Las bases del prompting

#Cómo hacer preguntas a un LLM: tres formas, una regla

Un modelo de lenguaje continúa un texto. Por tanto, lo que produce depende casi enteramente de lo que le proporciones. La documentación de Anthropic establece una regla de oro útil para cualquier modelo: muestra tu prompt a un colega que no conozca la tarea y pídele que lo ejecute; si no sabe qué hacer, el modelo tampoco lo sabrá. Recomienda pedir explícitamente lo que se quiere, incluido el nivel de esfuerzo, en lugar de esperar que el modelo lo deduzca a partir de una instrucción vaga. Esta regla vale tanto para un modelo de 8 mil millones de parámetros en tu equipo como para un modelo de vanguardia. Los parámetros, la cuantización o el modelo elegido importan, pero un prompt vago arruina cualquier modelo.

#Tres formas de enviar una pregunta a un modelo local

Interfaz de chat

Open WebUI, LM Studio, Jan: tú escribes, el modelo responde, el historial se conserva. La vía más sencilla para comenzar.

Línea de comandos

ollama run suivi du nom du modèle ouvre une session interactive dans le terminal. Pratique pour des essais rapides.

API

Un programa envía una solicitud HTTP al servidor local y recibe la respuesta en formato JSON. Es el camino de los scripts y las automatizaciones.

curl http://localhost:11434/api/chat -d '{
  "model": "gpt-oss",
  "messages": [
    {"role": "system", "content": "Tu réponds en français, en trois phrases maximum."},
    {"role": "user", "content": "Explique ce qu'est un token."}
  ],
  "stream": false
}'

El mensaje con el rol system establece el marco permanente; el mensaje con el rol user contiene la solicitud. La guía sobre prompts de sistema detalla qué incluir en el primero. Sea cual sea la vía, la calidad de la respuesta depende de lo que contenga el mensaje.

#Anatomía de un buen prompt: rol, tarea, contexto, formato

Muchas guías destacan cuatro elementos: el rol, la tarea, el contexto y el formato. No es una norma, sino un recurso mnemotécnico que coincide con las recomendaciones de la documentación: ser preciso, dar el contexto, estructurar, fijar el formato y, si es necesario, definir un rol. La documentación de Anthropic señala que un rol expresado en una sola frase en el mensaje del sistema ya orienta el tono y el comportamiento.

Rol

Una frase que define el papel del modelo: «Eres un corrector de francés riguroso». El rol determina el registro, no la inteligencia.

Tarea

El verbo de acción, lo más preciso posible: «Resume en cinco viñetas basadas en hechos, sin adjetivos» es mejor que «Resume».

Contexto

Los datos a procesar y el motivo de la solicitud. Explicar el porqué de una restricción ayuda al modelo a generalizarla correctamente.

Formato

Longitud, estructura, idioma, tono. Sin estas especificaciones, el modelo elige por sí mismo.

Tu es un assistant juridique qui explique en français simple.

Tâche : résume le contrat ci-dessous en 5 points, du plus risqué
au moins risqué pour le signataire.

<contrat>
[le texte du contrat ici]
</contrat>

Format : liste à puces, une phrase par puce, 20 mots maximum.

Las etiquetas que delimitan el contrato en el ejemplo anterior no son decorativas: la documentación indica que las etiquetas XML ayudan al modelo a distinguir sin ambigüedad las instrucciones, el contexto, los ejemplos y las entradas variables. Elige nombres coherentes y descriptivos y utiliza el mismo delimitador de un prompt a otro.

#Los errores que hacen perder más tiempo

En la penúltima línea, la documentación de Anthropic recomienda decirle al modelo lo que debe hacer en lugar de lo que no debe hacer, y da como ejemplo sustituir «no uses Markdown» por una descripción de la forma deseada: párrafos de prosa fluida. En la última, recomienda explicar el motivo de una instrucción: el modelo deduce de él una regla general en lugar de una prohibición literal.

#Técnicas que funcionan en casi todos los modelos

#Dar ejemplos

Los ejemplos, según la documentación de Anthropic, son uno de los métodos más fiables para orientar el formato, el tono y la estructura. Tres a cinco ejemplos suelen dar los mejores resultados, siempre que sean pertinentes, variados (incluyendo casos límite) y encerrados entre etiquetas para no ser interpretados como instrucciones. Es especialmente eficaz para clasificar, extraer o reformatear.

#Pedir que razone

En un problema lógico, un cálculo o código, pedir al modelo que establezca los pasos antes de concluir mejora a menudo el resultado, a costa de una respuesta más larga. Algunos modelos locales lo hacen solos: la documentación de Ollama explica que los modelos de razonamiento incluyen un campo 'thinking' separado de la respuesta final, que puedes leer, mostrar o ocultar. Para los demás, una frase basta: «Explica tu razonamiento paso a paso, luego da la respuesta final».

