¿Qué es un optimizador de prompts?
Un optimizador de prompts es una herramienta gratuita que convierte un prompt preliminar y poco desarrollado en uno claro y estructurado que obtiene resultados mucho mejores de cualquier AI. Pega tu idea preliminar y este optimizador de prompts gratuito la reescribe con los elementos que realmente importan: un rol para la AI, la tarea, el contexto, tus requisitos y el formato de salida que quieres. La diferencia entre una solicitud vaga y un prompt estructurado es la diferencia entre un resultado genérico y uno realmente útil.
También funciona como mejorador de prompts y optimizador de prompts para ChatGPT: el prompt estructurado que produce es portátil, así que puedes pegarlo directamente en Claude, ChatGPT, Gemini o cualquier chat de AI. No necesitas conocimientos de ingeniería de prompts: describes lo que quieres en lenguaje sencillo y el optimizador se encarga de la estructura.
¿Necesitas crear un prompt desde cero? Cambia a Generar un prompt arriba: describe el objetivo en una frase y el generador de prompts redactará un prompt completo y reutilizable, con un rol, instrucciones paso a paso, limitaciones, un formato de salida y [placeholders] para los detalles que solo tú conoces.
¿Quieres evitar por completo escribir prompts para el trabajo recurrente? Un paquete de prompts listo para usar o un archivo de Skill de KissMySkills convierte Claude o ChatGPT en un especialista para una tarea específica, para que obtengas resultados de experto sin escribir prompts. ¿Eres nuevo en el uso de prompts? Lee qué son las Claude Skills para ver cómo una Skill guardada supera el hecho de volver a escribir el prompt cada vez.
Dónde colocas las cosas en el prompt cambia la respuesta
La posición es la parte menos comentada y más medible de la estructura de un prompt, y dos de los tres grandes proveedores de modelos publican el mismo consejo.
La guía de Anthropic sobre prompts, para entradas de 20.000 tokens o más, indica que se deben «colocar los documentos y entradas extensos cerca de la parte superior del prompt, por encima de la consulta, las instrucciones y los ejemplos», y afirma que las consultas al final «pueden mejorar la calidad de la respuesta hasta un 30 por ciento en las pruebas, especialmente con entradas complejas de varios documentos». Considera ese porcentaje una cifra interna sin metodología publicada, pero el consejo sobre el orden es inequívoco. Google da la misma instrucción para Gemini: «Al proporcionar grandes cantidades de contexto (por ejemplo, documentos o código), proporciona primero todo el contexto. Coloca las instrucciones o preguntas específicas al final del prompt», y añade el útil recurso de transición de usar una frase como «Basándote en la información anterior...».
Hay investigaciones detrás de esta intuición. Lost in the Middle (Liu et al., arXiv:2307.03172) descubrió que el rendimiento de los modelos «suele ser máximo cuando la información relevante aparece al principio o al final del contexto de entrada, y se degrada significativamente cuando los modelos deben acceder a información relevante en el centro de contextos largos, incluso en modelos diseñados explícitamente para contextos extensos». Si el dato que necesitas está enterrado a mitad de un documento pegado, moverlo es una solución más fiable que reformular la pregunta.
La guía actual de OpenAI ordena de otra manera el mensaje del desarrollador: Identidad, Instrucciones, Ejemplos y después Contexto, con la nota de que el contexto «normalmente se coloca mejor cerca del final del prompt». No es tanto una contradicción como una diferencia en lo que se está colocando: material de referencia específico de la solicitud frente a documentos extensos. La conclusión práctica es que no existe una disposición universal única, y un prompt ajustado según la posición en un modelo debe volver a comprobarse en otro.
La estructura supera a los adjetivos
Las técnicas que los proveedores documentan realmente son estructurales, y ninguna consiste en decirle al modelo que es un experto de talla mundial.
La formulación de Anthropic sobre la claridad es una prueba, no una regla: «Muestra tu prompt a un colega con el mínimo contexto sobre la tarea y pídele que lo siga. Si se confundiera, Claude también». La misma guía recomienda explicar por qué existe una restricción en lugar de expresarla tajantemente, porque el modelo «es lo bastante inteligente como para generalizar a partir de la explicación»; una instrucción acompañada de un motivo se transfiere a casos que no enumeraste.
Los delimitadores son la otra recomendación constante. Anthropic: las etiquetas XML «ayudan a Claude a analizar prompts complejos sin ambigüedades», y envolver cada tipo de contenido en su propia etiqueta, como <instructions>, <context>, <input> «reduce las interpretaciones erróneas». OpenAI: «Los encabezados y las listas de Markdown pueden ser útiles para marcar secciones distintas de un prompt», y «las etiquetas XML pueden ayudar a delimitar dónde empieza y termina una parte del contenido...». Google advierte en la otra dirección sobre los ejemplos: es importante mantener un formato coherente entre los ejemplos few-shot, y «si incluyes demasiados ejemplos, el modelo puede empezar a ajustar demasiado la respuesta a esos ejemplos». Anthropic sugiere entre tres y cinco, envueltos en <example> etiquetas.
