El 90% de los usuarios de inteligencia artificial cometen el mismo error: escriben instrucciones vagas como hazlo bien y esperan resultados precisos. Los ingenieros que desarrollan estos modelos no trabajan así. Ellos usan estrategias concretas para obtener el máximo provecho. Aquí te mostramos cómo adaptar sus técnicas a cualquier modelo de lenguaje, con ejemplos prácticos para copiar, pegar y personalizar en tus proyectos de programación, aprendizaje o automatización.

Tabla rápida: prompts de Claude y su adaptación universal

Nota: estos ejemplos son universales y funcionan en cualquier modelo de lenguaje avanzado.

¿Cómo convertir a tu modelo en un asistente técnico claro?

Si alguna vez has sentido que las respuestas de tu modelo son demasiado técnicas o confusas, este enfoque es para ti. La idea es dividir el trabajo en partes: el modelo ejecuta la tarea en segundo plano y te explica el progreso en términos simples.

Plantilla base


Contexto: [describe brevemente la tarea o problema].
Instrucción 1: Ejecuta esta tarea en segundo plano y resume el progreso en lenguaje sencillo.
Instrucción 2: Si hay errores, detente y guíame para solucionarlos paso a paso.
Restricción: Evita términos técnicos; soy [rol: principiante en programación/analista junior/etc.].


Ejemplos prácticos


Contexto: Necesito analizar un dataset de ventas en Python.
Instrucción 1: Ejecuta el análisis en segundo plano y dime qué patrones encuentras.
Instrucción 2: Si hay errores en el código, explícalos y sugiere soluciones.
Restricción: No uses jerga de ciencia de datos; soy un analista junior.



Contexto: Quiero optimizar una consulta SQL para una base de datos grande.
Instrucción 1: Analiza la consulta y sugiere mejoras en segundo plano.
Instrucción 2: Si encuentras problemas, detente y dime cómo solucionarlos.
Restricción: Explica todo como si fuera para alguien con conocimientos básicos de SQL.



Contexto: Necesito depurar un script de Bash que falla al procesar archivos.
Instrucción 1: Revisa el script y ejecútalo en segundo plano para identificar errores.
Instrucción 2: Si hay fallos, detente y guíame para corregirlos.
Restricción: Usa un lenguaje sencillo; no soy experto en sistemas.


¿Cómo convertir a tu modelo en un profesor interactivo?

Uno de los mayores desafíos al usar inteligencia artificial para aprender es no entender lo que el modelo hizo. Este enfoque convierte a tu modelo en un profesor que no avanza hasta que demuestres que has entendido el concepto.

Plantilla base


Objetivo: Asegurarte de que entiendo profundamente este tema.
Método: Explica cada paso de manera incremental.
Validación: Antes de avanzar, confirma que he dominado el concepto actual.
Recursos: Usa ejemplos, preguntas abiertas o de opción múltiple para evaluar mi comprensión.
Regla: La sesión no termina hasta que demuestre que entiendo todo.


Ejemplos prácticos


Objetivo: Enseñarme cómo funcionan los algoritmos de ordenamiento.
Método: Explica el algoritmo de burbuja paso a paso.
Validación: Hazme preguntas para confirmar que entiendo cada parte.
Recursos: Usa diagramas o código simple para ilustrar.
Regla: No avances hasta que pueda explicar el algoritmo con mis propias palabras.



Objetivo: Aprender a usar una API REST en Python.
Método: Explica cómo hacer una solicitud GET y procesar la respuesta.
Validación: Pídeme que escriba el código y lo explique.
Recursos: Proporciona ejemplos de código y preguntas teóricas.
Regla: La sesión termina cuando pueda implementar una solicitud POST por mi cuenta.



Objetivo: Entender cómo funcionan las redes neuronales.
Método: Explica los conceptos básicos: neuronas, capas y funciones de activación.
Validación: Hazme preguntas sobre cada concepto antes de pasar al siguiente.
Recursos: Usa analogías y ejemplos visuales.
Regla: No continúes hasta que pueda describir cómo se entrena una red neuronal.


¿Cómo hacer que tu modelo te entreviste antes de construir algo?

Muchas veces comenzamos un proyecto sin tener claros todos los detalles, lo que lleva a errores costosos. Este enfoque invierte la dinámica: el modelo te entrevista para extraer la información necesaria antes de empezar.

