Estas diez prácticas valen para todos los modelos y tareas. Ninguna depende de un truco que la próxima versión de un modelo pueda romper. Cada una incluye un breve antes y después para que veas el cambio en la página.
1. Pon la tarea primero
Empieza con una frase en imperativo. Todo lo que viene después se lee como apoyo de esa tarea.
- Antes:
I have a spreadsheet of expenses from last year. - Después:
Categorize the expenses below into travel, software, and office.
2. Sé específico con el alcance, la audiencia y la extensión
Las palabras vagas dejan decisiones en manos del modelo. Sustitúyelas por los valores reales.
- Antes:
Write a short post about our new feature for users. - Después:
Write a 120-word announcement of scheduled exports for existing admins who already use manual exports.
3. Usa números para los tamaños
«Unos pocos», «breve» y «detallado» significan algo distinto en cada ejecución. Un número y una unidad hacen predecible la extensión.
- Antes:
Give me some ideas. - Después:
Give me 5 ideas, one sentence each.
4. Di qué hacer, no solo qué evitar
Una lista de prohibiciones nombra todo lo que no quieres y nada de lo que sí. Empareja cada «no» con el comportamiento que quieres en su lugar.
- Antes:
Don't be too formal. Don't use jargon. - Después:
Write in a conversational tone, using words a new customer would know.
5. Especifica el formato de salida
Indica la estructura y, para salidas que lee una máquina, el esquema exacto. Añade «devuelve solo el JSON» cuando no deba aparecer nada más. Más en prompts de salida estructurada.
6. Separa las instrucciones de la entrada
Envuelve documentos, mensajes de usuarios y variables en delimitadores claros, como etiquetas de estilo XML. Así el modelo distingue los datos de las instrucciones, y es menos probable que una frase dentro de los datos se siga como una orden.
Summarize the email in the tags below in 2 sentences.
<email>
{{email_body}}
</email>
7. Da ejemplos para los juicios de valor
Cuando «bueno» es más fácil de mostrar que de definir, incluye dos o tres ejemplos. Hazlos variados, para que el modelo aprenda el patrón y no un rasgo superficial. Consulta el few-shot prompting.
8. Estructura los prompts largos
Pasado aproximadamente un párrafo, usa secciones: Tarea, Contexto, Requisitos, Formato de salida, Entrada. Los encabezados hacen que un prompt sea más fácil de seguir para un modelo y mucho más fácil de editar con seguridad para una persona.
9. Elimina lo que no cambia la respuesta
Los saludos, la cortesía y las instrucciones repetidas añaden tokens sin añadir información. La repetición incluso puede perjudicar: cuando dos frases casi idénticas difieren ligeramente, el modelo tiene que decidir cuál querías decir.
- Antes:
Hi! Could you please make sure to really focus on accuracy? Please make sure to focus on accuracy. - Después:
Prioritize accuracy over completeness.
10. Prueba con entradas reales y conserva los resultados
Un prompt está terminado cuando se ha ejecutado con entradas representativas y se entienden los fallos. Conserva esas entradas como un conjunto de pruebas y vuelve a ejecutarlas tras cada edición. Consulta la evaluación de prompts.
Cómo mejorar las respuestas de la IA cuando un prompt rinde por debajo de lo esperado
Repasa las causas por orden de probabilidad:
| Síntoma | Causa probable | Corrección |
|---|---|---|
| Respuesta distinta en cada ejecución | Un tamaño o formato sin especificar | Añade números y un formato de salida |
| Respuesta genérica | Falta de contexto | Añade audiencia, dominio y restricciones |
| Ignora una instrucción | Conflicto o enterrada en un párrafo largo | Elimina el conflicto, pásala a una lista |
| Tono equivocado | Tono descrito de forma vaga | Muestra un ejemplo del tono |
| Se inventa cosas | Se le pidieron datos que no se le dieron | Aporta el texto fuente y exige citas |
| Sigue texto de la entrada | Entrada sin delimitar | Envuelve la entrada en etiquetas |
Compruébalo automáticamente
Varias de estas prácticas se pueden comprobar sin ejecutar un modelo. El analizador de prompts de PromptFlowEngine señala un objetivo ausente, lenguaje vago, tamaños sin cuantificar, restricciones solo negativas, un formato de salida ausente, variables sin delimitar y relleno, y enlaza cada hallazgo con una página de referencia con un ejemplo corregido. El optimizador de prompts aplica por ti las prácticas 8 y 9 y verifica que no se perdió ningún requisito.
A continuación, lee los errores comunes de ingeniería de prompts que estas prácticas buscan evitar.