Generador de prompts para IA

La calidad de lo que obtenés de ChatGPT, Claude o Gemini depende casi completamente de cómo formulás la instrucción. Un prompt mal estructurado produce respuestas genéricas, largas o completamente fuera de tema; uno bien construido con rol, contexto, formato y restricciones claras puede reemplazar horas de trabajo. Este constructor de prompts te guía por los componentes que los ingenieros de prompts profesionales usan — incluyendo técnicas como <em>few-shot prompting</em> y asignación de rol — y genera el texto final listo para pegar en cualquier LLM.

Los componentes de un prompt efectivo

Un prompt estructurado con rol + tarea + contexto + formato produce consistentemente mejores resultados que una instrucción en lenguaje natural libre, especialmente para tareas repetibles o de formato específico.

Un prompt de alto rendimiento tiene al menos cuatro elementos: rol (quién es el modelo: «Eres un abogado corporativo mexicano con 15 años de experiencia»), tarea (qué debe hacer: «Redacta una cláusula de confidencialidad»), contexto (información relevante: «Para un contrato con un proveedor de software SaaS») y formato de salida (cómo debe responder: «En formato de lista numerada, máximo 200 palabras»).

Los elementos opcionales pero poderosos incluyen la audiencia («El lector es el CFO sin formación legal»), el tono («Formal pero sin jerga técnica»), y los ejemplos few-shot — uno o dos ejemplos del tipo de respuesta que esperás. Los estudios del equipo de investigación de Google DeepMind muestran que agregar solo dos ejemplos puede mejorar la calidad de la respuesta entre un 20% y 60% en tareas estructuradas.

Few-shot prompting: enseñar con ejemplos

El few-shot prompting es la técnica de incluir 1–3 pares de entrada/salida dentro del propio prompt para mostrarle al modelo el patrón exacto que querés. Por ejemplo, si necesitás que Claude convierta nombres de productos en slugs SEO, mostrarle «"Zapatos de Cuero Marrón" → zapatos-cuero-marron» como ejemplo antes de darle la lista real produce resultados mucho más consistentes que solo describir la regla.

El constructor te permite agregar estos ejemplos en campos separados, que luego se formatean automáticamente en la estructura correcta según el modelo de destino: ChatGPT usa una convención distinta a la de Claude para los ejemplos en el system prompt.

Restricciones: qué NO debe hacer el modelo

Las instrucciones negativas son tan importantes como las positivas. «No uses listas con viñetas», «No menciones competidores», «No superes 150 palabras», «No uses tecnicismos sin definirlos» — este tipo de restricciones recortan significativamente el espacio de respuestas posibles y reducen la probabilidad de que el modelo haga algo inesperado.

El campo de restricciones de este builder te permite agregar múltiples reglas que se incorporan al prompt final en una sección dedicada. Es especialmente valioso para prompts que vas a reutilizar en flujos automatizados o compartir con un equipo — donde necesitás que el comportamiento sea predecible y repetible.

Cómo funciona — paso a paso

1. 1
   Definí el rol

   Describí quién debe ser el modelo: profesión, experiencia, perspectiva. Cuanto más específico, mejor.
2. 2
   Escribí la tarea principal

   Explicá qué debe hacer en una o dos oraciones claras y concretas.
3. 3
   Agregá contexto y audiencia

   Incluí información de fondo relevante y describí a quién va dirigida la respuesta.
4. 4
   Elegí tono y formato

   Seleccioná el tono (formal, conversacional, técnico) y el formato de salida deseado (lista, párrafo, tabla, código).
5. 5
   Agregá ejemplos few-shot (opcional)

   Si el output debe seguir un patrón específico, incluí uno o dos ejemplos de entrada/salida esperada.
6. 6
   Copiá el prompt generado

   El prompt estructurado aparece listo para pegarlo en ChatGPT, Claude, Gemini o cualquier otro LLM.