Kodokon kodokon.com

Técnicas de prompting avanzadas: rol, restricciones, ejemplos, razonamiento

Combina un rol experto, restricciones fuertes, ejemplos few-shot, razonamiento paso a paso e iteración para obtener respuestas que de verdad te hagan aprender.

10 min · 3 preguntas

Abrir esta lección en Kodokon

La calidad de lo que la IA te enseña depende directamente de la calidad de tus prompts. Un prompt vago ("explícame los genéricos") produce una respuesta genérica, calibrada para un lector medio que no existe. Cuatro técnicas cambian radicalmente el rendimiento, y se combinan: el rol experto (fijar quién habla y con qué exigencia), las restricciones fuertes (longitud, requisitos previos, prohibiciones, formato), los ejemplos few-shot (mostrar el formato esperado en lugar de describirlo) y el razonamiento paso a paso (exigir el método antes que la conclusión). La quinta no es una técnica de redacción sino una postura: la iteración; la primera respuesta es un borrador que refinas, nunca un producto terminado.

PROMPT
Eres un instructor sénior en [tecnología], conocido por tus explicaciones densas y sin relleno.

Explícame [concepto preciso] con estas restricciones:
- Da por sentado que ya sé [requisitos previos]: no vuelvas a explicar ninguna base.
- 200 palabras como máximo, y luego UN ejemplo mínimo comentado.
- Termina con UNA pregunta que compruebe si de verdad lo he entendido, no una pregunta de memoria, una pregunta de aplicación.
- Si el concepto tiene una trampa clásica en producción, señálala en una frase.

Espera mi respuesta a tu pregunta antes de continuar. Si mi respuesta es incorrecta, no me des la corrección: señala dónde se desvía mi razonamiento y déjame intentarlo de nuevo.
Prompt: rol experto + restricciones fuertes, al servicio del aprendizaje activo

Desglosémoslo. El rol no está ahí para halagar al modelo: cambia el registro de la respuesta: vocabulario, nivel de abstracción, exigencia. Las restricciones hacen el resto: "200 palabras como máximo" corta el relleno, "no vuelvas a explicar ninguna base" te ahorra tres párrafos que ya conoces, y la pregunta de cierre convierte la lectura pasiva en recuerdo activo, el mecanismo de memorización mejor establecido. Regla general: una restricción vaga produce un resultado vago. "Sé conciso" no restringe nada; "200 palabras, un ejemplo, una pregunta" lo restringe todo. Pasemos al few-shot: cuando describir el formato se vuelve tedioso, muéstralo.

PROMPT
Estoy repasando [tema]. Genera preguntas de práctica en el formato EXACTO de los dos ejemplos de abajo.

Ejemplo 1:
Situación: una consulta devuelve 10 000 filas mientras la pantalla muestra 20.
Pregunta: ¿qué mecanismo evita cargarlo todo, y cuál es su coste oculto?
Nivel: intermedio.

Ejemplo 2:
Situación: dos usuarios modifican el mismo recurso con un segundo de diferencia.
Pregunta: ¿qué estrategia de gestión de conflictos deberías elegir aquí, y por qué?
Nivel: avanzado.

Genera 5 preguntas sobre [tema] siguiendo este formato: una situación concreta sacada del trabajo real, una pregunta abierta que obligue a razonar (nunca de memoria mecánica), un nivel. No des las respuestas: iré respondiendo una a una y me corregirás señalando qué le falta a mi razonamiento.
Prompt: few-shot, dos ejemplos valen más que un párrafo de especificación

El few-shot explota la principal fortaleza de los modelos: la continuación de patrones. Dos ejemplos bien elegidos especifican el tono, la granularidad y la estructura con más precisión que diez líneas de instrucciones, y tus ejemplos fijan además el listón. Última técnica de redacción: el razonamiento paso a paso. Para cualquier pregunta no trivial, exige el método antes que la conclusión. Una respuesta que abre con la conclusión te priva de lo esencial: el recorrido, que es justo lo que intentas aprender. Extra: el razonamiento explícito expone sus propios fallos; cazas la suposición falsa sobre tu contexto antes de tragarte una conclusión errónea.

PROMPT
Antes de responder, razona en pasos visibles.

Mi pregunta: [pregunta técnica no trivial].

Formato requerido:
1. Reformula mi pregunta para confirmar que la has entendido.
2. Enumera las suposiciones que haces sobre mi contexto (versiones, arquitectura, volumen). Corregiré las que estén mal.
3. Recorre tu razonamiento paso a paso, señalando cada punto en el que era posible otro camino y por qué no lo tomaste.
4. Concluye separando lo que es seguro de lo que depende de mis respuestas al punto 2.

Escribe la conclusión solo después del razonamiento, nunca antes.
Prompt: el método antes que la conclusión, con suposiciones explícitas

Queda la iteración, la habilidad que distingue al usuario avanzado. Nunca reinicies un prompt desde cero cuando la respuesta decepciona: diagnostica el desfase y corrige la restricción que falta. ¿Demasiado larga? Impón un límite. ¿Demasiado genérica? Añade tu contexto y un ejemplo. ¿Fuera de tema? La reformulación del punto 1 te muestra dónde se coló el malentendido. Tres o cuatro iteraciones dirigidas producen respuestas que ningún prompt inicial, por cuidadoso que fuera, habría podido obtener, y cada iteración te enseña algo sobre lo que buscabas de verdad.

Prueba de conocimientos

Comprueba que has retenido los puntos clave de esta lección.

  1. ¿Qué es la técnica few-shot?
    • Hacer varias preguntas cortas en lugar de una larga
    • Proporcionar ejemplos del resultado esperado para que el modelo continúe el patrón
    • Limitar la respuesta a un número reducido de palabras
    • Dividir un problema en subproblemas
  2. ¿Por qué exigir el razonamiento ANTES que la conclusión en una respuesta?
    • Para ralentizar la IA y ahorrar recursos
    • Porque el recorrido es lo que aprendes, y el razonamiento explícito te deja ver sus fallos
    • Porque las conclusiones de la IA siempre están mal
  3. La respuesta de la IA es correcta pero demasiado genérica. ¿Cuál es el mejor siguiente movimiento?
    • Hacer exactamente la misma pregunta otra vez con la esperanza de que salga mejor
    • Cambiar de herramienta de IA
    • Iterar: añade tu contexto preciso y una restricción que apunte al desfase observado