Anatomía de un prompt

Le das a un modelo una petición y recibes algo vago o mal formateado. Un compañero pide lo que parece la misma cosa y obtiene exactamente lo que quería. El modelo es idéntico. La diferencia es el prompt, y en concreto si fue armado con las partes correctas en los lugares correctos.

Un prompt no es solo "la pregunta que escribes". Es un pequeño documento estructurado, y una vez que ves sus partes, puedes arreglar una respuesta débil arreglando la parte que faltaba. Esta lección desarma un prompt para que el resto del tema tenga algo concreto sobre lo cual construir.

Un prompt está hecho de partes

Empieza con uno real. Este es un prompt para una herramienta de soporte al cliente que tiene que enrutar los mensajes que llegan:

You are a support assistant for a bank.
Classify the message below as Billing, Technical, or Other.
Message: "My card was charged twice for one purchase."
Reply with only the category name.

Ese único bloque hace cuatro trabajos separados, y cada línea corresponde a uno de ellos:

• El contexto pone la escena: "You are a support assistant for a bank." Le dice al modelo en qué mundo opera y, aquí, qué rol debe cumplir.
• La instrucción es la tarea: "Classify the message below as Billing, Technical, or Other." Esta es la única parte que un prompt nunca puede omitir.
• La entrada son los datos sobre los que actúa la instrucción: el mensaje "My card was charged twice for one purchase."
• El indicador de salida restringe la respuesta: "Reply with only the category name." Sin él, el modelo podría responder "This looks like a Billing issue because the customer mentions a duplicate charge", que es más difícil de usar para tu código.

AWS describe un prompt como una combinación de estos componentes: la instrucción que quieres que se ejecute, el contexto de la tarea, ejemplos de demostración y el texto de entrada que el modelo debe usar. Rara vez necesitas todos a la vez. Un prompt debe combinar las partes que la tarea de verdad requiere, y nada más.

Instrucción frente a entrada: la distinción que más importa

La fuente de confusión más común es tratar la instrucción y la entrada como un solo bulto. Son distintas, y mantenerlas separadas es lo que hace reutilizable a un prompt.

Toma el texto de reseña "La comida estuvo excelente pero el servicio fue lento." Por sí solo es solo entrada. Se vuelve una tarea únicamente cuando una instrucción lo envuelve:

• "Resume esta reseña en una oración" te da un resumen.
• "Clasifica el sentimiento de esta reseña como positivo, negativo o neutral" te da una etiqueta.
• "Traduce esta reseña al inglés" te da una traducción.

La misma entrada, tres instrucciones distintas, tres trabajos distintos. Por eso los prompts de producción mantienen fija la instrucción y cambian la entrada en cada petición. Tu herramienta de soporte nunca reescribe "Classify the message" por cada cliente. Reutiliza esa instrucción y suelta un mensaje nuevo cada vez.

Contexto e indicador de salida: las dos partes que la gente olvida

La instrucción y la entrada son obvias una vez nombradas. Las otras dos se saltan, y saltarlas es de donde vienen las respuestas débiles.

El contexto es información de fondo que el modelo necesita pero que no es la entrada en sí. "El siguiente texto es de una reseña de restaurante" le dice al modelo cómo leer lo que viene después. Un rol como "Eres un contador senior de impuestos" cambia el vocabulario y el nivel de cautela de la respuesta. El contexto no pide nada; enmarca la petición.

El indicador de salida describe la forma de la respuesta. AWS lo muestra con claridad usando un resumen: "Summarize the above text" devuelve un párrafo casi tan largo como el original, mientras que "Summarize the above text in one phrase" devuelve una sola línea apretada. Si tu código posterior espera una sola palabra, un objeto JSON o tres viñetas, el indicador de salida es donde lo dices. Cuando el modelo devuelve el formato equivocado, casi siempre es esta la parte que faltaba.

Zero-shot y few-shot: enseñar con ejemplos dentro del prompt

A veces una instrucción sola no basta para fijar qué quieres, sobre todo el formato exacto o el manejo de casos límite. Puedes mostrarle al modelo en vez de solo decírselo, incluyendo ejemplos trabajados en el prompt.

Un par de ejemplo, una entrada más su salida correcta, se llama shot. Un prompt sin ejemplos es zero-shot: te apoyas en lo que el modelo ya aprendió durante el entrenamiento. Un prompt que incluye uno o más ejemplos es few-shot (o one-shot para exactamente uno), también llamado in-context learning, porque el modelo capta el patrón desde el prompt mismo.

Este es un prompt de sentimiento zero-shot:

Dime el sentimiento de este titular como positivo, negativo o neutral:
Nueva ruta aérea ofrece una gran oportunidad para pasajeros e inversionistas.

Y la versión few-shot, que le muestra al modelo el formato exacto de respuesta primero:

Dime el sentimiento de cada titular como positivo, negativo o neutral.

Firma de investigación se defiende de acusaciones de conducta indebida sobre nueva tecnología.
Respuesta: Negativo

Los parques eólicos marinos prosperan mientras la oposición se reduce.
Respuesta: Positivo

Planta manufacturera es el último objetivo de una investigación estatal.
Respuesta:

Los ejemplos hacen dos cosas: fijan la salida a una sola palabra y muestran cómo manejar frases difíciles. El punto clave para las lecciones siguientes es que el few-shot learning ocurre por completo dentro del prompt. No cambia el modelo. Cierra la sesión y el modelo no recuerda nada de eso, que es exactamente lo que separa el prompting del fine-tuning.

Plantillas de prompt: la receta reutilizable

Una vez que un prompt funciona, no quieres reescribirlo y arriesgarte a romper la redacción. Una plantilla de prompt congela la estructura y marca las partes que cambian. AWS escribe las ranuras cambiantes con dobles llaves:

Dime el sentimiento del siguiente {{tipo de texto}} como {{etiqueta A}} o {{etiqueta B}}.

Texto: {{ejemplo de entrada 1}}
Respuesta: {{etiqueta A}}

Texto: {{entrada}}
Respuesta:

Las llaves son una señal para quien llena la plantilla, no texto que el modelo vea. Antes de enviar, reemplazas {{entrada}} con el mensaje real del cliente y quitas las llaves. Esto importa porque la última lección de este tema, gestión de prompts, se construye por completo sobre plantillas con variables con nombre, y los ataques de prompt de una lección posterior explotan justo la costura donde tu instrucción fija se une a la {{entrada}} no confiable.

Consejos para el examen

• Si una pregunta te entrega un prompt y te pide nombrar sus partes, mapea cada línea: qué hacer (instrucción), sobre qué hacerlo (entrada), el marco (contexto), el formato requerido (indicador de salida).
• "Instrucción" y "entrada" son el par trampa clásico. La instrucción es el verbo, la entrada es el sustantivo sobre el que actúa. Una pregunta que los intercambie está evaluando justo esta confusión.
• Un shot es un par de ejemplo dentro del prompt. Cero ejemplos significa zero-shot; uno o más significa few-shot. Si una opción dice que el few-shot cambia el modelo o sus pesos, está mal. El in-context learning vive solo en el prompt.
• Un indicador de salida controla el formato y el largo. Cuando un escenario se queja de que las respuestas son demasiado largas o de la forma equivocada, el arreglo es un indicador de salida, no un modelo nuevo.

Lo que conviene llevarte: un prompt es una estructura, no una oración. Cuando una respuesta decepciona, pregúntate qué parte faltaba en vez de reescribir todo desde cero. A continuación vas a ver las técnicas con nombre, desde zero-shot hasta chain-of-thought, que deciden cuánta de esa estructura necesita de verdad cada tarea.