Prompt engineering: guía gratuita para escribir buenos prompts

Cuando escribes una instrucción a un modelo de lenguaje no estás configurando un programa: estás describiendo una tarea a un sistema que ha aprendido a continuar texto. La diferencia entre un resultado inservible y uno publicable casi nunca está en el modelo, sino en cuánta información útil le has dado para acotar lo que esperas. Esta guía es el módulo 1 completo de nuestro curso de prompt engineering y cubre los cimientos: qué es y qué no es esta disciplina, de qué piezas se compone un prompt, cómo procesa el modelo lo que le escribes, la lista de comprobación CLEAR, los errores que más resultado destruyen y el montaje de un prompt profesional de principio a fin.

Estás leyendo gratis el primer módulo del curso Prompt Engineering Avanzado. No hace falta registrarse.

Contenido de esta página

• Qué es el prompt engineering (y qué no)
• Anatomía de un prompt: los seis componentes
• Cómo procesa el modelo tus instrucciones
• Los principios CLEAR
• Los errores que más resultado destruyen
• Tu primer prompt profesional, pieza a pieza

Qué es el prompt engineering (y qué no)

Antes de aprender técnicas conviene entender qué problema resuelve realmente esta disciplina. En 2020, con la llegada de GPT-3, quienes tenían acceso al playground descubrieron algo incómodo: el mismo modelo respondía de forma brillante o mediocre según cómo se le pidiera. Pedir «escribe un email» devolvía un texto plano y anónimo. Pedir «actúa como copywriter especializado en SaaS B2B y redacta un email de seguimiento para un prospecto que no respondió tras la demo, en tono profesional pero cercano, máximo 150 palabras» devolvía algo que se podía enviar con retoques mínimos.

Con la llegada de ChatGPT a finales de 2022 esa práctica dejó de ser un juego de laboratorio y se convirtió en una competencia laboral. Desde entonces el trabajo ha madurado: menos trucos sueltos y más método reproducible, plantillas reutilizables y criterios explícitos para decidir si un prompt funciona o no. Eso es lo que trabajamos aquí.

Qué ha cambiado con los modelos actuales

Los modelos de hoy siguen instrucciones mucho mejor que los de 2020, admiten contextos largos y muchos desarrollan un razonamiento antes de responder. Eso ha jubilado algunos trucos de la primera época, pero ha hecho más importantes otros aspectos:

• Aportar contexto real: documentos, datos y ejemplos de tu propio trabajo. El modelo no conoce a tu cliente ni tus decisiones internas.
• Definir el criterio de éxito: qué hace que un resultado sea bueno, no solo qué tiene que hacer.
• Acotar el formato: extensión, estructura y qué no debe aparecer.
• Iterar con intención: corregir lo que ha fallado en lugar de repetir la misma petición con otras palabras.

Qué no es el prompt engineering

No es una lista secreta de palabras que desbloquean capacidades ocultas, y no sustituye a tu criterio profesional. Un prompt excelente sobre un tema que no dominas te dará un texto convincente que no sabrás corregir. La disciplina consiste en trasladar con precisión lo que ya sabes hacer a un formato que el modelo pueda ejecutar, y en revisar el resultado con el mismo estándar que aplicarías al trabajo de una persona que acaba de incorporarse a tu equipo.

Compara estas dos formulaciones de la misma petición:

Versión perezosa:
Hazme una descripción para mi producto.

Versión trabajada:
Eres redactor de fichas de producto para una tienda de material de escalada.
Producto: arnés ligero para vías deportivas, 280 g, cuatro portamateriales, tallas S-XL.
Cliente: escalador aficionado que ya tiene equipo y busca aligerar peso.
Escribe una ficha de 90-110 palabras: primera frase con el beneficio principal,
dos frases de detalle técnico y un cierre con la situación de uso.
No uses "innovador" ni "revolucionario". Sin signos de exclamación.

Ejercicio 1: la versión perezosa y la trabajada

1. Elige una tarea de texto que hayas hecho a mano esta semana: un email, una descripción, el resumen de una reunión.
2. Escribe la versión perezosa del prompt, en una sola línea, y ejecútala en el modelo que uses habitualmente.
3. Anota en tres viñetas qué le falta al resultado para poder usarlo tal cual.
4. Reescribe el prompt incorporando esas tres carencias como instrucciones explícitas y vuelve a ejecutarlo.
5. Guarda las dos versiones del prompt y el resultado final en un documento: es la primera entrada de tu biblioteca personal.

