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:

• 1️⃣ Recibe tu prompt
• 2️⃣ Lo procesa
• 3️⃣ Opcionalmente, puede añadir contexto adicional (instrucciones, historial, tools...)
• 4️⃣ Lo envía al modelo LLM

📌 Un buen prompt es la diferencia entre una respuesta útil y certera y una respuesta con errores o poco coherente. En muchos casos, cuando alguien dice «La IA se equivoca», en realidad lo que ha ocurrido es que no le ha dado el contexto apropiado o insuficiente información.

Aprender a crear prompts efectivos es una habilidad fundamental.

No olvides que un modelo de IA lo que hace es predecir texto 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:

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».

Haz un código algo así como para web.

Crea un endpoint REST en Express.js que reciba un email por POST, valide su formato y devuelva un JSON con el resultado.

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.

¿Cuál es la mejor solución?

Tengo una aplicación web en Node.js que necesita manejar 1000 peticiones concurrentes. ¿Cuál es la mejor solución de caché para este caso?

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».

Muchas veces, añadiendo ejemplos o muestras de cosas similares a las que quieres conseguir es una buena táctica de que el modelo detecte patrones y te encamines mejor a la solución.

Existen diferentes formas de escribir un prompt según tu objetivo. Ir aprendiendo diferentes formas te ayudará a elegir el enfoque adecuado en situaciones concretas:

• 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». Es la forma más habitual y directa.

• 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.». De esta forma, puedes revisar su planteamiento y corregirlo si algo no te gusta. Esto suele mejorar 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 respeta durante toda la sesión del agente.

Normalmente lo establece el desarrollador o la plataforma, pero en muchos casos puedes utilizar agentes que te permiten personalizarlo o usar modelos «abliterated» (ablation + obliterated = reseteados, sin normas) para adaptar el comportamiento a tus necesidades.

Un buen system prompt suele incluir:

• 1️⃣ El rol del asistente
• 2️⃣ Reglas de comportamiento
• 3️⃣ Contexto del dominio
• 4️⃣ Formato de respuesta preferido

Veamos un ejemplo de System Prompt:

Asistente técnico especializado en DevOps y cloud computing.

REGLAS:
- Responde en español
- Usa terminología técnica precisa
- Incluye ejemplos de código cuando sea relevante
- Si no estás seguro de algo, dilo explícitamente
- Si algo es potencialmente dañino, prioriza que sea reversible

CONTEXTO:
- El usuario utiliza AWS y Docker
- Nivel de experiencia: intermedio
- Proyecto: migración de monolito a microservicios

📌 Si quieres personalizar el comportamiento de tu agente, en la guía Skills e instrucciones explicamos cómo hacerlo con AGENTS.md y skills.

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

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

Clasifica el sentimiento de los siguientes textos:

Texto: "¡Me encanta este producto!" → Positivo
Texto: "El servicio fue terrible" → Negativo
Texto: "El paquete llegó a tiempo" → Neutro

Texto: "No volveré a comprar aquí jamás" → ?

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.

Resuelve este problema paso a paso, mostrando tu razonamiento:

Si un tren viaja a 120 km/h y otro a 80 km/h en dirección contraria, y están separados por 400 km, ¿cuánto tardarán en encontrarse?

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.

Crea plantillas reutilizables para tareas frecuentes.

[TAREA]: descripción de la tarea
[CONTEXTO]: información relevante
[FORMATO]: cómo quieres la respuesta
[LÍMITES]: restricciones o requisitos

Por favor, realiza la tarea siguiendo estas indicaciones.

Recuerda siempre mantener el 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.

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. En la guía Skills e instrucciones tienes cómo reutilizar instrucciones entre proyectos.

• Entiende las limitaciones: Aunque el modelo no es lo más importante, cada modelo tiene fortalezas y debilidades. Podremos adaptar prompts a modelos específicos.