Plantilla base


Documento: [describe el proyecto o idea].
Instrucción: Entrévistame en detalle sobre cualquier aspecto técnico, de diseño o logístico.
Enfoque: Haz preguntas no obvias que cubran todos los ángulos posibles.
Resultado: Escribe la especificación final en un archivo de texto.


Ejemplos prácticos


Documento: Quiero crear una aplicación de lista de tareas.
Instrucción: Pregúntame sobre funcionalidades, diseño de interfaz y tecnologías a usar.
Enfoque: Cubre aspectos como almacenamiento de datos, seguridad y experiencia de usuario.
Resultado: Genera un documento con la especificación técnica completa.



Documento: Necesito desarrollar un sistema de recomendación para un ecommerce.
Instrucción: Entrévistame sobre el tipo de recomendaciones, fuentes de datos y métricas de éxito.
Enfoque: Incluye preguntas sobre escalabilidad, rendimiento y personalización.
Resultado: Crea un plan detallado con los requisitos y expectativas.



Documento: Quiero automatizar el procesamiento de facturas en mi empresa.
Instrucción: Pregúntame sobre el formato de las facturas, las reglas de negocio y los sistemas actuales.
Enfoque: Aborda temas como integración con otros sistemas y manejo de errores.
Resultado: Genera un documento con el flujo de trabajo y los pasos a seguir.


¿Cómo crear un plan de implementación visual con HTML?

El HTML es un formato versátil que permite incrustar diagramas, tablas, código y elementos interactivos. Este enfoque es ideal para planificar proyectos de manera clara y profesional.

Plantilla base


Título: Plan de implementación para [nombre del proyecto].
Contenido: Incluye maquetas visuales, diagramas de flujo y fragmentos de código relevantes.
Formato: Usa HTML para que sea fácil de leer y compartir.
Objetivo: Que cualquier persona pueda entender el plan sin necesidad de herramientas adicionales.


Ejemplos prácticos


Título: Plan de implementación para una API de gestión de usuarios.
Contenido: Diagramas de flujo de datos, ejemplos de solicitudes HTTP y estructura de la base de datos.
Formato: Archivo HTML con secciones claras y código resaltado.
Objetivo: Facilitar la comprensión y colaboración del equipo de desarrollo.



Título: Plan para migrar una aplicación a la nube.
Contenido: Arquitectura propuesta, pasos de migración y posibles riesgos.
Formato: HTML con imágenes de la arquitectura y lista de verificación.
Objetivo: Asegurar que todos los miembros del equipo entiendan el proceso.



Título: Diseño de un sistema de notificaciones en tiempo real.
Contenido: Diagrama de flujo de notificaciones, tecnologías a usar y casos de uso.
Formato: HTML con ejemplos de código y explicaciones detalladas.
Objetivo: Clarificar el funcionamiento y las expectativas del sistema.


¿Cómo automatizar tareas repetitivas?

Si hay una secuencia de pasos que repites frecuentemente, puedes guardarla en un archivo y pedirle al modelo que la ejecute automáticamente. Esto ahorra tiempo y evita errores.

Plantilla base


Nombre: [nombre descriptivo para la tarea].
Instrucción: Guarda esta secuencia de pasos en un archivo llamado [nombre].txt.
Uso: Ejecuta estos pasos cada vez que necesite [descripción de la tarea].
Ejemplo: "Crea un archivo llamado despliegue.txt que contenga los pasos para desplegar la aplicación en producción."


Ejemplos prácticos


Nombre: Verificación de código antes de desplegar.
Instrucción: Guarda los pasos para ejecutar el linter, correr pruebas y generar un mensaje de commit.
Uso: Ejecuta esta secuencia antes de cada despliegue.
Ejemplo: "Crea un archivo llamado pre_despliegue.txt con los comandos: npm run lint, npm test, git commit -m 'descripción'".



Nombre: Procesamiento de datos diarios.
Instrucción: Guarda los pasos para descargar, limpiar y analizar los datos diarios.
Uso: Ejecuta esta secuencia cada mañana.
Ejemplo: "Crea un archivo llamado procesamiento_diario.txt con los comandos para descargar el CSV, limpiarlo con pandas y generar el reporte."



