En el post anterior definimos la arquitectura mínima de un sistema con IA. Hoy bajamos al nivel de interacción: cómo formular pedidos al modelo para obtener resultados útiles de negocio: consistentes, medibles y eficientes.

Marco práctico de prompting (7 piezas)

1. Objetivo: qué debe lograr (tarea concreta, no “sé creativo”).
2. Contexto: datos relevantes, dominio y restricciones (jurídicas, tono, idioma).
3. Instrucciones: pasos de alto nivel o reglas (sin vaguedad).
4. Formato de salida: JSON/tabla/Markdown con esquema explícito.
5. Criterios de calidad: qué es “bueno” (completo, sin alucinaciones, con citas cuando aplique).
6. Límites: qué no debe hacer; permitir “no sé”.
7. Ejemplos (opc.): 1–2 casos representativos bien curados.

5 plantillas que funcionan

1) Extracción con JSON validable

Rol: Eres un extractor estricto de datos.
Objetivo: Extrae campos del texto proporcionado.
Salida: SOLO JSON válido, sin texto adicional.
Schema:
{
  "title": "string",
  "date": "YYYY-MM-DD|null",
  "entities": ["string"]
}
Reglas:
- Si un dato no aparece, usa null o [].
- No infieras; no inventes.
- Idioma de salida: es-ES.
Texto (INPUT):
{TEXTO}

2) Resumen con criterios negociados

Rol: Eres un redactor técnico.
Objetivo: Resume para directivos ocupados.
Criterios: 120–160 palabras, 3 riesgos, 2 próximos pasos.
Formato: Markdown con encabezados H3.
Contenido (DOC):
{DOCUMENTO}

3) Q&A con RAG y abstención

Rol: Eres un asistente con acceso a fragmentos citables.
Reglas:
- Responde SOLO con la evidencia proporcionada.
- Si no hay evidencia suficiente, di: "No lo sé con la evidencia actual."
Salida:
{
  "answer": "string",
  "citations": [{"title":"string","url":"string"}]
}
Contexto (FRAGMENTOS):
{FRAGMENTOS}
Pregunta:
{PREGUNTA}

4) Crítica y corrección (revisor)

Rol: Eres un revisor crítico.
Criterios: precisión, completitud, tono, formato JSON.
Entrada:
- Pregunta: {P}
- Respuesta: {R}
Salida:
{
  "is_ok": true|false,
  "issues": ["string"],
  "fixed_answer": "string"
}

5) Clasificación multietiqueta

Objetivo: Clasificar el texto en una o más etiquetas de la lista.
Etiquetas: ["factura","soporte","legal","marketing"]
Reglas:
- Devuelve solo etiquetas presentes en la lista.
- Si ninguna aplica, devuelve [].
Salida:
{"labels": ["string"]}
Texto (DOC):
{TEXTO}

Delimitadores y datos sensibles

Usa separadores claros (p. ej., encabezados “INPUT/DOC/FRAGMENTOS”) para distinguir instrucciones de datos. Evita PII; si es imprescindible, anonimiza y especifica el propósito.

Anti-patrones que arruinan prompts

• Objetivos difusos: “Hazlo mejor” → ¿mejor en qué métrica?
• Salida sin contrato: sin esquema ni límites de longitud.
• Prompts kilométricos: encarecen sin mejorar.
• Sin vía de escape: no permitir “no sé” induce alucinaciones.

Antes / Después

Antes: “Resume este documento.”

Después:

Rol: Analista.
Objetivo: resumen ejecutivo.
Límites: 140 palabras, tono formal, 2 KPIs y 1 riesgo.
Formato: Markdown con H3 "Resumen", "KPIs", "Riesgo".
Entrada (DOC):
{DOCUMENTO}

Medición y versionado

• IDs para prompts: prompt.v1.resumen_exec.es, prompt.v2.resumen_exec.es.
• Métricas: coste/consulta, latencia p95, tasa de “no sé”, precisión útil.
• A/B testing: cambia UNA cosa por iteración (formato, límites o instrucciones).

Micro-workflow n8n: “Prompt con contrato”

1. Webhook → recibe {task, text, lang}.
2. Function → selecciona plantilla por task y ajusta límites (max_tokens, schema).
3. LLM → genera salida.
4. Function → valida JSON (si aplica); si falla, reintento con instrucción “SALIDA SOLO JSON”.
5. IF → si is_ok=false (revisor), devuelve feedback al usuario.
6. Database → guarda costo, latencia y versión del prompt.

Errores comunes (y cómo evitarlos)

• Pedir razonamientos extensos sin necesidad.
• Olvidar límites de longitud: fija max_tokens y reglas de concisión.
• Mezclar idioma de entrada/salida: especifica siempre el idioma de salida.
• No validar JSON: añade validador y reintento automático.

Conclusión

Prompts con intención de negocio = objetivo claro + contrato de salida + límites y métricas. Con estas plantillas y el flujo de n8n tendrás resultados consistentes y listos para producción.

← Anterior: Arquitectura mínima para construir tu primer sistema con IA

Siguiente: Patrones de prompt reutilizables que todo desarrollador debería conocer →