Anatomía de un prompt: los seis componentes

Un prompt efectivo no es una frase bien redactada, es una estructura. Cuando un resultado falla casi siempre puedes señalar qué pieza faltaba, y trabajar por piezas convierte la escritura de prompts en algo revisable en lugar de en un golpe de suerte.

1. Rol: quién responde. Fija vocabulario, tono y nivel de detalle. «Actúa como analista financiero de una pyme industrial» acota mucho más que «actúa como experto».
2. Contexto: la información de fondo que el modelo no puede adivinar. Para quién es el texto, en qué situación se usará, qué se hizo antes y qué salió mal.
3. Tarea: aquí manda el verbo. Redacta, analiza, clasifica, extrae, compara y resume producen resultados muy distintos sobre el mismo material.
4. Formato: estructura y extensión del resultado. Tabla, lista numerada, JSON, número de palabras, secciones obligatorias.
5. Restricciones: lo que no debe aparecer. Palabras vetadas, temas fuera de alcance, afirmaciones que no puedes sostener ante un cliente.
6. Ejemplos: una o varias muestras del resultado deseado. Es la vía más rápida para transmitir un estilo difícil de describir con adjetivos.

El orden y la delimitación importan

Coloca el rol y la tarea al principio, el material de trabajo en el centro claramente delimitado, y el formato y las restricciones al final, justo antes de que el modelo empiece a escribir. En prompts largos, una instrucción enterrada entre párrafos de contexto se diluye con facilidad. Marca el material con etiquetas propias para que el modelo no confunda lo que debe procesar con lo que debe obedecer:

Actúa como responsable de atención al cliente de una tienda online.
Tarea: redacta la respuesta a la reclamación delimitada por las etiquetas RECLAMACION.

===RECLAMACION===
[pega aquí el texto literal del cliente]
===FIN RECLAMACION===

Formato: máximo 120 palabras, en tres párrafos breves: reconocimiento del problema,
solución concreta con siguiente paso, cierre.
Restricciones: no admitas responsabilidad legal, no prometas plazos que no aparezcan
en el pedido, no uses la fórmula "disculpe las molestias".

El prompt mínimo viable

No todas las tareas necesitan las seis piezas. Para un encargo sencillo y de bajo riesgo, rol, tarea y formato suelen bastar. Los componentes restantes existen para reducir ambigüedad, y cada uno cuesta tiempo de escritura, así que añádelos cuando el trabajo lo justifique: cuando el texto sale hacia fuera, cuando hay que repetir la tarea muchas veces con resultados homogéneos, o cuando ya has visto al modelo equivocarse en algo concreto. Una buena señal de que falta una restricción es haber corregido el mismo defecto dos veces a mano.

Ejercicio 2: descompón un prompt que ya uses

1. Coge un prompt que ya uses y descomponlo: escribe las seis etiquetas en una hoja y anota debajo qué parte de tu prompt cubre cada una.
2. Marca las etiquetas que se quedan vacías y decide cuáles merecen la pena en tu caso.
3. Reescribe el prompt con el orden recomendado y delimitando el material con etiquetas explícitas.
4. Ejecuta las dos versiones sobre el mismo caso y compáralas según un único criterio que definas antes de mirar los resultados, por ejemplo «cuántas frases tendría que reescribir».
5. Guarda la versión ganadora con una nota de una línea explicando qué componente marcó la diferencia.

Cómo procesa el modelo tus instrucciones

Escribir buenos prompts resulta mucho más fácil cuando tienes un modelo mental correcto de lo que ocurre al otro lado. No hace falta entrar en la matemática: con entender tres mecanismos y sus consecuencias prácticas es suficiente para dejar de escribir instrucciones a ciegas.

Todo es texto convertido en tokens

El modelo no ve palabras ni letras, sino tokens: fragmentos de texto de longitud variable. Sobre esa secuencia calcula, paso a paso, cuál es la continuación más probable, y esa cadena de continuaciones es la respuesta.

De ahí salen dos consecuencias muy prácticas. La primera es que el modelo es extraordinariamente bueno continuando patrones que le muestras, lo que explica por qué un ejemplo bien elegido vale más que un párrafo de descripción. La segunda es que las tareas de manipulación literal de caracteres, como contar letras dentro de una palabra, son un terreno resbaladizo: esa información queda difuminada dentro del token. Si necesitas exactitud de ese tipo, pide al modelo que escriba código que lo calcule en lugar de que lo haga de cabeza.

