Dale al modelo lo que no puede saber
Aporta los hechos, los materiales y la situación de los que depende la tarea, bien separados de tus instrucciones.
Por qué importa
Un modelo sabe muchísimo sobre el mundo y nada sobre tu reunión del martes. Todo prompt se apoya en hechos que solo existen en tu cabeza, en tus archivos o en tu organización: las notas, los datos, los antecedentes, el motivo por el que esto ocurre ahora. Si no están en el prompt, el modelo llena el hueco con conjeturas verosímiles, y las conjeturas verosímiles son los errores más difíciles de detectar.
Las recomendaciones de Anthropic tratan el contexto como una palanca de calidad: explicar la situación y la motivación de una petición da al modelo más elementos y produce respuestas más certeras. Su artículo sobre ingeniería de contexto va más allá y describe el trabajo con prompts como la selección de toda la información que ve el modelo. OpenAI define el contexto como la información a la que el modelo no podría acceder de otro modo.
El contexto también necesita bordes. Cuando el material pegado se mezcla con tus instrucciones, el modelo no siempre distingue qué frases son datos y cuáles son peticiones. Etiquetas como <notas>…</notas>, bloques delimitados o encabezados claros lo resuelven.
Cómo es un buen prompt
- 0 — Ningún contexto. El modelo tiene que adivinar el tema, la situación y el material: «Resume esto».
- 1 — Situación mencionada de pasada. «Resume la reunión que tuvimos sobre el presupuesto». Falta la reunión en sí.
- 2 — Material presente pero sin delimitar o incompleto. Las notas están pegadas, pero se confunden con las instrucciones.
- 3 — Material delimitado y situación explicada. Las notas entre etiquetas y una línea sobre qué reunión fue y para quién es el resumen. Quedan pequeñas lagunas.
- 4 — Completo, delimitado y con lo que falta indicado. El material, los antecedentes que el modelo no puede deducir («la tercera revisión del trimestre; la última vez se superó el presupuesto de viajes») y una nota sobre lo que no tiene («las cifras de junio no están disponibles, así que no las estimes»).
Errores frecuentes
- Mencionar un material en lugar de incluirlo («el informe», «nuestra política», «el correo de la semana pasada»).
- Pegar todo lo que tienes. Más texto no es más contexto: incluye lo que necesita la tarea y di por qué está ahí.
- Dejar el material pegado sin delimitar, de modo que una instrucción escondida dentro puede seguirse por accidente.
- Omitir los antecedentes que explican por qué existe la tarea, que a menudo son lo que decide la respuesta.
- Olvidar decir lo que no se sabe, lo que invita al modelo a inventarlo.
Pruébalo con tu propio prompt
Pega en el espacio de trabajo un prompt en el que confíes y léelo como lo haría una persona competente sin acceso a tus archivos. ¿Qué dato pediría primero? Añádelo, pon el material pegado entre etiquetas y agrega una línea sobre lo que no está disponible. Después compara la puntuación de contexto antes y después.
Ejemplos resueltos
Resumen de una reunión
Resume la reunión que tuvimos sobre el nuevo horario.
<notas>
{{pega aquí las notas de la reunión}}
</notas>
Estas son mis notas de la reunión de equipo del martes en nuestra biblioteca de barrio sobre abrir hasta las 20:00 los jueves.
Contexto que las notas no recogen: es la segunda reunión sobre el tema. La primera terminó sin acuerdo porque el turno de voluntarios no estaba listo. El ayuntamiento aún no ha decidido si financiará las horas extra, así que deja fuera el presupuesto en lugar de especular.
Resume las notas para los voluntarios que no pudieron asistir: qué se acordó, qué sigue abierto y quién hace qué y para cuándo.
El prompt débil remite a una reunión que el modelo nunca vio. El fuerte aporta las notas entre etiquetas, añade los antecedentes que las notas omiten y dice qué no se sabe todavía.
Depurar un script
¿Por qué no funciona mi código?
<code language="python">
{{pega aquí la función}}
</code>
<error>
{{pega aquí el mensaje de error y el traceback completo}}
</error>
Situación: esta función lee la exportación en CSV de nuestro sistema de reservas y suma los anticipos por mes. Funcionaba hasta la semana pasada, cuando la exportación empezó a incluir el símbolo de la moneda en la columna de importes («45,00 €» en lugar de «45,00»). Uso Python 3.12 con pandas 2.2 y no he modificado la función. Ya no tengo las exportaciones antiguas, así que trabaja a partir de esta descripción en lugar de pedirme que las compare.
Explica qué causa el error y propón el cambio más pequeño que lo corrija.
Sin el código, el error y lo que cambió, cualquier respuesta es una conjetura. La versión fuerte delimita cada entrada, explica la situación y dice qué información no está disponible.
Ejercicio
Reescribe este prompt para que el modelo sepa qué material es, dónde empieza y termina, y qué cuenta como importante.
Reescribe este prompt con los datos que el modelo necesita para valorar el precio, e indica con claridad lo que no sabes.
Reescribe este prompt para incluir el ensayo y los comentarios del profesor (o marcadores de posición), delimitados y con la situación explicada.