Saltar al contenido

principiante

Prompting que funciona en cualquier modelo

18 min de lectura

Cubre: Cualquier modelo actual

Respuesta rápida:

Escribe el prompt con un rol y una tarea explícitos, restricciones que se puedan comprobar, la forma exacta de la entrada y de la salida, delimitadores estables, ejemplos marcados y solo el razonamiento que alguien vaya a leer; el esfuerzo y el muestreo se ajustan en la petición, no en el texto.

Un prompt que aguanta el cambio de modelo no es el que evita las diferencias entre GPT-6, Claude Opus 5.5 y Gemini 4 Argon: es el que no depende de ellas. Los tres aceptan la misma arquitectura —rol, tarea, restricciones, entrada, salida, ejemplos— y en los tres los mandos que antes se discutían dentro del prompt —profundidad de razonamiento, muestreo, prellenado de la respuesta— son ahora argumentos de la llamada.

Lo que sigue es la parte del oficio que sobrevive al cambio de proveedor. Cada regla lleva un prompt que puedes pegar; los huecos entre corchetes y los nombres entre ángulos, como <texto> o <fuentes>, los rellenas tú. Cuando un mando ya no se escribe en el prompt, la sección lo dice y te manda a la guía del proveedor que toque.

Un rol de dos frases y una tarea con un verbo

El rol encuadra el criterio; la tarea dice qué se entrega. Van separados porque hacen trabajos distintos: "eres corrector de estilo de un diario en español" orienta el juicio de cada frase posterior, y "parte en dos las frases de más de 30 palabras" dice cuál es el producto.

Sin rol, cada regla tiene que justificarse sola. Sin tarea explícita, el modelo decide qué está haciendo, y esa decisión no la ves hasta que llega la respuesta.

text

Eres [rol: corrector de estilo de un diario en español, con criterio
periodístico].
Tu tarea es [verbo + objeto: partir en dos las frases de más de 30 palabras
de los tres párrafos de <texto>, sin cambiar el orden de las ideas].

Dos frases bastan. Un rol que crece hasta ser una biografía gasta atención antes de que empiecen las instrucciones, y una tarea repartida en tres frases que sugieren tres entregables distintos deja al modelo elegir. Si hay dos entregables de verdad, son dos prompts o dos fases delimitadas.

Restricciones que se pueden comprobar

Una restricción sirve cuando puedes mirar la respuesta y decir si la cumplió. "Sé cuidadoso" no se comprueba; "usa solo el material que va entre <fuentes>" sí.

Describe primero lo que quieres ver y nombra el fallo después, solo si es probable. "Escribe en prosa corrida, sin viñetas" se sigue y se comprueba mejor que una lista de tres formatos prohibidos, y no deja dudas sobre qué hacer con la información que se quedó fuera de la lista.

text

Restricciones:
- Usa solo el material que va entre <fuentes>.
- Escribe en prosa corrida, sin viñetas ni negritas.
- Máximo tres frases.
Si la entrada no permite cumplir una restricción, dilo en la primera línea
en lugar de rodearla.

No apiles prohibiciones. Diez prohibiciones sobre cosas que el modelo no iba a hacer diluyen las dos que importan, y dos restricciones que se contradicen —conciso pero completo, creativo pero literal— se anulan sin que salte ningún error. Cuando una regla tiene motivo, una cláusula de motivo sustituye a tres de vigilancia: el modelo que entiende por qué existe la restricción la aplica también a los casos que no enumeraste.

Entrada, salida y criterio de éxito

Di qué entra, con qué forma, qué sale y cómo se comprueba. La parte de la entrada enumera el campo, su formato y qué hacer con lo que falta. La de la salida es la forma, los campos, la longitud, el tono y el idioma.

El criterio de éxito convierte "buena respuesta" en algo que el modelo puede perseguir y tú puedes revisar: que cite la fuente de cada dato, que devuelva como mucho cinco elementos ordenados por impacto, que nombre el fichero donde va el cambio. Si un revisor no puede aplicar el criterio sin preguntarte qué querías decir, no es un criterio.

text

Entrada: un correo en <correo>. Si falta el número de pedido, no lo deduzcas.