El prompt y la respuesta comparten la ventana de contexto

Todo lo que el modelo puede tener en cuenta (instrucciones, documentos pegados, historial de la conversación y lo que va escribiendo) vive en una misma ventana de contexto limitada. Las ventanas actuales son amplias, pero llenarlas no sale gratis: cuando el material es muy largo, las instrucciones situadas en la zona media pierden peso frente a las del principio y el final, y el modelo tiende a apoyarse en lo que tiene más cerca del punto donde empieza a escribir.

• Recorta el material a lo relevante en lugar de pegar el documento completo.
• Repite al final las dos o tres reglas que no quieres que se salte.
• En conversaciones largas, cuando el hilo se ha llenado de intentos fallidos, empieza una nueva con un resumen limpio de lo acordado.

El encuadre condiciona el registro

El modelo deduce del propio prompt qué clase de texto se espera. Si tu instrucción está redactada como un enunciado académico, la respuesta sonará a manual. Si está redactada como una nota interna entre compañeros, sonará a nota interna. Escribir el prompt en el registro que quieres recibir es una palanca gratuita y muy infravalorada.

Lo mismo ocurre con el razonamiento: en tareas de varios pasos conviene pedir que el desarrollo vaya antes que la conclusión, porque el texto que el modelo ya ha escrito condiciona lo que escribe después.

Analiza si conviene subir el precio de nuestro plan básico.
Trabaja en este orden y no adelantes la recomendación:
1. Enumera los factores que hay que considerar con los datos que te doy.
2. Señala qué información falta para decidir con seguridad.
3. Sólo entonces, da una recomendación en tres líneas y el riesgo principal.

Ten presente además que la misma pregunta no produce siempre la misma respuesta: la generación tiene un componente aleatorio. Si necesitas resultados homogéneos, la solución no es repetir la petición hasta que salga bien, sino fijar el formato y los ejemplos para que la variación quede acotada.

Ejercicio 3: dónde colocas la instrucción

1. Toma un documento propio de al menos tres páginas y pégalo en el modelo con una instrucción sencilla situada al principio, por ejemplo «resume esto en cinco viñetas y no menciones nombres de clientes».
2. Repite la operación colocando la misma instrucción al final, después del documento, y compara ambos resultados.
3. Repite una tercera vez colocando la instrucción al principio y al final, y anota si mejora el cumplimiento de la restricción.
4. Reduce ahora el documento a los dos fragmentos realmente necesarios y vuelve a ejecutar la mejor de las tres variantes.
5. Escribe en dos líneas qué colocación vas a adoptar por defecto a partir de ahora y por qué.

Los principios CLEAR

CLEAR es un acrónimo mnemotécnico para no dejarte nada importante fuera cuando escribes un prompt que va a producir trabajo real. No es una fórmula mágica ni un orden obligatorio: es una lista de comprobación de cinco puntos que puedes recorrer en menos de un minuto y que evita la mayoría de los resultados decepcionantes.

Las cinco letras

1. C — Contexto. Toda la información de fondo relevante: para quién es el resultado, con qué propósito, qué sabe ya la audiencia y qué decisiones se han tomado antes. Sin contexto el modelo rellena los huecos con suposiciones razonables pero genéricas, y luego tienes que reescribirlas.
2. L — Longitud y formato. La estructura exacta del resultado: «cinco viñetas», «un email de menos de 150 palabras», «una tabla con las columnas riesgo, probabilidad e impacto», «JSON con las claves titulo y resumen». Es la instrucción que más fielmente se cumple, y por eso la que más rendimiento da por palabra escrita.
3. E — Ejemplos. Mostrar en lugar de describir. Un ejemplo del resultado que quieres transmite el estilo mejor que cinco adjetivos. Si solo tienes ejemplos de lo que no quieres, inclúyelos también, pero etiquetados como contraejemplos.
4. A — Acción. Un verbo específico y una sola tarea principal. Extrae, clasifica, reescribe, compara o resume son órdenes ejecutables. «Trabaja este texto» o «hazme algo con esto» no lo son.
5. R — Rol. La identidad desde la que se responde, y en muchos casos también la de quien va a leer. El rol activa el vocabulario y el nivel de profundidad adecuados sin que tengas que describirlos uno por uno.

