¿Qué es el framework CO-STAR para prompts?
Respuesta rápida
CO-STAR es una estructura de prompt de 6 partes para outputs consistentes de LLM: Context (contexto), Objective (objetivo), Style (estilo de escritura), Tone (tono emocional), Audience (audiencia), Response (formato de respuesta). Ayuda a producir outputs dirigidos y coherentes haciendo cada restricción explícita.
- ▸C = Context: información de contexto que el LLM necesita
- ▸O = Objective: la tarea específica a completar
- ▸S/T/A = Style, Tone, Audience: cómo y para quién escribir
- ▸R = Response: formato (lista, párrafo, JSON, etc.)
Actualizado: 2026-05
Puntos clave
- ✓CO-STAR significa Context, Objective, Style, Tone, Audience, Response — una estructura de prompt de 6 componentes para outputs consistentes
- ✓El framework te obliga a hacer cada suposición explícita, reduciendo respuestas vagas o desalineadas de modelos de lenguaje grandes
- ✓CO-STAR funciona mejor para redacción de documentos, comunicaciones al cliente, y cualquier tarea que requiera una voz o formato específico
- ✓Para consultas factuales simples o comandos de una línea, CO-STAR añade overhead sin ganancia significativa de calidad
Qué representa CO-STAR
CO-STAR es una estructura de prompt de 6 partes: Context, Objective, Style, Tone, Audience, Response format. Es uno de los frameworks más citados para estructurar prompts complejos de LLM porque obliga al escritor a especificar cada dimensión que afecta la calidad del output.
El framework fue desarrollado para resolver un problema recurrente en prompt engineering: prompts que son técnicamente claros pero pierden restricciones implícitas. Cuando escribes "Resume este documento", el modelo hace suposiciones sobre largo, formalidad, audiencia y formato. CO-STAR reemplaza esas suposiciones con instrucciones explícitas.
Cada componente enfoca una dimensión diferente del output. Context ancla el modelo en la situación relevante. Objective fija el entregable exacto. Style y Tone controlan el registro de escritura. Audience calibra vocabulario y complejidad. Response especifica el formato estructural.
| Letra | Elemento | Propósito |
|---|---|---|
| C | Context | Información de fondo que el modelo necesita |
| O | Objective | Qué quieres que el modelo haga |
| S | Style | Estilo de escritura (formal, casual, técnico, etc.) |
| T | Tone | Registro emocional (neutral, alentador, directo) |
| A | Audience | Quién lee el output (experto, principiante, ejecutivo) |
| R | Response format | Estructura (viñetas, párrafos, JSON, tabla) |
Cuándo CO-STAR supera los prompts rápidos
CO-STAR no es la herramienta correcta para cada tarea. Añade más valor para creación de documentos, comunicaciones al cliente, reportes formales, y cualquier output donde voz, formato y consistencia de audiencia importan. Un prompt CO-STAR bien estructurado típicamente toma 60–120 palabras de setup pero elimina múltiples rondas de corrección.
Considera un ejemplo real. ANTES: "Escribe un email al equipo sobre el retraso del proyecto." DESPUÉS: "Context: El proyecto Q2 va 3 semanas atrasado por retrasos de proveedor. Objective: Informar al equipo y tranquilizarlos. Style: Profesional. Tone: Empático, enfocado en soluciones. Audience: 12 ingenieros, senioridad variada. Response: Email de 150 palabras con línea de asunto." La versión CO-STAR produce un borrador inicial más específico y usable.
Para consultas factuales simples, generación de código, o lookups puntuales, CO-STAR añade overhead sin ganancia significativa de calidad. Preguntar "¿Qué hace la función `zip()` de Python?" no se beneficia de una estructura de 6 componentes. Reserva CO-STAR para tareas donde el output será leído por personas reales en un contexto específico. Para un análisis más profundo de patrones de prompt que funcionan bien con CO-STAR, ve la guía completa de prompt engineering CO-STAR que cubre ejemplos avanzados y modos de fallo comunes.