Cómo Escribirle a ChatGPT: Guía Definitiva

Defina aquí el rol/personalidad del modelo si es útil (opcional). Ej: 'Eres un analista de datos experto...'

Describa de forma **clara, específica y detallada** la tarea a realizar. Incluya el formato deseado de la respuesta (lista, párrafo, JSON, etc.), la extensión esperada, el estilo o tono, y cualquier criterio importante. Ej: 'Resume el texto en 3 viñetas concisas, en tono formal, destacando solo hechos clave.'

Proporcione cualquier **contexto o texto de entrada relevante** que el modelo deba utilizar. Separe claramente este contenido, por ejemplo con delimitadores como ```"""``` o etiquetas XML, para que el modelo diferencie las instrucciones del texto.

**Opcional:** Si aplica *few-shot prompting*, incluya **ejemplos** de entradas y salidas esperadas para guiar al modelo. Cada ejemplo debe seguir el formato deseado e ilustrar correctamente la tarea. Separe los ejemplos del resto del prompt con un marcador claro (p. ej. `##` entre ejemplos).

**Opcional:** Si lo requiere, especifique aquí una plantilla de **formato de salida** esperado. Por ejemplo, puede mostrar campos o JSON vacío que el modelo deberá llenar, o tags XML como `<respuesta></respuesta>` para delimitar la respuesta.

Consiste en proporcionar ejemplos de pregunta-respuesta dentro del prompt para que el modelo aprenda el patrón deseado. Por ejemplo, si quiere clasificar sentimientos, puede dar un par de ejemplos de texto y su clasificación *antes* de preguntar por el nuevo texto. OpenAI aconseja probar primero sin ejemplos (zero-shot), y si el resultado no es bueno, entonces agregar 1-3 ejemplos relevantes (one-shot/few-shot). Los ejemplos deben ser *representativos y variados*, mostrando exactamente el formato de salida esperado. Tenga cuidado de no dar demasiados ejemplos muy específicos, ya que podría ajustar en exceso la respuesta del modelo a esos casos (overfitting). Con 2-5 ejemplos suele bastar para mejorar la respuesta manteniendo generalidad.

Es una técnica donde se instruye al modelo a "pensar paso a paso" en lugar de dar directamente la respuesta. Esto puede hacerse de forma implícita (agregando la frase 'Reflexiona paso a paso...' o 'Let's think step by step' antes de la respuesta) o explícitamente pidiéndole que muestre su razonamiento. Varios estudios han demostrado que inducir una cadena de pensamiento mejora la capacidad de resolver problemas complejos o de múltiples pasos. Por ejemplo, Anthropic sugiere usar tags `<Thinking>` para que Claude primero escriba sus deducciones, y luego `<answer>` para la respuesta final. Esto permite incluso separar y ocultar el razonamiento interno si no se desea mostrar al usuario final. Nota: Para modelos muy avanzados de razonamiento (como GPT-4), a veces no es necesario indicarle esto, pues ya tienden a desglosar el problema internamente. Google recomienda usar CoT con prompts simples y no forzarlo si el modelo ya razona bien por sí mismo.

Estructurar tanto el prompt como la salida en formato tipo XML, JSON u otro esquema delimitado puede dar más control. Anthropic reporta que el uso de etiquetas como `<instructions>...</instructions>` para instrucciones, `<data>...</data>` para datos, `<example>...</example>` para ejemplos, etc., evita que el modelo mezcle roles. Asimismo, en la salida, pedir respuestas en, por ejemplo, formato JSON con campos específicos, o dentro de tags `<respuesta></respuesta>`, ayuda a extraer la información fácilmente y reduce la variabilidad en la presentación. Esta técnica combina bien con few-shot: puede proporcionar un ejemplo con el formato exacto deseado para que el modelo lo imite.

Es útil iniciar el prompt definiendo quién es el modelo en el contexto de la tarea, lo cual actúa como una especie de system prompt inyectado. Por ejemplo: 'Eres el mejor redactor publicitario del mundo, especializado en un tono humorístico pero profesional...'. Esto aprovecha la capacidad del modelo de seguir un personaje o conjunto de conocimientos específico. En entornos de chat con mensajes de sistema, ubique estas instrucciones de rol en el mensaje del sistema para mantenerlas persistentes. Un rol bien definido puede llevar a respuestas más coherentes y adecuadas al dominio (el modelo actuará "como experto" en lugar de un generalista). Combine esto con instrucciones claras en el mensaje de usuario para resultados óptimos.

