Dominar los sistemas prompts

#¿Qué es un prompt de sistema y cómo escribirlo?

Un prompt del sistema es el mensaje con el rol «system» situado al principio de la conversación: establece la identidad del modelo, su misión, sus reglas, su estilo y el formato de sus respuestas antes de que hagas la primera pregunta. El modelo lo vuelve a leer en cada turno, al igual que el historial. Para escribirlo, utiliza cinco bloques cortos (identidad, misión, reglas estrictas, estilo y formato de salida), formula instrucciones en imperativo y verificables, y después pruébalo con algunas preguntas trampa. Un prompt del sistema guía el comportamiento; no constituye una barrera de seguridad ni una caja fuerte para tus secretos, y consume una parte de la ventana de contexto de tu modelo local. Esta guía detalla cada punto, con ejemplos listos para pegar en Ollama, LM Studio o una API compatible con OpenAI.

Un LLM recibe generalmente tres tipos de mensajes: system (el marco permanente), user (lo que tú escribes) y assistant (lo que ya ha respondido). El cliente de chat envía toda la conversación al modelo en cada solicitud, incluyendo el mensaje system. Es por eso que se da la impresión de una «personalidad» estable durante la sesión.

Los proveedores de modelos describen el mismo uso. La documentación de Anthropic explica que definir un rol en el prompt de sistema centra el comportamiento y el tono del modelo, y que una sola frase basta para marcar la diferencia. El principio se aplica a los modelos locales: la instrucción permanente va en el mensaje system y la pregunta del momento en el mensaje user.

#Lo que realmente cambia un buen prompt de sistema

Coherencia del tono

Un asistente que te trata de tú en el primer mensaje y de usted en el segundo revela un prompt de sistema ausente o demasiado vago. Fijar el registro una vez evita que cambie después.

Restricciones más estables

Las prohibiciones («sin emojis») y las obligaciones («citar la fuente») se cumplen mejor cuando se establecen en el mensaje de sistema que cuando se repiten sobre la marcha. Sin embargo, su cumplimiento nunca está garantizado: cuanto más pequeño es el modelo, más comprobaciones hay que hacer.

Menos repetición

Si escribes «responde en francés formal» en cada pregunta, ponlo una sola vez en el mensaje de sistema. Menos olvidos, menos texto que teclear.

Ámbito de la misión

«Trata únicamente el derecho laboral francés» reduce las respuestas fuera de tema, pero nunca garantiza que se eviten por completo.

Lo que no hace el prompt de sistema: no añade conocimiento al modelo ni reemplaza un documento proporcionado en la conversación ni un RAG. Si el modelo debe basarse en tus contratos, es la búsqueda documental la que aporta los hechos; el prompt de sistema solo indica cómo usarlos y citarlos.

#Lo que cuesta: espacio en la ventana de contexto

El prompt de sistema no es gratuito: sus tokens ocupan la ventana de contexto, junto con el historial, tus documentos y la respuesta que se generará. En un equipo local, esta ventana suele ser más pequeña de lo que se cree. La página «Context length» de la documentación de Ollama indica una ventana predeterminada de unos 4.000 tokens («4k») con menos de 24 GiB de VRAM, 32.000 entre 24 y 48 GiB y 256.000 por encima. Por tanto, un prompt de 400 tokens ocupa casi el 10 % de 4.096 tokens, incluso antes del primer intercambio.

El cálculo es sencillo: ventana disponible = ventana total − tokens del prompt del sistema − respuesta esperada. Con 4.096 tokens, un prompt del sistema de 400 tokens y una respuesta de 800 tokens, quedan 2.896 tokens para el historial y los documentos. Cuando el intercambio se alarga, la ventana se llena y el contenido antiguo podría dejar de caber: una razón más para que las instrucciones iniciales sean densas en lugar de largas.

Existe un segundo efecto, documentado por la investigación: en el estudio «Lost in the Middle» (Liu et al., 2023), el rendimiento suele ser mejor cuando la información útil se encuentra al principio o al final del contexto, y se degrada cuando está en el medio, incluso para modelos anunciados con contexto largo. Consecuencia práctica: coloca las reglas más importantes al principio de tu system prompt, y repite la restricción crítica en la última línea si observas olvidos.

