Cargando la bóveda…
Cargando la bóveda…
Los 10 pilares que aplican los equipos de Anthropic para escribir prompts que ganan en producción. No es 'truquitos', es ingeniería: instrucciones claras, contexto suficiente, formato controlado, ejemplos donde importa. Con plantilla copiable.
Prompt engineering no es magia ni recetario. Es ciencia empírica: escribís un prompt, ves el output, identificás qué falló, ajustás, volvés a correr. La diferencia entre un prompt amateur y uno profesional son 10 pilares específicos que reducen la varianza del output.
Estos 10 pilares aplican a cualquier modelo serio (Claude, GPT, Gemini). El detalle de implementación cambia, los principios no.
Decile exactamente qué hacer, con verbo específico y scope acotado.
❌ "Ayudame con el email." ✅ "Reescribí el email de abajo en tono profesional, máximo 4 párrafos, sin saludos ni cierres."
La diferencia: el primero requiere que Claude adivine la intención. El segundo le dice qué hacer (reescribir), cómo (profesional), restricciones (4 párrafos) y qué omitir (saludos/cierres).
Pasale el background que la tarea exige. Sin contexto, Claude rellena con suposiciones.
Si le pedís "evaluá este pitch de ventas" sin contar que es para B2B SaaS en LATAM, va a evaluarlo asumiendo el contexto más probable (probablemente US, probablemente B2C). El feedback va a ser genérico.
Contexto típico:
El orden importa. En un prompt largo, Claude pesa más lo del principio y lo del final que lo del medio.
Patrón que funciona:
[Inicio: rol + objetivo]
Sos X. Tu tarea es Y.
[Medio: contexto extenso, ejemplos, datos]
Acá va todo el background...
[Final: instrucción precisa repetida + formato esperado]
Ahora, devolveme [exactamente esto].La instrucción crítica va dos veces: arriba como objetivo, abajo como recordatorio. Eso ancla a Claude en el "qué".
Lanzá → leé → ajustá → relanzá. No intentes el prompt perfecto al primer tiro. Saquen 5 outputs distintos con variaciones chicas y mirá cuál acierta mejor.
Trucos:
Para tareas no triviales, pedile a Claude que piense antes de responder. Esto mejora la calidad del output dramáticamente en tareas de razonamiento.
Formato simple:
Para resolver esto:
1. Primero analizá [aspecto A]
2. Después considerá [aspecto B]
3. Recién entonces formulá la respuesta
Razoná en voz alta cada paso, después devolveme la conclusión.En modelos modernos, esto ocurre "internamente" (extended thinking), pero forzarlo en el prompt sigue funcionando.
Cuando tu prompt tiene varias partes (contexto + datos + instrucción), envolverlas en tags XML ayuda a Claude a separar qué es qué.
<contexto>
Sos un revisor técnico de un blog sobre ML.
</contexto>
<articulo>
[contenido del artículo a revisar]
</articulo>
<criterios>
1. Precisión técnica
2. Claridad para audiencia intermedia
3. Ejemplos accionables
</criterios>
<formato_de_salida>
Devolveme JSON con: { precision: 1-10, claridad: 1-10, ejemplos: 1-10, comentarios: [...] }
</formato_de_salida>XML no es la única opción (también funcionan markdown headers o delimitadores tipo ###), pero es la más confiable cuando hay muchos elementos.
Para tareas con formato específico o estilo difícil de explicar, los ejemplos ganan al texto descriptivo.
❌ "Devolveme la respuesta en formato de bullet conciso y profesional."
✅ "Devolveme la respuesta en este formato:
Caso A:
- Causa: ...
- Impacto: ...
- Acción: ...Acá tres ejemplos buenos:
[ejemplo 1] [ejemplo 2] [ejemplo 3]
Ahora aplicá el formato a: [tu input]."
3 ejemplos > 1 ejemplo > descripción. Pero buenos ejemplos, no random: deben cubrir variabilidad realista del input.
