Crear buenos prompts

Un prompt es la instrucción o solicitud que le escribimos a un modelo de lenguaje (LLM) para obtener una respuesta. Es el punto de partida de toda interacción con modelos de inteligencia artificial.

Cuando utilizas un agente, este actúa como intermediario: recibe tu prompt, lo procesa, puede añadir contexto adicional (como instrucciones de sistema, historial de conversación o acceso a tools), y lo envía al modelo LLM.

Un buen prompt marca la diferencia entre una respuesta útil y certera y una respuesta irrelevante, con errores o poco relevante. Aprender a crear prompts efectivos es una habilidad fundamental para aprovechar al máximo cualquier modelo de IA.

No olvides que un modelo de IA lo que hace es repetir patrones en base a la información que le pides. El prompt es una forma de delimitar lo que te interesa y eliminar lo que no te interesa. Todo prompt efectivo contiene partes que son fundamentales para conseguir buenas respuestas:

Instrucciones claras

Indica explícitamente qué quieres que haga el modelo. No asumas que el modelo "entiende" tu intención implícita. Usa lenguaje específico y evita palabras vagas como "algo", "bueno" o "mejor".

Contexto relevante

Proporciona la información de fondo que el modelo necesita para darte una respuesta precisa. No asumas que el modelo conoce tu proyecto o conversaciones anteriores. Además, realizar tareas específicas y menos complejas, requiere menos esfuerzo por parte del modelo, tiene un coste menos elevado y probablemente se acerque más a la solución que buscas.

Recuerda siempre definir el formato de la respuesta esperada: longitud, estructura, estilo, etc. Por ejemplo: "Responde en formato JSON", "Haz una lista con viñetas", o "En no más de 100 palabras".

Existen diferentes tipos de prompts según el objetivo. Conocerlos te ayudará a elegir el enfoque adecuado para cada situación.

• Instrucción: Una orden. Le dices al modelo que realice una tarea específica de forma directa. Ejemplo: "Resume el siguiente texto en 3 puntos clave" o "Traduce este párrafo al inglés manteniendo el tono formal".
• Completa el patrón: Los modelos de IA funcionan muy bien completando patrones. Proporcionas el inicio de algo y el modelo continuará de forma coherente/consistente. Por ejemplo, si le das una lista de entradas con su propio formato, el modelo completará el siguiente elemento siguiendo el mismo patrón. Esta técnica es muy útil para generación de datos, autocompletado y transformación de información.
• Plan: Muchos agentes (como OpenCode) utilizan la estrategia de «plan» para resolver dudas complejas. En lugar de pedir una respuesta directa, le pides al modelo que primero genere un plan paso a paso y luego lo ejecute. Por ejemplo: "Antes de responder, enumera los pasos que seguirías para analizar este problema. Luego, ejecuta cada paso.". Esto mejora la precisión en tareas que requieren razonamiento.
• Role-playing: Le asignas un rol o personalidad al modelo para que adopte una perspectiva específica. Por ejemplo: "Actúa como un ingeniero de software senior con 10 años de experiencia. Revisa mi código y sugiere mejoras.". Aunque en la mayoría de los modelos actuales esto ya no suele hacer falta, puede ayudar en algunos casos a eliminar la parte que no nos interesa y centrarnos en temáticas específicas.

El system prompt es un conjunto de instrucciones que definen el comportamiento general del agente. Algo así como un «prompt principal e inicial» que siempre se carga al arrancar el agente y que se respetarán durante toda la sesión del agente.

Normalmente lo establece el desarrollador o la plataforma, pero en muchos agentes puedes personalizarlo para adaptar el comportamiento a tus necesidades. Un buen system prompt incluye: el rol del asistente, reglas de comportamiento, contexto del dominio y formato de respuesta preferido.

Una vez domines las técnicas básicas que explicamos arriba, tenemos algunas un poco más avanzadas que podrán elevatar la calidad de tus prompts:

Few-shot learning (aprendizaje con ejemplos)

Proporciona ejemplos de la entrada y salida esperada antes de hacer tu solicitud real.

Chain of Thought (Cadena de pensamiento)

Pide al modelo que razone paso a paso antes de dar la respuesta final. La mayoría de los modelos actuales tienen capacidad de razonamiento (thinking, reasoning, chain of thought...), por lo que ya incorporan estas habilidades por defecto.

Esto hará que el modelo, antes de darte una respuesta, comience a razonar y mostrar su proceso de pensamiento, lo que puede mejorar considerablemente la precisión y la dirección de la respuesta final.

Prompt templates (plantillas)

Crea plantillas reutilizables para tareas frecuentes.

Recuerda siempre mantener contexto entre múltiples interacciones. Cuando trabajes en tareas complejas, divídelas en pasos y pide al modelo que confirme su comprensión antes de avanzar.

Evita estos errores frecuentes al crear prompts:

• Prompts demasiado largos: Incluir tanta información que el modelo se "pierde" en los detalles. Divide en pasos si es necesario, pero sé lo más directo posible.
• Expectativas poco realistas: Pedir cosas imposibles, excesivamente complejas, o querer hacer cosas al nivel de un modelo gigante con un modelo pequeño con la misma facilidad.
• Instrucciones contradictorias: Decir "sé breve" pero luego pedir "explica detalladamente". Revisa tu prompt antes de enviarlo.

Sigue estas prácticas para mejorar continuamente tus habilidades:

• Iteración y refinamiento: Tu primer prompt rara vez es perfecto. Analiza la respuesta y ajusta.
✅ 💡 Proceso de iteración
1. Escribe un prompt inicial
2. Analiza la respuesta
3. Identifica qué falta o qué sobra
4. Ajusta el prompt
5. Repite hasta obtener el resultado deseado
• Testea prompts: Prueba tus prompts con diferentes entradas para asegurar que funcionan de forma consistente.
• Documentación: Guarda los prompts que funcionan bien. Crea una biblioteca de plantillas para tareas frecuentes. Más adelante profundizaremos en esto.
• Entiende las limitaciones: Aunque el modelo no es lo más importante, cada modelo tiene fortalezas y debilidades. Podremos adaptar prompts a modelos específicos.