Hace un tiempo, Anthropic subió una conferencia a su canal de YouTube en la que recogía ocho consejos prácticos sobre cómo optimizar prompts y aprovechar mejor los modelos de lenguaje.
En este artículo se explorarán las técnicas de prompting eficiente expuestas en esa charla. Para aterrizarlas en un caso concreto, se acompañarán paso a paso con un prompt real diseñado para revisar artículos periodísticos y mostrar cómo esos consejos pueden traducirse en un ejemplo práctico.
¿Por qué es importante el prompt engineering?
Aquellos que entienden cómo funcionan internamente los modelos tienen una ventaja significativa sobre los que simplemente los usan. Tomarse el tiempo de comprender —aunque sea por encima— qué tipos de inteligencia artificial hay, qué mecanismos habilitan esta o aquella funcionalidad y cómo los LLM procesan y producen información es clave para poder aprovechar el potencial de los modelos.
En concreto, entender cómo los LLM asimilan las instrucciones y producen una respuesta en base a ellas es clave para optimizar las peticiones que hacemos. Cuando aprendemos a escribir prompts de manera eficiente, ganamos en muchos ámbitos:
- Más eficiencia en términos de tokens se traduce en reducción de costes
- Prompts mejor planteados producen mejores respuestas, nos hacen ganar tiempo y obtener resultados más satisfactorios
- Los modelos se vuelven más predecibles y fáciles de manejar
- Podemos reciclar un buen prompt en diferentes sesiones o incluso modelos
- Exprimimos al máximo la capacidad del modelo y desbloqueamos capacidades del modelo que no seríamos capaces de aprovechar si no supiéramos prompt engineering
Los 8 mandamientos de un prompt ideal
Cabe destacar que algunos consejos pueden no aplicar o tener matices en otros modelos que no sean Claude (de ahí la importancia de entender los distintos tipos de IA y sus características más relevantes). Comenzaré poniendo el siguiente prompt de ejemplo:
Actúa como editor jefe de Araintel.
Tu trabajo es identificar todos los errores (malas expresiones, fallos ortográficos, typos...) y sugerir posibles mejoras, señalando los puntos a mejorar sin hacer cambios tu mismo. Haz una verificación del rigor periodístico/técnico y evalúa la cohesión, coherencia y elegancia de la escritura. Sin adulaciones ni florituras.Definir la tarea
La primera característica de un prompt ideal es una descripción general para el modelo. Hay que indicar cuál es el rol que va a asumir y el propósito que debe cumplir, a poder ser, de la forma más breve posible.
La idea es indicar por encima al modelo que esperar en cuanto a input y cómo debe trabajar con él.
Eres un modelo encargado de revisar artículos sobre informática, debes revisar el artículo al completo y llevar a cabo una revisión con el fin de identificar fallos y sugerir mejoras para corregirlos.Definir el tono
A continuación, debemos indicar al modelo el tono que se espera de él. Aquí tenemos la oportunidad de decidir cómo queremos que se comporte el modelo. Por ejemplo, si se trata de un chat de atención al cliente, querremos que el tono sea amable y cercano. En el caso de mi prompt, valoro más la eficiencia y franqueza.
Eres un modelo encargado de revisar artículos sobre informática, debes revisar el artículo al completo y llevar a cabo una revisión con el fin de identificar fallos y sugerir mejoras para corregirlos.
Debes ser franco y directo, sin adulaciones ni información innecesaria.Definir el contexto
En general, los datos con poca o nula estructura no suelen producir buenos resultados en los LLMs. Por ello, resulta clave ofrecer la información de forma claramente organizada.
Para conseguirlo, se pueden utilizar etiquetas XML. Aunque también son válidos otros formatos, como JSON o Markdown, Anthropic recomienda XML como buena práctica porque resulta eficiente en tokens, permite delimitar con claridad la estructura y facilita la asignación de valores arbitrarios.
En esta parte del prompt conviene definir las estructuras repetitivas que el modelo recibirá siempre. En la conferencia, por ejemplo, se usa la imagen de un formulario tipo test. Para evitar que el modelo tenga que interpretar la imagen cada vez, el prompt le indica qué opciones hay y cómo reconocer las marcas hechas por humanos.
