De vago a preciso: perfeccionando una instrucción en tres pasos deliberados
Observe cómo una instrucción simple para un LLM se transforma en un resumen estructurado, y entienda por qué el contexto determina lo que es cierto mientras que el rol, el formato y las restricciones definen un buen resultado.
Fuentes: I Rewrote the Same Prompt Three Times. Here’s What Changed Each Time.
La mayor parte de los resultados deficientes de las LLM no provienen de un modelo débil, sino de una instrucción que deja al modelo adivinando. La forma más rápida de comprobarlo es tomar una sola solicitud y mejorarla paso a paso, observando qué elimina cada cambio de la necesidad de adivinar. A continuación, se muestra una tarea cotidiana en tres versiones; al final tendrás un patrón reutilizable para convertir tus propias instrucciones más frecuentes en aquellas cuyos resultados requieren poca o ninguna edición.
La tarea constante: redactar una publicación en LinkedIn que anuncie una actualización del producto.
Paso uno: la solicitud tal como la escriben normalmente las personas
La primera versión es la que envía casi todo el mundo.
Write a LinkedIn post about our new feature launch.
Nada aquí está incorrecto, pero tampoco se especifica casi nada. No hay rol que el modelo deba adoptar, ninguna descripción de la función, ningún público objetivo, ni tono ni formato. Las únicas indicaciones son “publicación en LinkedIn” y “lanzamiento de función”, por lo que el modelo llena cada vacío con sus valores predeterminados más seguros y genéricos. El resultado es un texto corporativo pulido que podría anunciar cualquier producto.
Paso dos: proporcionar los hechos
La segunda versión le indica al modelo lo que realmente sucedió.
Write a LinkedIn post about our new feature launch. We just added dark mode to our app, and users have been asking for it for months. Keep it casual.
Esto representa una verdadera mejora. Ahora el modelo sabe que se trata del modo oscuro y que los usuarios lo han solicitado durante mucho tiempo, además de que la indicación “mantén un tono informal” aleja el texto de un comunicado de prensa. Lo que aún falta es un hablante definido, un límite de formato y un objetivo claro más allá de “escribir una publicación”. Por lo tanto, el modelo todavía debe decidir cuán extenso será el texto, si incluir un llamado a la acción y en qué tono debe redactarse.
Para muchas personas aquí termina el proceso de generación de instrucciones, y el resultado suele ser aceptable. Sin embargo, aceptable no significa que sea lo mejor que se puede obtener.
Paso tres: agregar rol, objetivo, formato y restricciones
La versión final divide la solicitud en dos partes. Primero se define el rol, que determina el tono del texto:
Act as a founder writing a personal, low-key LinkedIn update, not a marketing announcement.
Luego viene un resumen estructurado que abarca el contexto, el objetivo, el formato y las exclusiones explícitas. Está etiquetado como texto plano, no YAML; colocar cada etiqueta en su propia línea facilita el análisis de las secciones.
Context: We just shipped dark mode after users requested it for months. This is a small update, not a major launch, so it shouldn't be hyped up.Objective: Announce the update in a way that feels like a genuine update from a builder, not corporate copy, and invite people to try it and share feedback.Format: Under 100 words. No emojis. End with a direct, casual question rather than a call to action button.Constraints: Do not use the words "excited," "thrilled," or "game-changer." Do not use hashtags.
La ventaja no radica simplemente en que la instrucción se ha alargado. Cada ambigüedad dejada abierta en la segunda fase ahora está resuelta: el modelo sabe quién habla, qué tono evitar, el límite de palabras, cómo terminar el texto y qué palabras y hashtags están prohibidos. Cuando queda poco por adivinar, también queda poco por error.
Fíjese especialmente en las restricciones negativas. Enumerar palabras prohibidas como “excited” o “game-changer” suele ser la forma más eficiente de eliminar los clichés que hacen reconocible el texto generado, ya que apunta directamente a las opciones predeterminadas más probables del modelo.
Por qué el segundo salto es más importante que el primero
Pasar de la primera fase a la segunda añadió contexto. Pasar de la segunda a la tercera introdujo estructura: un rol, un formato explícito y limitaciones sobre qué evitar. El segundo paso suele tener un efecto mayor del que la gente espera, ya que estos dos elementos cumplen funciones diferentes. El contexto le indica al modelo qué es cierto, mientras que la estructura le muestra cómo debe ser un buen resultado.
Esa diferencia también afecta hacia dónde se dirige su esfuerzo. Con una instrucción de segundo paso, por lo general corrige la forma del resultado una vez que este llega: recortando la longitud, eliminando exageraciones o reescribiendo el final. Con una instrucción de tercer paso, describe la forma desde el principio, por lo que la edición prácticamente desaparece. Si desea un modelo más completo para sistemas de producción, consulte nuestro marco de siete capas para instrucciones de LLM.
Una advertencia importante: no toda instrucción merece un tratamiento completo. Para una pregunta ocasional, el segundo paso es suficiente. La versión estructurada resulta útil para instrucciones que reutiliza, comparte con un equipo o de las que depende para textos dirigidos al público.
Aplique este patrón a sus propias instrucciones
Elija una instrucción que envíe con frecuencia, una que casi pueda escribir de memoria, y repita el ejercicio:
- Añada primero el contexto: los hechos que el modelo no puede conocer por sí solo.
- Añada un rol que defina la voz o perspectiva.
- Añada un formato: longitud, estructura y cómo debe terminar la salida.
- Añada una o dos exclusiones explícitas: palabras, estilos o elementos que deben omitirse.
Típicamente, las dos primeras versiones aún necesitan edición, mientras que la tercera ya está casi lista.
Puntos clave
- Una solicitud simple obliga al modelo a llenar los vacíos con valores predeterminados genéricos.
- El contexto mejora la precisión, pero no define qué significa “hacerlo bien”.
- El rol, el objetivo, el formato y las restricciones convierten una solicitud en una especificación.
- Las restricciones negativas son una forma económica y eficaz de eliminar clichés.
- Invierta en estructura para las solicitudes que reutilice; mantenga las preguntas improvisadas simples.
Lecturas relacionadas
- 30 técnicas prácticas de prompting para Claude del uso diario real — Un análisis probado en el terreno de 30 técnicas de prompting para Claude, organizadas según lo que realmente logran, desde instrucciones claras hasta sistemas completos de prompts.
- Construye un refinador y generador personal de promptings con archivos de Claude — Cómo convertir una conversación en Claude en una herramienta de promptings reutilizable que perfecciona los prompts débiles y expande las ideas básicas en versiones simples, avanzadas y expertas.