Salida: un objeto JSON con estas claves.
- "pedido": el número tal como aparece en el correo, o null.
- "motivo": una de estas tres cadenas: "devolucion", "cambio", "otro".
- "respuesta": dos frases en español de España, en segunda persona del singular.

Criterio de éxito: si el correo no permite elegir el motivo, "motivo" es "otro"
y "respuesta" pide el dato que falta. No devuelvas nada fuera del JSON.

El nombre de un campo no dice qué contiene. Un campo llamado "motivo" admite cualquier cosa hasta que el prompt enumera los tres valores válidos. Y cuando la respuesta la consume una máquina, un ejemplo de salida válida se lee mejor que un párrafo describiéndola.

Cuando la entrada no da para una respuesta válida, define la salida de emergencia antes de necesitarla: pedir el dato que falta, decir qué suposición haces o devolver un "no se puede determinar" explícito. Forzar la forma que los datos no sostienen produce un JSON válido con una afirmación inventada dentro.

Los mismos delimitadores para el mismo material

Cada tipo de contenido va en su contenedor, y el contenedor no cambia a mitad de prompt ni entre versiones. Instrucciones, contexto, ejemplos y entrada son cuatro cosas distintas; si van en un solo bloque, el modelo deduce los límites por posición, y la posición es lo primero que rompe una edición del contexto.

text

<instrucciones>
[lo que no cambia entre peticiones]
</instrucciones>

<contexto>
[lo que cambia en cada llamada]
</contexto>

<entrada>
[el material del usuario]
</entrada>

Da igual si eliges etiquetas XML, encabezados Markdown o una valla de guiones. Lo que importa es no usar dos marcas para lo mismo ni la misma marca para dos cosas. Con las secciones etiquetadas, un revisor ve dónde cae cada regla y detecta la que se coló en el bloque de ejemplos.

La misma disciplina sirve cuando el prompt lo monta el código: la parte fija se queda idéntica entre llamadas y solo cambia el hueco de contenido. Así la caché se comporta como esperas, y un valor de una petición no se confunde con una regla permanente.

De dos a cinco ejemplos, y marcados

Un ejemplo fija la forma mejor que cualquier descripción. Dos o tres demuestran que el patrón generaliza y dónde está el borde; a partir de cinco empiezas a pagar atención sin añadir información.

Elige los ejemplos moviendo la superficie y dejando quieto el patrón, e incluye al menos un caso raro que las instrucciones solo describen en abstracto. Ese es el que el modelo falla si solo tiene la descripción.

text

<ejemplos>
<ejemplo>
<entrada>Quiero devolver los auriculares, pedido 4471.</entrada>
<salida>{"pedido": "4471", "motivo": "devolucion", "respuesta": "[dos frases]"}</salida>
</ejemplo>
<ejemplo>
<entrada>Me llegó otra talla y no encuentro el número de pedido.</entrada>
<salida>{"pedido": null, "motivo": "cambio", "respuesta": "[dos frases pidiendo el número]"}</salida>
</ejemplo>
</ejemplos>

Procesa ahora la entrada que va en <entrada>.

Los ejemplos van marcados para que no se lean como instrucciones ni como la petición que hay que responder. Etiqueta las dos mitades con los mismos prefijos, mete cada ejemplo en su contenedor y agrupa el conjunto en uno exterior. Y no cambies el formato dentro del conjunto: un ejemplo con encabezados y otro con etiquetas enseña la inconsistencia con la misma fuerza que el patrón.

El formato se escribe una vez

El formato se especifica, no se recuerda. Una vez, en el sitio donde va la salida: un objeto JSON con estas claves, una tabla Markdown con estas columnas, tres párrafos cortos, una frase por elemento. Repetir "formatea bien la respuesta" tres veces no añade información y ocupa sitio.

text

Devuelve el análisis en tres partes, en este orden:
1. "Resumen": un párrafo de tres frases, en prosa.
2. "Hallazgos": una tabla Markdown con las columnas Hallazgo, Evidencia, Impacto.
   Cinco filas como máximo, ordenadas por Impacto de mayor a menor.
3. "Siguiente paso": una sola frase en imperativo.
No añadas secciones ni comentarios fuera de estas tres.