Si querés un output que arranca de manera específica, arrancalo vos. Claude continúa desde ahí.
API call típica:
messages = [
{"role": "user", "content": "Analizame este código..."},
{"role": "assistant", "content": "Análisis estructurado:\n\n## Bugs detectados\n\n"}
]Claude va a continuar desde "## Bugs detectados". Esto fuerza el formato sin tener que pedir "responde con un header de Bugs". Útil para JSON, para listas estructuradas, para outputs que arrancan con un marker específico.
Decile qué NO hacer, no solo qué hacer.
Reescribime este email. Reglas:
- Máximo 4 párrafos
- Sin saludos ni firmas (van a ser auto-completados)
- No uses la palabra "sinergia"
- No prometas plazos que no estén en el email original
- Si falta info crítica, no la inventes — marcá "❓ falta info"Las restricciones explícitas eliminan los outputs que técnicamente respetan tu pedido pero no son lo que querías.
Antes de aceptar un output, pedile a Claude que se autoevalúe contra criterios:
Antes de devolver tu respuesta final, repasala contra estos criterios:
1. ¿Cumple el formato pedido?
2. ¿Respeta las restricciones?
3. ¿Falta info crítica que no se le pidió al usuario?
Si fallás algún criterio, ajustá antes de devolver.Esto reduce la cantidad de "ah, pero olvidaste X" en los outputs.
<rol>
Sos un analista de ventas senior con 10 años en B2B SaaS LATAM.
</rol>
<tarea>
Analizá la conversación de venta de abajo y producí un resumen accionable
para el equipo comercial.
</tarea>
<contexto>
- Producto: software de gestión de inventario para retailers medianos
- Ticket medio: USD 8k/año
- Geo: México y Colombia
- Buyer típico: dueño de retail con 3-15 sucursales
</contexto>
<conversacion>
[transcripción de la llamada]
</conversacion>
<formato>
Devolveme JSON con esta forma exacta:
{
"lead_qualification": "hot" | "warm" | "cold",
"señales_de_compra": [strings],
"objeciones": [{"objecion": str, "fuerza": 1-5}],
"próximo_paso": str,
"riesgo_principal": str
}
</formato>
<restricciones>
- No inventes información que no esté en la conversación
- Si una señal/objeción es ambigua, no la incluyas
- "próximo_paso" debe ser concreto (no "hacer seguimiento")
</restricciones>
<criterios_de_éxito>
Antes de devolver, verificá:
1. El JSON es válido (todas las keys, valores del tipo correcto)
2. Todas las objeciones tienen evidencia en la conversación
3. "próximo_paso" es accionable hoy
</criterios_de_éxito>Este prompt tiene los 10 pilares: rol claro (1), tarea explícita (1), contexto (2), estructura XML (6), formato preciso (1), restricciones (9), criterios de auto-eval (10).
"Dame el mejor email para esta situación." → ¿Mejor según qué? Conversión, claridad, brevedad, formalidad… Definí la métrica.
Si tus 3 ejemplos son del mismo tipo (todos casos exitosos, o todos del mismo segmento), Claude generaliza mal. Que los ejemplos cubran variabilidad: éxitos y fracasos, distintos segmentos, distintos formatos.
Más contexto NO siempre es mejor. Si le pasás 5000 palabras de background para una tarea que requiere 500, Claude se distrae con info no relevante. Pasale lo necesario, no lo "por las dudas".
Cambiás el prompt, sale algo distinto, "parece mejor", lo dejás. ¿Realmente es mejor? Tené un set de inputs de prueba (5-10 casos) y corré las dos versiones del prompt contra todos. Decidí con data.
Para tareas chicas y conversacionales, los 10 pilares son overkill. "Reescribime esto en menos palabras" no necesita XML tags ni criterios de éxito.
Aplicá la fuerza completa cuando:
Para tareas one-shot exploratorias, prompts cortos y directos están bien.