CLEAR aplicado a un caso concreto

Supón que tienes las respuestas de una encuesta de satisfacción y necesitas algo presentable para la reunión del lunes. Recorriendo las cinco letras, el prompt queda así:

Actúa como analista de experiencia de cliente de una empresa de formación online. (R)
Contexto: son 60 respuestas abiertas a la pregunta "qué mejorarías del curso".
El resultado lo leerá el equipo de producto, que no ha visto las respuestas. (C)
Clasifica cada respuesta en un máximo de seis categorías que tú mismo definas
y devuelve el recuento por categoría. (A)
Formato: una tabla con las columnas categoría, número de menciones y cita
representativa; después, tres párrafos de máximo 60 palabras con las
conclusiones accionables. (L)
Ejemplo de cita bien elegida: "los vídeos son largos y no puedo ver dónde
empieza cada parte" -- concreta y accionable, no "me ha gustado". (E)

===RESPUESTAS===
[pega aquí las 60 respuestas]
===FIN RESPUESTAS===

Cuándo puedes saltarte una letra

CLEAR es una comprobación, no un peaje. Para una consulta rápida y desechable basta con acción y formato. Las letras que más se pagan cuando faltan son el contexto, en tareas donde el modelo no puede inferir la situación, y los ejemplos, en tareas donde el estilo o la estructura son idiosincrásicos. Si un prompt no funciona y no sabes por qué, recorre las cinco letras en voz alta: en la mayoría de los casos identificarás la carencia antes de terminar.

Ejercicio 4: convierte una tarea recurrente en plantilla

1. Elige una tarea recurrente de tu trabajo que genere siempre el mismo tipo de resultado.
2. Escribe cinco líneas en una hoja, una por letra de CLEAR, y complétalas para esa tarea sin redactar todavía el prompt.
3. Monta el prompt uniendo las cinco líneas en el orden rol, contexto, acción, formato, ejemplo, y déjalo con huecos entre corchetes para lo que cambia en cada uso.
4. Ejecútalo con dos casos distintos y comprueba si la plantilla aguanta sin retoques.
5. Ajusta la letra que haya fallado y guarda la plantilla con un nombre que puedas buscar dentro de un mes.

Los errores que más resultado destruyen

La mayoría de los resultados decepcionantes no vienen de un modelo limitado sino de un puñado de fallos que se repiten una y otra vez. Reconocerlos te ahorra iteraciones, porque cada uno tiene una corrección concreta y aplicable en segundos.

1. Ambigüedad en la tarea. «Escribe algo sobre marketing» no es un encargo. La prueba es sencilla: si puedes imaginar dos resultados muy distintos que cumplan igual de bien tu instrucción, el prompt es ambiguo y el modelo elegirá por ti.
2. Omitir el formato. Si no lo especificas, el modelo escoge el que le parece natural, que suele ser un texto de longitud media con subtítulos. Indica siempre estructura, extensión aproximada e idioma cuando trabajes con más de uno.
3. Contexto insuficiente. «Mejora este email» sin adjuntar el email, sin decir a quién va ni qué se busca conseguir devuelve consejos genéricos. El modelo no tiene acceso a tus documentos ni a tu conversación de ayer salvo que se los des.
4. Instrucciones contradictorias. «Sé muy breve y cubre todos los puntos en detalle» obliga al modelo a elegir en tu lugar, y no sabes cuál elegirá. Cuando detectes una tensión así, decide tú la prioridad y dilo.
5. No iterar. El prompt definitivo rara vez sale a la primera. El error no es que falle, sino volver a lanzarlo igual esperando otra cosa.

Cómo se ve la corrección

Estos dos prompts piden lo mismo. El segundo elimina los cinco fallos anteriores:

Antes:
Necesito un resumen de esta reunión, que quede profesional pero corto y completo.

Después:
Resume el acta que aparece entre las etiquetas ACTA para el comité de dirección,
que no asistió a la reunión.
Formato: máximo 200 palabras en tres bloques: decisiones tomadas,
puntos abiertos y responsables con fecha. Si un responsable o una fecha
no aparece en el acta, escribe "sin asignar" en lugar de deducirlo.
Prioriza la brevedad: si un tema menor no cabe, listalo al final en una línea.

===ACTA===
[pega aquí la transcripción]
===FIN ACTA===

Fíjate en la instrucción sobre los datos que faltan. Es la corrección más rentable de todas: le dices explícitamente que señale el hueco en lugar de rellenarlo, y con eso conviertes una invención silenciosa en un aviso visible.

Un método de depuración en tres pasos

Cuando un resultado no te sirve, evita reescribir el prompt entero. Aísla primero el problema:

• Nombra el defecto en una frase. «Es demasiado genérico», «inventa datos», «el tono no es el nuestro». Un defecto sin nombre no se puede corregir.
• Clasifícalo. Los defectos de contenido se corrigen con más contexto o ejemplos; los de forma, con instrucciones de formato; los de invención, con una regla explícita del tipo «si el dato no aparece en el material, dilo en lugar de estimarlo».
• Cambia una sola cosa y vuelve a ejecutar. Si cambias tres a la vez no sabrás cuál funcionó, y acabarás arrastrando instrucciones inútiles que ensucian la plantilla.