El orden y la longitud también son formato: qué sección va primero, cuánto ocupa cada parte, qué puede omitir el modelo. Si la salida sigue una plantilla, enseña el esqueleto con las partes variables marcadas y di cuántas entradas esperas cuando el número está acotado.

Un formato que se contradice con otra regla —cien palabras para una sección que también tiene que ser exhaustiva— es la causa más común de una respuesta que cumple el formato y falla el encargo. El conflicto se resuelve en el prompt, no en la revisión.

Pide el razonamiento que necesitas, no el ritual

Pide el razonamiento que la tarea necesita y nada más. Si la respuesta depende de un cálculo o de una comparación que alguien va a auditar, pide el trabajo visible, etiquetado y separado de la conclusión. Si es una decisión que el modelo puede tomar por dentro, pide la decisión y su motivo en una frase.

"Piensa paso a paso" sirve cuando los pasos son el entregable y estorba cuando no lo son: rellena cada respuesta de proceso y desplaza la atención fuera del resultado.

text

Antes de la respuesta, escribe un apartado "Comprobaciones" con los datos que
has comparado para elegir el motivo, uno por línea. Después, el JSON.
No expliques cómo has llegado a cada comprobación.

Prefiere una instrucción general sobre el razonamiento a una secuencia de pasos escrita a mano. La secuencia fija al modelo en tu idea del problema; el objetivo con sus criterios le deja traer su propio razonamiento, incluidos los movimientos que no previste. Cuando el proceso es el requisito —una lista de comprobación normativa, un orden de cálculo— escribe la secuencia y di que el orden es obligatorio, para que no la comprima ni la reordene.

El mando se ha mudado a la petición

Los tres mandos que antes se resolvían dentro del prompt son ahora argumentos de la llamada, y cada proveedor los llama de forma distinta.

Qué controlasOpenAIAnthropicGoogle
Profundidad de razonamientoreasoning.effort, de none a maxeffort, de low a maxthinking_level, de low a high, y minimal en algunos modelos
Muestreo: temperature, top_p, top_kfuera de la petición cuando el esfuerzo no es noneretirados; enviarlos devuelve 400se ignoran
Prellenar el turno del modelosin 400 documentado400400

Los nombres no son intercambiables. Un high de Anthropic y un high de Google no son la misma cantidad de pensamiento, el escalón disponible cambia de un modelo a otro y el valor por defecto también: cambiar de modelo es volver a barajar el esfuerzo, no copiar el número.

Tampoco arregla el mando lo que está mal escrito. Una tarea mal definida, razonada durante más tiempo, llega al objetivo equivocado más despacio y más caro. Lo que recupera la calidad es el prompt.

Y el muestreo ya no es una palanca de formato. Si bajabas temperature para que la salida fuera consistente, el sustituto es una instrucción de sistema con reglas explícitas, una salida estructurada y una batería de pruebas que compare respuestas. Con el prellenado pasa lo mismo: lo que hacías empezando tú la respuesta del modelo se hace ahora con la instrucción de sistema o con salida estructurada.

Los valores disponibles, los que devuelven 400 y los de por defecto de cada modelo están en la guía de OpenAI, la de Claude y la de Gemini. Aquí no se repiten porque cambian con cada generación.

Cuando se comporta mal

Una regla que valía al principio deja de aplicarse. No es el modelo: la regla vivía en un bloque que ya no se reenvía, o quedó enterrada bajo el contexto de las primeras llamadas. Lo que tiene que sobrevivir a toda la conversación va en la parte fija del prompt y se envía con cada petición; lo que cambia va en el hueco de contenido.

