de API, sin instalar Python, y desde cualquier dispositivo con navegador.
Una diferencia técnica a tener en cuenta
El notebook original de Anthropic está diseñado para usarse con Claude 3 Haiku a temperatura 0, un modelo pequeño y muy predecible, ideal para que los ejercicios del curso muestren claramente los fallos típicos que el prompt engineering corrige. En mi caso, la herramienta que Claude me construyó usa el modelo disponible en el entorno (Claude Sonnet 4.6), también a temperatura 0.
Esto tiene una consecuencia interesante para cualquiera que quiera replicar el proceso: al ser un modelo más capaz, es posible que en algunos ejercicios del curso Claude ya resuelva bien el problema a la primera, sin necesitar la técnica de prompting que el ejercicio pretende enseñarte. No es un problema — de hecho, es una buena oportunidad para entender la diferencia entre modelos y ver en qué casos las técnicas de prompt engineering siguen siendo imprescindibles y en cuáles el modelo ya las “compensa” por su cuenta.
Por qué esto importa para el equipo
Este flujo de trabajo no es solo una curiosidad técnica: es un ejemplo real de cómo se puede reducir la barrera de entrada a formación técnica avanzada. Cualquier persona del equipo de PLD Engineering, tenga o no experiencia con Python o con APIs, puede seguir este mismo curso de prompt engineering usando únicamente el chat de Claude, sin fricción técnica de por medio.
Es exactamente el tipo de caso práctico que quiero seguir documentando en este canal: no solo “qué es” el prompt engineering, sino cómo aprenderlo de la forma más accesible posible, con sesiones de trabajo reales, errores incluidos.
En los próximos vídeos seguiremos avanzando capítulo a capítulo por todo el curso, así que si te interesa el tema, este es un buen momento para suscribirte y no perderte los siguientes.