Los roles aportan menos de lo que internet da a entender, pero no son inútiles. La postura de Anthropic es moderada y específica: «Definir un rol en el prompt del sistema centra el comportamiento y el tono de Claude para tu caso de uso. Incluso una sola frase marca la diferencia». Una frase en el prompt del sistema - no un párrafo de biografía inventada en el mensaje del usuario.
Dos consejos habituales sobre prompts que ahora son incorrectos
Las guías de prompts envejecen mal, y dos de los consejos más repetidos han quedado superados por la documentación de los propios proveedores.
«Siempre dile que piense paso a paso». La guía de razonamiento de OpenAI dice lo contrario para los modelos de razonamiento: «Evita los prompts de cadena de pensamiento: como estos modelos realizan el razonamiento internamente, pedirles que “piensen paso a paso” o que “expliquen su razonamiento” es innecesario», y en otra parte indica que esas técnicas «pueden no mejorar el rendimiento (y a veces pueden perjudicarlo)». La misma página recomienda probar primero sin ejemplos y añadirlos solo si hace falta. Vale la pena conservar la analogía de OpenAI: un modelo de razonamiento «es como un compañero de trabajo sénior. Puedes darle un objetivo y confiar en que resolverá los detalles. Un modelo GPT es como un compañero de trabajo júnior». La cadena de pensamiento no ha muerto - Anthropic todavía documenta la CoT manual con las etiquetas <thinking> y <answer> -, pero ahora se describe como una alternativa para cuando el razonamiento integrado está desactivado, no como opción predeterminada.
También conviene saber qué afirmaba el artículo original. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., arXiv:2201.11903) informó que esas capacidades «surgen de forma natural en modelos de lenguaje suficientemente grandes». El famoso resultado de «pensemos paso a paso» (Kojima et al., arXiv:2205.11916) se midió en un modelo de 2022. Ninguna de las dos afirmaciones es una ley atemporal.
«Rellenar las primeras palabras del asistente». La documentación actual de Anthropic indica que, a partir de los modelos Claude recientes, los mensajes del asistente rellenados previamente en el último turno «ya no son compatibles» y que las solicitudes que los contienen «devuelven un error 400». Las alternativas documentadas son las salidas estructuradas, una instrucción directa para responder sin preámbulo o el uso de herramientas. Cualquier guía que siga enseñando el prellenado como truco de formato está describiendo una solicitud que ahora falla.
Vale la pena señalar otra distinción: la autoconsistencia (Wang et al., arXiv:2203.11171) es una estrategia de decodificación que muestrea varias rutas de razonamiento y elige la respuesta más común. No puede lograrse reescribiendo un prompt, porque requiere múltiples generaciones.
Lo que este optimizador no puede hacer
No puede proporcionar conocimientos que el modelo no tiene. La razón declarada por OpenAI para añadir contexto es dar al modelo «acceso a datos patentados o a cualquier otro dato externo al conjunto de datos con el que se entrenó el modelo». La solución para un dato ausente es pegarlo, no formular mejor la pregunta.
No puede eliminar las alucinaciones. Anthropic afirma claramente que incluso los modelos avanzados «a veces pueden generar texto factualmente incorrecto», y que sus técnicas de mitigación -permitir «no lo sé», extraer citas palabra por palabra antes de responder sobre documentos extensos y restringir el modelo a las fuentes proporcionadas- «reducen significativamente las alucinaciones», pero «no las eliminan por completo».
No puede protegerte contra la inyección de prompts. Anthropic identifica dos modelos de amenaza: la inyección directa, en la que el usuario es el adversario, y la inyección indirecta, en la que el prompt de un usuario de confianza hace que el modelo procese contenido de terceros -páginas web, correos electrónicos, documentos, resultados de herramientas- que contiene instrucciones maliciosas. La redacción no es un control de seguridad.
No puede establecer tus parámetros de muestreo. La temperatura y top-p se configuran en la llamada a la API, no en el prompt. Ten en cuenta que tampoco son comparables entre proveedores: Anthropic documenta un rango de 0.0 a 1.0 y advierte que «incluso con una temperatura de 0.0, los resultados no serán totalmente deterministas», mientras que OpenAI documenta un rango de 0 a 2 y recomienda «modificar este valor o top_p, pero no ambos».
No puede decirte si el resultado es bueno. La documentación de Anthropic sobre ingeniería de prompts presupone que partes de una definición del éxito y de una forma de comprobarla. Sin eso, un prompt más largo y mejor estructurado solo produce una suposición más larga y mejor estructurada.