La respuesta cumple el formato y no sirve. Casi siempre hay dos reglas que se contradicen —cien palabras y exhaustivo, cinco hallazgos y sé breve— o un campo cuyo contenido nunca se definió. Se arregla en el prompt, no en la revisión: elige qué regla gana y escribe el desempate en una línea.

text

Cuando el límite de longitud y la lista de comprobación entren en conflicto,
manda el límite: recorta la explicación, nunca los elementos de la lista.

El modelo responde a un ejemplo como si fuera la petición. Los ejemplos no están agrupados ni etiquetados, así que el último se lee como la entrada real. Mete el conjunto en un contenedor y cierra con "procesa ahora la entrada que va en <entrada>".

La respuesta se llena de proceso que nadie lee. Se pidió "piensa paso a paso" para una decisión que no necesita auditoría. Pide la decisión y su motivo en una frase, y reserva el trabajo visible para las tareas donde alguien lo va a revisar.

Antes de publicarlo

Lee el prompt de arriba abajo como lo va a leer el modelo: sin memoria de la conversación que lo produjo. Tres preguntas, en este orden. ¿La tarea está clara para alguien que no tiene tu contexto? ¿Cada restricción se comprueba mirando la salida? ¿Hay dos reglas que se contradicen, incluida la excepción que contradice a la regla general?

Después, el alcance. Un encargo tan ancho que cualquier respuesta vale no está especificado; uno tan estrecho que no deja juicio no aguanta las entradas que no has visto.

Y cuatro comprobaciones rápidas: que el criterio de éxito encaja con el formato pedido, que los ejemplos tienen la misma estructura que la petición real, que la salida de emergencia está definida para los casos que puedes anticipar, y que el prompt no pide razonamiento, detalle o longitud que ningún lector va a usar.

text

Revisa el prompt que va entre <prompt>. Devuelve una lista con:
1. La tarea en una frase, tal como la entiende quien no tiene contexto.
2. Cada restricción y si se puede comprobar mirando la salida.
3. Las parejas de reglas que se contradicen, citando las dos.
4. Lo que el prompt pide y ningún lector va a usar.
No reescribas el prompt todavía.

Cambiar una cosa cada vez y comparar las salidas es parte del trabajo, no una señal de que el prompt estaba mal. Te quedas con la versión que funciona, no con la que suena mejor.

Qué cambió y cuándo

  • 21 de octubre de 2026. La versión de API 2026-10-21 de Anthropic retira temperature, top_p y top_k: enviarlos devuelve 400. (retiradas de modelos)
  • 20 de octubre de 2026. La caché de prompts de OpenAI pasa a 12 horas, con escritura a 2,5 veces el precio de entrada. La parte fija del prompt deja de ser una cuestión de estilo. (registro de cambios)
  • 3 de septiembre de 2026. GPT-6 Astra no acepta temperature ni top_p propios. (guía del modelo más reciente)
  • 21 de julio de 2026. Google declara obsoletos los tres parámetros de muestreo y los ignora; si el último turno no vacío es del modelo, devuelve 400. thinking_budget pasa a llamarse thinking_level. (novedades de Gemini 3.6)
  • 28 de mayo de 2026. Anthropic devuelve 400 si envías temperature, top_p o top_k con un valor distinto del de por defecto. (notas de publicación)

Con eso, el orden de trabajo cuando cambias de modelo es: sacar del texto el esfuerzo, el muestreo y el prellenado; comprobar que la parte fija se reenvía con cada petición; y volver a la guía del proveedor para los nombres y los valores.

Resumen

Un prompt que aguanta el cambio de modelo dice qué rol ocupa el modelo, qué tarea tiene, qué entra, qué sale y cómo se comprueba que la respuesta sirve. Los mandos que antes se pedían dentro del texto —profundidad de razonamiento, muestreo, prellenado de la respuesta— se han mudado a la petición, y cada proveedor los llama de una forma.

Artículos relacionados

¿Listo para crear mejores prompts?

SystemPrompt Master aplica el método de estas guías para escribir el prompt del modelo que elijas y guarda cada versión.