También se pueden usar técnicas como el prompt caching o los prompts de sistema para ganar eficiencia. Cuanto más contexto tenga el modelo sobre los datos que va a recibir, su formato y su estructura, mejor podrá interpretarlos. Además, conviene avisarle de posibles errores o casos imprevistos, porque eso mejora su capacidad para entender correctamente el input.
Eres un modelo encargado de revisar artículos sobre informática, debes revisar el artículo al completo y llevar a cabo una revisión con el fin de identificar fallos y sugerir mejoras para corregirlos.
Debes ser franco y directo, sin adulaciones ni información innecesaria.
Aquí está el artículo que debes revisar, ten en cuenta que está totalmente escrito a mano y puede contener typos, errores gramaticales, ortográficos o inconsistencias.
<articulo>
<titulo></titulo>
<subtitulo></subtitulo>
<intro></intro>
<seccion id=1>
<parrafo></parrafo>
<imagen id=1></imagen>
</seccion>
<seccion id=2>
<parrafo></parrafo>
<subseccion id=2.1>
<parrafo></parrafo>
</subseccion>
</seccion>
</articulo>Instrucciones detalladas y reglas
En esta parte conviene dar al modelo instrucciones claras sobre su propósito. Esto puede incluir:
- Detalles técnicos
- Requisitos específicos
- Normas
- Límites
- Mínimos
- Objetivos a cumplir
Eres un modelo encargado de revisar artículos sobre informática, debes revisar el artículo al completo y llevar a cabo una revisión con el fin de identificar fallos y sugerir mejoras para corregirlos.
Debes ser franco y directo, sin adulaciones ni información innecesaria.
Aquí está el artículo que debes revisar, ten en cuenta que está totalmente escrito a mano y puede contener typos, errores gramaticales, ortográficos o inconsistencias.
[LA PARTE DE XML LA REDACTO PARA QUE NO OCUPE DEMASIADO]
A la hora de revisar el artículo, debes tener en cuenta lo siguiente:
- Debes analizar TODO el artículo
- Debes identificar y señalar:
-- Todas las faltas gramaticales, ortográficas y typos que encuentres.
-- Todas las frases incoherentes o incompletas.
-- Todos los errores o faltas de rigor técnico
-- Fechas, nombres, o afirmaciones incorrectas
-- Errores de estilo o malas prácticas desde un punto de vista periodístico
- Debes hacer una evaluación general de la objetividad del artículo
- Debes evaluar el correcto uso del lenguaje y la legibilidad
- No debes producir una corrección, tan solo señalar los errores
- Si no se citan fuentes en un dato o afirmación, debes verificar la veracidad y proporcionarlas
- Debes justificar tus respuestas y proporcionar fuentes en la información que las requieraEjemplos
Otra forma de mejorar mucho la calidad del resultado es añadir al prompt ejemplos de cómo debería ser una respuesta ideal. Aquí conviene tener en cuenta que, según el tamaño de los ejemplos, el consumo de input tokens puede aumentar bastante.
Esto es especialmente útil en tareas que requieren un formato específico y constante. También ocurre en trabajos que deben usar tecnicismos o seguir convenciones concretas, como recetas, diagnósticos u otros documentos médicos.
Muchas veces resulta más eficiente mostrar ejemplos que intentar explicar todos los detalles en la sección de instrucciones específicas.
Si se usan ejemplos, conviene incluir al menos tres y procurar que sean variados. Así se evita que la salida del modelo sea demasiado rígida o repetitiva.
Recordatorio
La repetición es buena para los modelos, especialmente cuando el prompt es grande. La idea aquí es reiterar la tarea inmediata a resolver por el modelo. Esta técnica, aunque simple, tiene múltiples beneficios:
- Ayuda a reducir las alucinaciones
- Mejora drásticamente los resultados
- Sirve para refrescar al modelo puntos críticos (e.g. “solo debes responder si tienes certeza” o “justifica tus respuestas”)
- Oportunidad para ordenar al modelo que señale X partes relevantes de la tarea
- Oportunidad para inducir chain-of-thought (no siempre es recomendable)
Condicionar el output
En esta parte se pueden añadir indicaciones sobre cómo debe presentar la información el modelo. Por ejemplo, se le puede pedir una tabla, una respuesta en Markdown, una lista o cualquier otro formato concreto. Este punto es opcional y depende de las necesidades de cada prompt.