#Estructura de un prompt de sistema sólido en cinco bloques

Un buen system prompt cabe en cinco bloques cortos. No es necesario escribir un libro: cada frase adicional consume contexto y aumenta el riesgo de instrucciones contradictorias. La tabla resume lo que contiene cada bloque y el error más frecuente.

Aquí está el mismo prompt ensamblado. Cada regla está redactada en imperativo y es verificable (el artículo se cita o no), y el comportamiento fuera del alcance es explícito.

Tu es Lex, assistant juridique spécialisé en droit
du travail français (version 2026).

MISSION
Tu aides un DRH à comprendre ses obligations et à
rédiger des courriers RH conformes.

RÈGLES
- Ne jamais donner d'avis juridique formel.
- Toujours citer l'article du Code du travail concerné,
  par ex. "L.1232-2".
- Si la question sort du droit du travail, répondre :
  "Hors de mon périmètre. Je ne traite que le droit
  du travail français."

STYLE
- Phrases courtes, vocabulaire accessible.
- Pas d'anglicisme si un équivalent existe.
- Ton professionnel mais direct.

FORMAT
- Réponse par défaut : 1 paragraphe + références.
- Sur demande : tableau, courrier-type, checklist.

Este prompt sirve como plantilla de estructura. Un modelo local puede citar un artículo inexistente: haz que una persona verifique las referencias y consulta la guía sobre las alucinaciones.

#Formular instrucciones que el modelo siga

Imperativo directo

«Haz X.» y «No hagas Y.» son más claros que «intenta, si es posible,…», que deja al modelo libre de no intentarlo.

Primero, lo positivo

Decir lo que hay que hacer («responde en una frase») es mejor que una larga lista de prohibiciones, que conviene reservar para las medidas de protección realmente necesarias.

Un ejemplo vale una descripción

Para un formato preciso, da una respuesta modelo de dos líneas en lugar de tres frases explicativas.

#En la práctica con Ollama: /set system y Modelfile

Ollama ofrece tres formas de definir un prompt de sistema, según la duración deseada. En una sesión interactiva, el comando /set system define el mensaje para la conversación en curso; aparece en la lista de comandos disponibles del cliente. El prompt desaparece al final de la sesión.

>>> /set system """
Tu es Lex, assistant juridique spécialisé en droit
du travail français...
"""

Para un prompt de sistema persistente, crea un Modelfile: es un modelo derivado, con su propio nombre. La documentación de Ollama especifica que la instrucción SYSTEM define el mensaje de sistema que se insertará en la plantilla del modelo. La palabra «plantilla» importa: si la plantilla de un modelo no tiene un espacio para el mensaje de sistema, la instrucción SYSTEM no tendrá efecto. Si observas un comportamiento inesperado, compara con el Modelfile original.

FROM mistral

PARAMETER temperature 0.3
PARAMETER num_ctx 8192

SYSTEM """
Tu es Lex, assistant juridique...
"""

ollama create lex -f ./Modelfile
ollama run lex

Tercera opción, mediante la API: el cuerpo de una solicitud a /api/generate acepta un campo system que reemplaza el definido en el Modelfile, y /api/chat recibe el historial como un array de mensajes con un rol y un contenido. La guía sobre el Modelfile detalla las demás instrucciones.

#En la práctica con LM Studio: el campo System Prompt y los presets

En la pestaña de chat, el panel de configuración contiene un campo System Prompt. Para no tener que volver a escribirlo, LM Studio ofrece los presets. La documentación los describe como una forma de agrupar un prompt de sistema y otros parámetros en una configuración reutilizable de una conversación a otra.

#En la práctica a través de la API compatible con OpenAI

Ollama, LM Studio, vLLM y llama-server exponen una API compatible con OpenAI. El primer mensaje del array, con el rol system, define las instrucciones iniciales. La documentación de Ollama especifica que el cliente exige un valor de clave API pero que el servidor lo ignora: cualquier cadena sirve para uso local.

