Lección 2 · 8 min de lectura

🎨 5 patrones de prompting que funcionan en todas partes

Estas 5 técnicas las utilizan todos los profesionales de prompt engineering, desde Anthropic hasta OpenAI. Cada una se adapta a un tipo de tarea. Si las dominas, resolverás el 90 % de los casos de negocio.

1️⃣ Zero-Shot: una pregunta sencilla sin ejemplos

La forma más básica: tú planteas la tarea y el modelo responde. Sin ejemplos.

Ejemplo: «Traduce al español: Welcome to our store»

Cuándo usarlo: tareas sencillas y directas. Traducción, resúmenes, clasificación de lo obvio.

Cuándo NO funciona: formatos personalizados, estilo específico, casos límite (edge cases).

2️⃣ Few-Shot: proporcionar ejemplos de formato

Muestras de 2 a 5 ejemplos de la respuesta correcta y luego haces la nueva pregunta. El modelo imita el patrón.

Ejemplo:

Clasifica las opiniones de los clientes en las categorías: POSITIVE / NEGATIVE / NEUTRAL.

Ejemplo 1: "¡El envío es rápido, el producto es genial!" → POSITIVE
Ejemplo 2: "El pedido llegó roto, el soporte no responde" → NEGATIVE
Ejemplo 3: "Lo compré, lo uso, nada del otro mundo" → NEUTRAL

Clasifica: "El precio es normal, pero el embalaje es malo, el producto en sí está OK"
→

Cuándo usarlo: cuando necesitas un formato de respuesta específico. Clasificación, extracción de datos, formateo personalizado.

Consejo pro: de 3 a 5 ejemplos es el punto óptimo. Menos, y el modelo tendrá que adivinar; más, y se perderá el enfoque.

3️⃣ Chain-of-Thought: "pensar en voz alta"

Le pides al modelo que primero razone paso a paso y luego dé la respuesta. La frase mágica es: "Piensa paso a paso".

Ejemplo:

Tengo una cafetería en Kiev. 50 pedidos/día, ticket promedio $8.
Gasto de alquiler $1200/mes, café+leche $0.80/pedido, sueldo del barista $800.
¿Cuál es mi beneficio mensual y vale la pena expandirse a un segundo local?

Piensa paso a paso, luego da una conclusión.

Cuándo usarlo: cálculos, análisis de varios pasos, problemas de lógica. Sin CoT, el modelo suele "adivinar" la respuesta final y equivocarse. Con CoT, razona y acierta mucho más a menudo.

🎯 Dato: un estudio de Google (2022) demostró que Chain-of-Thought aumenta la precisión en tareas complejas del 17.9% al 58.1%. Es el patrón con mayor impacto.

4️⃣ Role-Play: "eres un X experto"

Asignas al modelo el rol de un experto. Empezará a utilizar la terminología, los marcos de trabajo y el tono propios de esa profesión.

Ejemplo:

Eres un CFO experimentado con 15 años en empresas SaaS. Yo soy un fundador en etapa temprana,
tengo un MRR de $8k, churn mensual del 6%, growth rate mensual del 12%.
Evalúa la salud de mi negocio según tres métricas: LTV/CAC, magic number,
Rule of 40. Dame una recomendación: ¿enfocarse en growth o en retention?

Cuándo usarlo: cuando necesitas una perspectiva experta. Finanzas, legal, estrategia de marketing, revisión de código.

Consejo pro: combínalo con CoT: "Eres un CFO. Piensa paso a paso cómo analizaría un CFO esta situación".

5️⃣ Structured Output: formato estructurado

Defines de forma estricta el formato de la respuesta: JSON, tabla o Markdown con secciones específicas.

Ejemplo:

Analiza este correo electrónico del cliente: "[texto del correo]"

Devuelve estrictamente un JSON en el formato:
{
  "intent": "purchase | complaint | question | other",
  "urgency": "high | medium | low",
  "sentiment": "positive | neutral | negative",
  "suggested_action": "string"
}

Sin ningún texto antes o después del JSON.

Cuándo usarlo: cuando tu código o pipeline vaya a procesar (parsear) la respuesta de forma programática. El modelo es capaz de generar JSON, CSV,