Otro hack es comenzar la respuesta por el modelo dentro del prompt para marcar tono o estructura. Por ejemplo, incluir al final del prompt una línea que simule el inicio de la respuesta: 'Asistente:[responde en tono formal]...'. Igualmente, puede proporcionar un esquema de respuesta vacío que el modelo deberá llenar, como una lista con viñetas ya iniciadas (- ) o títulos de secciones ya escritos para un informe. Este preformateo sirve como guía fuerte y reduce dudas sobre cómo empezar la respuesta.

Para tareas complejas, considere un enfoque de agente donde el modelo trabaja en varios pasos en lugar de un solo prompt. Puede hacer que el modelo genere un plan primero, luego alimentar ese plan de vuelta con otra pregunta. Asimismo, si dispone de funcionalidad de herramientas (por ejemplo, mediante APIs que permiten al modelo buscar información, ejecutar cálculos, etc.), estructure el prompt para integrarlas. Un patrón conocido es ReAct, donde el modelo alterna razonamiento y acciones en el prompt para resolver problemas paso a paso. Para esto se diseñan prompts con secciones del tipo 'Pensamiento: ...', 'Acción: ...', controlando que el modelo siga el formato. Estos enfoques trascienden el prompt único y utilizan system prompts extensos para definir la forma de operar del agente, incluyendo posibles herramientas y cómo usarlas. Son útiles en productos donde se requiere que la IA actúe de forma autónoma siguiendo ciertas reglas.

Un prompt ambiguo produce respuestas ambiguas. Evite términos generales o preguntas abiertas sin contexto suficiente. Solución: Especifique los detalles clave: quién, qué, cómo y con qué criterios debe responder el modelo. Por ejemplo, 'Resume el artículo' es ambiguo (¿qué longitud? ¿qué enfoque?), mejor 'Resume el siguiente artículo en 5 frases destacando los puntos más polémicos'.

Si proporciona ejemplos (few-shot), asegúrese de que no contradigan las instrucciones ni entre sí. Todos deben seguir el formato y criterio deseado. Un error sería pedir 'respuestas breves' pero en los ejemplos mostrar párrafos largos. Solución: revise que los ejemplos modelen exactamente el resultado que pide. Si cambia las instrucciones, actualice los ejemplos para mantener coherencia.

Decir 'no hagas X' sin aclarar 'haz Y en su lugar' puede confundir al modelo. Por ejemplo: 'No des recomendaciones' podría llevar a que el modelo termine abruptamente o ignore la instrucción. Solución: reformule las reglas en positivo. En este caso: 'Limítate a exponer hechos sin incluir recomendaciones'. Así el modelo sabe qué hacer en lugar de solo qué evitar.

Ocurre cuando el prompt es demasiado escueto para la complejidad de la tarea. El modelo rellena los vacíos como puede, a veces mal. Solución: agregue la información ausente. Si la tarea requiere asumir un contexto (dominio, público objetivo, formato de salida), es mejor proporcionarlo que esperar que el modelo adivine. Por ejemplo, si desea un texto publicitario, especifique el público ('clientes jóvenes', 'ejecutivos B2B') para guiar el tono.

Es lo opuesto: inundar al modelo con indicaciones, ejemplos y restricciones puede ser contraproducente. Prompts excesivamente largos o rígidos pueden estresar al modelo (lo llevan a esforzarse por cumplir todo al pie de la letra, a veces fallando en cosas básicas). También aumentan el costo en tokens. Solución: busque un balance. Incluya suficiente detalle, pero *solo lo necesario* para lograr la respuesta deseada. No sature con 10 ejemplos si con 2 es suficiente. No repita la misma instrucción en diferentes palabras. Evite datos irrelevantes que puedan distraer (el modelo podría usarlos accidentalmente). Un prompt debe ser completo pero conciso.

Un prompt puede comportarse distinto en otro idioma o modelo. Solución: si va a usar el prompt en varios idiomas (por ejemplo, venderlo en un paquete bilingüe), pruébelo en cada idioma objetivo. Ajuste matices culturales o de vocabulario. Por ejemplo, ciertos tonos (humor, cortesía) se logran diferente en español que en inglés. Puede ser útil incluir en el prompt la instrucción de idioma explícita: 'Responde en español neutro'. Asimismo, adapte el prompt a las idiosincrasias del modelo; p. ej., modelos como GPT tienden a verbosidad, así que conviene pedir 'sé conciso', mientras que otros pueden requerir que se les anime a dar más detalle.