Ejercicio 5: depura un prompt tuyo

1. Recupera un prompt tuyo cuyo resultado no te convenció y ejecútalo de nuevo tal cual.
2. Escribe en una frase el defecto principal del resultado y clasifícalo como contenido, forma o invención.
3. Aplica una única corrección de la categoría correspondiente y vuelve a ejecutar.
4. Repite el ciclo dos veces más, cambiando una sola cosa cada vez y anotando qué cambiaste.
5. Compara el primer resultado con el último y guarda en tu biblioteca la instrucción que más impacto tuvo.

Tu primer prompt profesional, pieza a pieza

Toca montar de principio a fin un prompt profesional aplicando todo lo anterior. El objetivo no es conseguir un email bonito, sino construir una plantilla reutilizable y saber por qué funciona cada línea que contiene.

El caso

Trabajas como consultor de marketing digital y quieres contactar en frío con responsables de marketing de empresas de entre 50 y 200 empleados para ofrecerles una auditoría SEO sin coste. El email tiene que ser breve, creíble y provocar una respuesta, no una venta inmediata. Es un encargo perfecto para trabajar por piezas porque lo vas a repetir con muchos destinatarios distintos.

Montaje pieza a pieza

• Rol: responsable de desarrollo de negocio en una consultora digital pequeña, acostumbrado a escribir emails en frío que se leen enteros.
• Contexto: el destinatario es responsable de marketing de una empresa de software de unos 80 empleados. No te conoce. Es el primer contacto y no hay referencia común.
• Acción: redactar un email ofreciendo una auditoría SEO gratuita, cuyo único objetivo es obtener una respuesta de sí o no.
• Formato: asunto, cuerpo y firma. Máximo 120 palabras. Sin viñetas. Una sola pregunta al final.
• Restricciones: sin promesas de resultados, sin presentación de la empresa y sin las palabras solución, innovador ni sinergia.

El prompt completo

Actúa como responsable de desarrollo de negocio de una consultora digital pequeña,
acostumbrado a escribir emails en frío que se leen enteros.

Contexto: el destinatario es responsable de marketing de una empresa de software
de unos 80 empleados. No te conoce, no hay contacto común y es el primer email.
Su bandeja recibe varias propuestas parecidas cada semana.

Tarea: redacta un email en frío ofreciendo una auditoría SEO gratuita.
El único objetivo es obtener una respuesta, afirmativa o negativa.

Formato: asunto, cuerpo y firma. Máximo 120 palabras en total.
Sin viñetas. Una única pregunta, al final.

Restricciones: no prometas resultados ni plazos. No incluyas presentación
de la empresa. No uses las palabras solución, innovador ni sinergia.
Si necesitas un dato que no te he dado, déjalo entre corchetes en lugar
de inventarlo.

Cómo evaluar el resultado

Antes de leer la respuesta define tu criterio, porque de lo contrario juzgarás por si «suena bien». Tres preguntas suelen bastar: ¿lo leerías entero si te llegara a ti?, ¿hay alguna frase que podría estar en el email de cualquier otra consultora?, ¿queda claro qué tiene que hacer el destinatario?

Las frases intercambiables son la señal más fiable de que falta contexto específico. Y si aparecen corchetes con datos que no diste, el prompt está funcionando bien: el modelo está señalando la información que falta en lugar de inventarla.

Ejercicio 6: adapta la plantilla a tu caso

1. Copia el prompt completo y sustituye el sector, el tamaño de empresa y el servicio ofrecido por los tuyos.
2. Ejecútalo y evalúa el resultado con las tres preguntas anteriores, anotando la respuesta a cada una.
3. Añade una sola restricción que corrija el defecto más evidente y vuelve a ejecutar.
4. Pide ahora tres variantes del asunto con enfoques distintos y quédate con una, justificando en una línea por qué.
5. Guarda la versión final en tu biblioteca con los huecos entre corchetes marcados, para poder reutilizarla la próxima vez sin reescribirla.

Hasta aquí el módulo 1

Con esto ya tienes el método de base: sabes qué problema resuelve el prompt engineering y qué no, conoces las seis piezas de las que se compone un prompt y dónde colocarlas, entiendes lo suficiente del funcionamiento del modelo para no escribir a ciegas, tienes CLEAR como lista de comprobación, sabes diagnosticar los cinco fallos más frecuentes y has montado una plantilla reutilizable de principio a fin. Los módulos siguientes entran en técnicas avanzadas de prompting, prompts para texto, para imagen, para código y en flujos de trabajo completos.