Guía completa: de la instrucción básica a las técnicas que usan los profesionales
Ya conoces la receta de 4 partes (Contexto · Tarea · Restricciones · Referencia) para tus prompts de render. Esta guía va un paso más allá: reúne las técnicas de prompting que existen para conversar con Claude, Gemini o cualquier IA de texto, más allá de las imágenes. Cada técnica trae su explicación, cuándo usarla y un ejemplo real aplicado a tu día a día.
| Situación | Técnica | Por qué |
|---|---|---|
| Tarea simple, un solo resultado claro | Zero-shot | No hace falta ejemplo, la instrucción sola alcanza |
| Quieres un formato o estilo muy específico | Few-shot | Un ejemplo enseña el formato mejor que mil palabras |
| La tarea implica cálculos, comparar opciones o decidir | Chain of thought | Pedirle que razone paso a paso reduce errores |
| Quieres una respuesta con un enfoque o tono específico | Role prompting | Un rol define el criterio con el que responde |
| Una tarea grande con varios pasos dependientes | Prompt chaining | Divide y reduce el margen de error de cada paso |
| No confías en el primer resultado | Autocrítica | Pedirle que revise su propio trabajo detecta fallos |
Las tres bases sobre las que se construye todo lo demás.
Es lo que ya haces casi siempre: le pides algo a Claude o Gemini y confías en que entienda qué quieres a partir de la descripción. Funciona bien para tareas comunes donde el formato no es ambiguo.
Un ejemplo comunica el formato exacto mucho mejor que describirlo en palabras. Es la técnica más efectiva cuando necesitas consistencia entre varias respuestas (ej. siempre el mismo estilo de mensaje a clientes, siempre la misma estructura de cotización).
La misma lógica de Contexto / Tarea / Restricciones / Referencia que usas para renders funciona para cualquier prompt de texto. Cuanto más compleja la tarea, más vale la pena estructurarla en vez de escribirla como un solo párrafo corrido.
Para cuando la tarea implica pensar, comparar o decidir, no solo redactar.
Cuando le pides a la IA "la respuesta directa" en una tarea que implica varios cálculos o comparaciones, es más fácil que se equivoque. Pedirle que muestre el razonamiento paso a paso (en inglés se conoce como chain of thought) reduce errores, porque la obliga a resolver cada parte antes de llegar a la conclusión, en vez de "adivinar" el resultado final de una vez.
Asignar un rol ("actúa como...") no es decoración: cambia el criterio con el que la IA prioriza, qué detalles incluye y qué tono usa. Un mismo dato analizado como "contador" da un resultado distinto que analizado como "asesor de ventas".
La IA por defecto tiende a "ayudar de más": agregar secciones que no pediste, sugerir cosas fuera de alcance, o cambiar cosas que no debía tocar. Nombrar explícitamente los límites evita eso, igual que en tus prompts de render cuando dices "no cambies el piso".
Para tareas grandes, con varios pasos, o cuando necesitas confiar más en el resultado.
Pedir todo en un solo prompt gigante suele dar resultados mediocres en cada parte. Encadenar prompts, donde el resultado del primero alimenta al segundo, da mejor calidad en cada paso porque la IA se concentra en una sola cosa a la vez.
La primera respuesta de la IA no siempre es la mejor. Pedirle explícitamente que revise su propio resultado, buscando errores o huecos, mejora la calidad casi sin esfuerzo extra de tu parte.
Cuando no sabes bien cómo pedir algo, en vez de intentar adivinar la instrucción perfecta, pídele directamente a la IA que te ayude a construirla. Es el mismo principio de cuando usas Claude para armar el prompt que después pegas en Gemini o Rendair.