Nombre: Configuración de entorno de desarrollo.
Instrucción: Guarda los pasos para instalar dependencias, configurar variables de entorno y iniciar el servidor.
Uso: Ejecuta esta secuencia cada vez que clones el repositorio.
Ejemplo: "Crea un archivo llamado setup.txt con los comandos: npm install, cp .env.example .env, npm start".


¿Cómo guardar lo aprendido para futuras sesiones?

Cada vez que trabajas con un modelo de lenguaje, aprendes cosas valiosas sobre tu proyecto. Este enfoque te permite guardar esa información para no tener que repetirla en el futuro.

Plantilla base


Instrucción: Resume lo que hemos hecho en esta sesión.
Formato: Sugiere qué información agregar al archivo [nombre].txt.
Objetivo: Que el modelo recuerde estos detalles en futuras interacciones.
Ejemplo: "Resume los errores comunes que corrigimos hoy y sugiere cómo documentarlos en lecciones_aprendidas.txt".


Ejemplos prácticos


Instrucción: Resume las decisiones de diseño que tomamos para el nuevo módulo de autenticación.
Formato: Añade esta información al archivo diseño_módulo_auth.txt.
Objetivo: Mantener un registro claro de las decisiones tomadas.



Instrucción: Resume los problemas de rendimiento que identificamos y sus soluciones.
Formato: Guarda esto en el archivo optimización.txt.
Objetivo: Evitar repetir los mismos errores en el futuro.



Instrucción: Resume las configuraciones específicas del entorno que usamos hoy.
Formato: Añade esto al archivo configuración_entorno.txt.
Objetivo: Facilitar la reproducción del entorno en otras máquinas.


5 errores que arruinan tus prompts y cómo evitarlos

Ser demasiado vago

Error: Pedir algo como escribe un buen código sin dar contexto.

Solución: Usa el método 5W1H: qué, quién, cuándo, dónde, por qué y cómo. Ejemplo: Escribe una función en Python que ordene una lista de números enteros usando el algoritmo de burbuja, con comentarios detallados para un principiante.

No definir el formato de salida

Error: No especificar cómo quieres recibir la información.

Solución: Indica el formato deseado. Ejemplo: Devuélveme la respuesta en una tabla con las columnas: nombre, edad y ciudad.

Ignorar el rol del modelo

Error: No asignar un rol claro al modelo.

Solución: Define el rol desde el inicio. Ejemplo: Actúa como un profesor de matemáticas con 10 años de experiencia explicando álgebra a estudiantes de secundaria.

No iteracción

Error: Usar el primer prompt que se te ocurre sin mejorarlo.

Solución: Pide al modelo que mejore tu prompt. Ejemplo: Mejora este prompt para que sea más claro y específico: [tu prompt actual].

No validar la respuesta

Error: Aceptar la respuesta sin verificar su corrección.

Solución: Pide al modelo que explique su razonamiento. Ejemplo: Explica por qué esta respuesta es correcta y en qué fuentes te basaste.

Preguntas frecuentes sobre adaptación de prompts

¿Puedo usar estos prompts en modelos como Llama o Mistral?

Sí. Los principios son universales: claridad, contexto y restricciones. Solo ajusta los términos específicos de un modelo por equivalentes genéricos.

¿Cómo sé si mi prompt es bueno?

Un buen prompt cumple con:

• Especificidad: No deja espacio para ambigüedades.
• Contexto: Incluye información relevante como el rol, el formato o las restricciones.
• Objetivo claro: Sabes exactamente qué esperas como salida.

¿Dónde puedo practicar?

Puedes probar estos prompts en plataformas como:

• Hugging Face Chat
• Poe
• LMSYS Chatbot Arena

Checklist: pasos para adaptar cualquier prompt

Guarda esta lista para tus próximas sesiones con modelos de lenguaje:

1. Define el objetivo de manera clara (¿qué quieres lograr?).
2. Especifica el contexto (¿quién eres? ¿qué sabes?).
3. Añade restricciones (ejemplo: no uses código en Python 2).
4. Pide un formato de salida específico (tabla, lista, código, etc.).
5. Incluye ejemplos si son relevantes para la tarea.
6. Interacción: Pide al modelo que mejore tu prompt.

Tip: Copia este checklist en un archivo de texto y úsalo como plantilla para tus proyectos.