Formatear el output
Según el uso que se dé al modelo, almacenar todo el output generado puede ser poco práctico e ineficiente. Por ejemplo, si el modelo evalúa determinados datos para guardarlos en una base de datos, no siempre interesa conservar toda la respuesta de forma permanente.
Cuando solo se quiere almacenar una parte concreta del resultado, conviene indicarlo de forma explícita en esta sección del prompt. Esto permite separar el razonamiento o la explicación del modelo de la información que realmente debe guardarse.
Guarda el título, subtítulo y secciones de cada artículo en el archivo [RUTA DEL ARCHIVO]Mi prompt final
Una vez vistos todos los puntos, voy a rematar mi prompt y probarlo con este propio artículo (lo cual es un poco raro porque si lo estás leyendo a estaŕa corregido). He quitado el contenido del XML para que sea más legible, lo demás está tal cual se lo he pasado al modelo.
Eres un modelo encargado de revisar artículos sobre informática, debes revisar el artículo al completo y llevar a cabo una revisión con el fin de identificar fallos y sugerir mejoras para corregirlos.
Debes ser franco y directo, sin adulaciones ni información innecesaria.
Aquí está el artículo que debes revisar, ten en cuenta que está totalmente escrito a mano y puede contener typos, errores gramaticales, ortográficos o inconsistencias.
<articulo>
<titulo></titulo>
<subtitulo></subtitulo>
<intro></intro>
<seccion id=1 titulo="">
</seccion>
<seccion id=2 titulo="">
<intro></intro>
<subseccion id=2.1 titulo=""></subseccion>
<subseccion id=2.2 titulo=""></subseccion>
<subseccion id=2.3 titulo=""></subseccion>
<subseccion id=2.4 titulo=""></subseccion>
<subseccion id=2.5 titulo=""></subseccion>
<subseccion id=2.6 titulo=""></subseccion>
<subseccion id=2.7 titulo=""></subseccion>
<subseccion id=2.8 titulo=""></subseccion>
</seccion>
<seccion id=3 titulo="">
</seccion>
<seccion id=4 titulo="">
</seccion>
</articulo>
A la hora de revisar el artículo, debes tener en cuenta lo siguiente:
- Debes analizar TODO el articulo
- Debes identificar y señalar:
- Todas las faltas gramaticales, ortográficas y typos que encuentres.
- Todas las frases incoherentes o incompletas.
- Todos los errores o faltas de rigor técnico
- Fechas, nombres, o afirmaciones incorrectas
- Errores de estilo o malas prácticas desde un punto de vista periodístico
- Debes hacer una evaluación general de la objetividad del artículo
- Debes evaluar el correcto uso del lenguaje y la legibilidad
- No debes producir una corrección, tan solo señalar los errores
- Si no se citan fuentes en un dato o afirmación, debes verificar la veracidad y proporcionarlas
- Debes justificar tus respuestas y proporcionar fuentes en la información que las requiera
Ahora, en base al análisis y revisión que has realizado, genera una lista con todas las recomendaciones que has elaborado para perfeccionar el artículo.Lo probé en DeepSeek, y al pasárselo estuvo varios minutos pensando (con el modo DeepThink activado). La conversación completa está aquí, y en este otro enlace el artículo antes de ser corregido.
Conclusión
Después de escribir varios artículos durante el último año y revisarlos con IA, la diferencia resulta clara. No es una tarea especialmente compleja, pero el cambio entre corregir un texto con el prompt anterior y hacerlo con este nuevo prompt es notable.
El modelo generó el resultado esperado, con el enfoque y el formato solicitados, en una sola petición y sin necesidad de iteraciones. En este caso, el prompt permitió obtener exactamente la revisión que se buscaba desde el primer intento.
Fuentes
Prompting 101, Anthropic YouTube
Prompt caching, Claude Docs
Prompt repetition improves non-reasoning LLMs, Google DeepMind Paper
Why Doing Chain-Of-Thought Prompting In Reasoning LLMs Gums Up The Works, Lance Eliot en Forbes