#Colocar un documento largo

La documentación de Anthropic recomienda, para entradas de más de 20 000 tokens, colocar los documentos largos al principio del prompt, antes de la pregunta, y escribir la pregunta al final: según sus pruebas, esto puede mejorar la calidad de las respuestas hasta un 30 %, especialmente en entradas con varios documentos. Este resultado proviene de pruebas realizadas con los modelos Claude: verifícalo en tu modelo local con tus propios textos.

#Hacer que se verifique la respuesta

Pide al modelo que cite, para cada afirmación, el pasaje del texto proporcionado que la justifique, o que escriba «no verificado» si no encuentra ninguno. Esta instrucción no elimina las alucinaciones, pero permite detectar los errores. La guía sobre las alucinaciones detalla sus limitaciones.

#Un caso concreto: de una instrucción vaga a un prompt usable

Toma una petición típica: pegas un acta de reunión y escribes «haz un resumen». El modelo no sabe para quién es el resumen, cuántas líneas esperas, si hay que listar decisiones o tareas ni en qué idioma responder. Produce un texto genérico de longitud arbitraria, que corregirás a mano.

La última línea es la más útil con un modelo local: darle una salida explícita cuando falta información reduce las invenciones. Cada añadido solo requiere una frase, y el conjunto transforma un resultado que necesita revisión en uno aprovechable. Repite la prueba con tres informes diferentes antes de fijar tu prompt: un prompt que solo funciona con un ejemplo es un prompt frágil. Guarda después tu mejor versión en un archivo de texto: reutilizada tal cual, te ahorrará más tiempo que cualquier truco de formulación y te permitirá comparar dos modelos con la misma instrucción.

#Imponer un formato de salida

Cuando un programa debe leer la respuesta, una simple frase como «responde en JSON» no siempre es suficiente. Ollama ofrece salidas estructuradas: introduces un esquema JSON en el campo format de la solicitud y la respuesta está obligada a respetarlo. La documentación recomienda también incluir el esquema en el prompt para orientar la respuesta, reducir la temperatura (por ejemplo, a 0) para obtener resultados más deterministas y definir el esquema con Pydantic o Zod para reutilizarlo en la validación. Las salidas estructuradas también funcionan a través de la API compatible con OpenAI mediante response_format. No están disponibles para los modelos en la nube de Ollama.

curl http://localhost:11434/api/chat -d '{
  "model": "gpt-oss",
  "messages": [{"role": "user", "content": "Résume ce contrat : ..."}],
  "stream": false,
  "format": {"type": "object", "properties": {"resume": {"type": "string"}, "risques": {"type": "array", "items": {"type": "string"}}}, "required": ["resume", "risques"]}
}'

#Iterar sin empezar desde cero

Una respuesta imperfecta se corrige mejor con una instrucción específica que con un nuevo prompt. Di qué está mal y qué esperas: «rehazlo en tres viñetas de doce palabras como máximo», «un tono más directo, sin fórmulas de cortesía», «añade los tres riesgos más concretos». Si el resultado empeora a medida que avanzan los turnos, suele ser porque el historial ha llenado la ventana de contexto: empieza de nuevo con un resumen.

#Lo que cambia con un modelo local

Instrucciones más explícitas

Un modelo pequeño infiere peor lo que no se dice explícitamente. Escribe todo, incluso lo que te parezca evidente.

Contexto truncado por defecto

Con menos de 24 GiB de VRAM, Ollama parte de un contexto de unos 4.000 tokens: un texto largo que pegues puede quedar truncado. Amplía la ventana antes de atribuir el problema al prompt.

Modelos de razonamiento

Piensan antes de responder: la respuesta llega más tarde y consume tokens de reflexión.

Menor fiabilidad en francés

Los modelos pequeños cometen más errores de concordancia. Añade una instrucción de revisión o elige un modelo más grande.

Temperatura

Un ajuste bajo (0 a 0,3) es adecuado para la extracción y el JSON; un ajuste más alto, para la redacción. Ver la guía sobre los parámetros.

#Recordatorio antes de enviar un prompt

Una frase, un verbo

La tarea se formula como una instrucción completa, con un verbo de acción específico.

Datos separados

El texto a procesar está encerrado entre etiquetas, nunca mezclado con las instrucciones.

Formato escrito

Se indican la longitud, la estructura, el idioma y el tono.

Salida explícita

El modelo sabe qué responder cuando la información falta.

Uno o dos ejemplos

Para una extracción o clasificación, un ejemplo vale diez explicaciones.

Ventana verificada

El prompt y la respuesta esperada caben en el contexto asignado.

#Para ir más allá

• Dominar los system prompts
• Temperatura, top-p, top-k: los parámetros
• Comprender la ventana de contexto
• Llamada a funciones y salidas JSON con Ollama
• Alucinaciones: cómo limitarlas
• Tu primera conversación local

• Fuente: Anthropic, buenas prácticas de ingeniería de prompts
• Fuente: Ollama, salidas estructuradas
• Fuente: Ollama, modelos de razonamiento
• Fuente: Ollama, longitud de contexto