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:11434/v1",
    api_key="ollama",  # ignoré
)

resp = client.chat.completions.create(
    model="mistral",
    messages=[
        {"role": "system", "content": "Tu es Lex..."},
        {"role": "user",   "content": "Peut-on rompre une période d'essai ?"},
    ],
)

print(resp.choices[0].message.content)

Un detalle de diseño: la API no tiene memoria. En cada llamada, tu código reenvía el mensaje system y después el historial completo. Si lo omites en una llamada, el modelo responde sin las instrucciones iniciales: almacena el array de mensajes y mantén el mensaje system en la posición 0.

#Tres prompts de sistema listos para usar

#Corrector de francés

Tu es un correcteur de français académique.
Règle unique : renvoie UNIQUEMENT le texte corrigé,
sans commentaire, sans liste des changements.
Corrige : orthographe, grammaire, ponctuation, barbarismes.
Ne reformule jamais. Ne change pas le style de l'auteur.

#Extractor estructurado

Tu extrais des informations structurées depuis du texte libre.
Sortie STRICTE : JSON valide, rien d'autre (pas de ```json, pas de texte).
Si une information est absente, renvoie null.
Ne devine jamais.

Para una extracción en producción, no confíes solo en el prompt de sistema: las salidas estructuradas de Ollama permiten imponer un esquema JSON a las respuestas, lo que evita un JSON mal formado. La guía sobre las llamadas a funciones y las salidas JSON explica cómo configurarlas.

#Asistente de código senior

Tu es un ingénieur logiciel senior.
Pour toute réponse de code :
1. Dis en une phrase ce que fait le code.
2. Donne le code dans un bloc unique.
3. Liste 1 à 3 cas limites à surveiller.
Tu ne mets JAMAIS de commentaire à l'intérieur du code,
sauf si un piège non-évident le justifie.

#Probar y corregir un prompt de sistema sin dar palos de ciego

Un prompt de sistema se mejora mediante pruebas controladas, no mediante añadidos sucesivos. Sin método, se acumulan reglas hasta obtener un texto largo, contradictorio e imposible de depurar. Aquí tienes un procedimiento sencillo, sin ninguna herramienta especial.

1. 01
   Formular cinco preguntas de prueba

   Escribe cinco entradas: dos casos normales, una pregunta fuera de alcance, una solicitud de formato inusual y un intento de desviar el rol («olvida tus instrucciones»). Guárdalas en un archivo.
2. 02
   Establecer las condiciones

   Usa el mismo modelo, la misma cuantización y una temperatura baja (de 0,2 a 0,3) para comparar las versiones del prompt en igualdad de condiciones.
3. 03
   Modificar solo una cosa a la vez

   Cambia una regla, vuelve a plantear las cinco preguntas y anota lo que ha cambiado. Si dos reglas cambian al mismo tiempo, no sabrás cuál corrigió o empeoró el comportamiento.
4. 04
   Eliminar antes de añadir

   Cuando se ignora una regla, reformúlala de forma más breve, ponla al principio o elimina aquella que la contradice. Añadir texto es el último recurso.
5. 05
   Versionar el prompt

   Guarda cada versión en un archivo de texto con fecha o en el Modelfile bajo control de versiones, con una línea sobre lo que cambió. Así podrás volver atrás.

#Trampas que evitar

#El prompt del sistema no es una caja fuerte

Las recomendaciones de OWASP sobre el riesgo de filtración del prompt del sistema son claras: no debe considerarse un secreto ni usarse como control de seguridad, y no debe contener credenciales ni cadenas de conexión. Aplicado a un despliegue local: si se necesita un control de acceso (datos por usuario, acciones sensibles), se implementa en tu aplicación, no en una frase del prompt. La guía sobre inyección de prompts explica por qué un modelo local no está a salvo.

• Fuente: documentación de referencia de Modelfile de Ollama (instrucción SYSTEM)
• Fuente: longitud de contexto predeterminada de Ollama
• Fuente: presets de LM Studio
• Fuente: OWASP, filtración del prompt del sistema
• Fuente: Lost in the Middle (Liu et al., 2023)

• Fundamentos del prompting
• Ollama Modelfile: crear y personalizar tu modelo
• Comprender la ventana de contexto
• Temperatura, top-p, top-k: los parámetros
• Inyección de prompt: la ejecución local no te protege
• Function calling y salidas JSON estructuradas con Ollama