Los 5 bloques de construcción que todo prompt necesita

Los 5 bloques de construcción que todo prompt necesita son: rol y contexto, tarea/instrucción, input y ejemplos, restricciones y formato de output. Estos cinco componentes son la estructura mínima que distingue un prompt fiable y repetible de una pregunta vaga que produce resultados inconsistentes.

Cada bloque resuelve un tipo de error diferente. Rol y contexto le dice al modelo quién es y en qué situación está. Tarea/instrucción le dice exactamente qué hacer. Input y ejemplos le dan el material en bruto y el patrón de aprendizaje. Las restricciones establecen las reglas. El formato de output fija la forma de la respuesta. Juntos, no dejan nada al azar para el modelo.

Sin los 5 bloques de construcción (vago): > Resume este informe.

Con los 5 bloques de construcción (completo): > Eres un analista de negocio senior (rol). Resume los hallazgos clave del informe del T3 a continuación (tarea). Texto del informe (input). Usa solo hechos del informe; máx. 200 palabras; tono formal (restricciones). Devuelve 3 puntos con viñetas bajo "Hallazgos clave" (formato de output).

Una guía de referencia rápida de los 5 bloques y cuándo usarlos:

El modelo de cinco bloques refleja el consenso convergente de las guías de prompt engineering de OpenAI, Google, Anthropic y practicantes independientes. Rol, instrucciones, ejemplos, restricciones y formato de output aparecen — bajo distintos nombres — en cada framework importante publicado desde 2023. No es una coincidencia: son la información mínima que un modelo probabilístico necesita para producir un resultado útil y consistente.

El valor para el negocio es claro. La falta de rol y contexto produce respuestas genéricas que hay que reescribir. La falta de restricciones aumenta el riesgo de alucinación y genera outputs fuera de la marca. La falta de formato de output significa resultados que no se pueden usar o copiar directamente. El modelo de 5 bloques aborda los tres tipos de errores simultáneamente y se aplica igualmente a todos los modelos de lenguaje y LLMs locales.

Rol le dice al modelo qué persona o experiencia debe asumir. Contexto le comunica la situación, el dominio y la audiencia en la que opera. Se agrupan porque funcionan como pareja — el rol es quien es el modelo, y el contexto es el entorno que define qué significa "bueno" para esa tarea.

Cuando se omiten el rol y el contexto, el modelo responde desde una perspectiva genérica — no especialmente útil para nadie. Con ellos, el mismo modelo se convierte en el asesor fiscal experimentado que responde una pregunta sobre declaraciones de IVA, en el redactor junior que escribe para una audiencia de 19 años, o en el analista de datos que resume un informe trimestral. El output se calibra a la situación real.

Para entender cómo evolucionó el role prompting a medida que los modelos mejoraron en seguir instrucciones, consulta How Prompt Engineering Evolved.

El bloque tarea/instrucción es la declaración explícita de lo que el modelo debe hacer. Es el bloque más importante — todos los demás lo apoyan. Una instrucción clara, específica y verificable reduce la ambigüedad a casi cero. Una instrucción vaga es la causa más común de outputs de IA deficientes en todos los modelos y casos de uso.

Las recomendaciones de mejores prácticas actuales enfatizan hacer la tarea orientada a la acción y observable: usar un verbo, nombrar el resultado y describir un criterio de éxito cuando sea posible. "Escribe un resumen" es una tarea. "Resume el siguiente artículo en 3 puntos con viñetas, cada uno con menos de 20 palabras" es una tarea con un output verificable. La diferencia en la calidad del output es sustancial.

El bloque input y ejemplos proporciona al modelo los datos en bruto con los que trabajar (input) y ejemplos de cómo se ve un buen output (ejemplos few-shot). El input es lo que el modelo procesa — un documento, un fragmento de código, una lista de datos, una conversación. Los ejemplos son pares de input/output de muestra que muestran el patrón de formato o razonamiento exacto que quieres.

Los ejemplos producen el mayor retorno en la calidad del output para prompts de formato preciso. Un ejemplo de input/output de muestra es a menudo más eficaz que dos párrafos de instrucciones en prosa describiendo el mismo patrón.

Las restricciones son las reglas que el modelo debe seguir — los límites explícitos sobre lo que puede y no puede hacer en su respuesta. Sin restricciones, los modelos cubren todos los ángulos, añaden calificaciones innecesarias y producen outputs que hay que editar. Las restricciones bien elegidas son el bloque de mayor impacto para el aumento de la fiabilidad.

Tipos comunes: límites de longitud ("máx. 100 palabras"), restricciones de fuente ("usa solo los datos proporcionados"), restricciones de estilo ("sin jerga"), restricciones de tono ("tono formal, sin emojis"), exclusiones de contenido ("no incluyas precios"), restricciones de estructura ("sin párrafos de introducción").

El formato de output especifica la estructura exacta de la respuesta del modelo. Es el bloque de más fácil inclusión y omisión más común. Sin él, los modelos eligen su propia estructura — que puede variar en cada ejecución, no ser compatible con el siguiente paso del flujo de trabajo o requerir una edición significativa antes de ser útil.

El formato de output no solo controla la apariencia de la respuesta — controla su utilizabilidad. Una respuesta en JSON puede analizarse directamente. Una respuesta en formato de tabla se puede copiar en un documento. Una lista numerada puede seguirse paso a paso. Una respuesta en prosa no estructurada requiere que alguien la reformat después.

Copia esta plantilla y rellena cada sección con los detalles de tu tarea:

ROL Y CONTEXTO: Eres un rol que ayuda a audiencia con tarea de dominio.

TAREA/INSTRUCCIÓN: Verbo de acción resultado específico para propósito/destino.

INPUT: Proporciona los datos, el documento o el contenido aquí

RESTRICCIONES: sin X, máx. Y palabras, solo Z fuente

FORMATO DE OUTPUT: JSON, lista, tabla, párrafo

Cada framework de prompt importante usa los mismos cinco bloques bajo diferentes nombres. Entender la correspondencia te permite transferir prompts entre frameworks sin reescribir desde cero.