Lección 6: Estrategias de prompt para distintas tareas

Objetivos de aprendizaje:

• Dominar las buenas prácticas de prompt para tareas de generación de código
• Aprender estrategias efectivas para redactar y resumir documentos
• Entender las técnicas de prompt para análisis y extracción de datos

Requisitos: << 05 Depuración y mejora de prompts

Distintas tareas necesitan distintas estrategias de prompt

Ya aprendiste la estructura básica de un prompt, few-shot, CoT y cómo depurar: son habilidades generales. Pero cada tipo de tarea tiene sus propias mañas y trampas, y pide estrategias dirigidas.

La generación de código necesita entradas, salidas y casos límite claros; la redacción de documentos necesita una audiencia y un tono definidos; la extracción de datos necesita manejar valores faltantes y mantener el formato consistente. Esta lección recorre técnicas concretas para tres tipos de tarea habituales.¹

Tipo de tarea 1: generación de código

La generación de código es una de las formas más comunes en que la gente usa la IA. La clave es simple: detalla los requisitos con claridad y la IA podrá escribir código que de verdad puedas usar.¹

Los seis elementos de un prompt de generación de código

Un buen prompt de generación de código debería incluir:¹

1. Lenguaje y versión: Python 3.10, TypeScript 5.0
2. Firma de la función: tipos de los parámetros de entrada, tipo de retorno
3. Lógica central: qué debería hacer la función
4. Casos límite: cómo manejar la entrada vacía y las condiciones de error — esto es programación defensiva: asumir que la entrada podría ser inválida y decidir de antemano cómo responder
5. Estilo de código: comentarios, anotaciones de tipo, manejo de errores
6. Límites de dependencias: solo biblioteca estándar, o qué bibliotecas de terceros se permiten

Comparación: prompts de código vagos contra claros

❌ Prompt difuso:

Escribe una función en Python que procese datos de usuario

La IA solo puede adivinar: ¿qué datos? ¿Procesarlos cómo?

✅ Prompt claro:

Escribe una función en Python 3.10 con estos requisitos:
Comportamiento:- Entrada: una lista de diccionarios, cada uno con name (str), age (int), email (str)- Salida: descartar a los usuarios con age < 18, devolver los emails de los usuarios restantes (sin duplicados)
Requisitos:- Incluir anotaciones de tipo- Manejar los campos faltantes (si a un diccionario le falta age o email, saltarse ese usuario)- Usar únicamente la biblioteca estándar de Python- Incluir un docstring que describa el uso
Ejemplo:Entrada: [{"name": "Alice", "age": 20, "email": "a@example.com"},          {"name": "Bob", "age": 15, "email": "b@example.com"},          {"name": "Charlie", "age": 25, "email": "a@example.com"}]Salida: ["a@example.com"]

Este prompt fija la entrada, la salida, los casos límite y el estilo de código, así que la IA puede escribir código usable al primer intento.

Hay investigación detrás de esto: "prompts with explicit specifications reduced the need for back-and-forth refinements by 68%" (los prompts con especificaciones explícitas redujeron un 68% la necesidad de refinamientos de ida y vuelta)¹ — detalla los pormenores y tendrás muchas más probabilidades de recibir código usable de entrada.

Buenas prácticas de generación de código

Práctica 1: Detalla las estructuras de datos de entrada y salida

No digas «procesa los datos». Di «la entrada es List[Dict[str, Any]], la salida es Dict[str, int]».

Práctica 2: Usa ejemplos para aclarar los casos límite

Maneja estos casos especiales:- Lista de entrada vacía → devolver una lista vacía- Valor None → saltarlo- Valor duplicado → conservar la primera aparición

Práctica 3: Especifica el estilo de código

Requisitos de estilo de código:- Usar anotaciones de tipo- Incluir un docstring (estilo Google)- No comentar de más (no explicar código obvio)- Priorizar la legibilidad primero, el rendimiento después

Práctica 4: Di qué no quieres

No hagas esto:- No uses variables globales- No incorpores dependencias externas (solo biblioteca estándar)- No escribas código de pruebas (solo la función principal)

Prompts de revisión de código

Cuando le pidas a la IA que revise código, nombra las dimensiones de revisión de forma explícita:

Revisa el código Python de abajo, concentrándote en:
1. Corrección: errores de lógica, manejo de casos límite2. Rendimiento: análisis de complejidad temporal, posibles cuellos de botella3. Seguridad: inyección SQL, XSS, validación de entradas
No comentes sobre el estilo de código ni sobre los nombres (esos ya pasan las revisiones de lint).
Por cada problema que encuentres, indica:- Ubicación (número de línea o fragmento de código)- Tipo de problema (bug / rendimiento / seguridad)- Impacto concreto (bajo qué condiciones falla)- Corrección sugerida
Código:[pega el código]

Nombra las dimensiones de revisión y la IA no gastará tiempo en detalles que no importan.

Tipo de tarea 2: redactar y resumir documentos

El trabajo con documentos cubre mucho terreno: documentación técnica, notas de reunión, resúmenes de artículos, generación de informes.

Los elementos clave de la redacción de documentos

1. Audiencia objetivo: lectores técnicos contra no técnicos
2. Propósito: explicar cómo usar algo contra convencer a quien toma una decisión
3. Tono y estilo: formal contra informal, detallado contra conciso
4. Plantilla de estructura: qué secciones organizan el contenido

Comparación: prompts de resumen de documentos

❌ Prompt difuso:

Resume este documento técnico

✅ Prompt claro:

Eres una redactora técnica, buena para convertir documentación técnicacompleja en resúmenes que cualquiera pueda seguir.
Tarea: resume la documentación de API de abajo como una guía de iniciorápido para desarrolladores frontend.
Audiencia: personas que trabajan en frontend, que conocen JavaScript pero nunca han usado esta API.
Formato de salida:1. Una oración sobre qué hace esta API2. Las tres funcionalidades más usadas (por cada una: propósito + ejemplo de código)3. Un ejemplo completo de escenario de uso4. Errores habituales y cómo corregirlos (2-3)
Tono: directo y práctico, sin lenguaje de marketing.
Longitud: 800 palabras o menos.
Documento original:[pega el documento]

Este prompt fija la audiencia (desarrolladores frontend), el propósito (inicio rápido), la estructura (cuatro partes) y el tono (práctico).

Buenas prácticas de redacción de documentos

Práctica 1: Detalla el bagaje de la audiencia

Audiencia:- Rol: product manager- Nivel técnico: no programa, pero entiende conceptos básicos de arquitectura de software- Objetivo de lectura: decidir si adoptar este enfoque

Práctica 2: Entrega una plantilla de estructura

Organízalo así:
## ContextoPor qué hace falta este enfoque (1 párrafo)
## Opciones comparadas| Opción | Ventajas | Desventajas | Costo ||--------|----------|-------------|-------|| ...    | ...      | ...         | ...   |
## RecomendaciónQué opción elegir, y por qué (2-3 párrafos)
## RiesgosLos riesgos principales de este enfoque y cómo manejarlos (lista)

Práctica 3: Controla el nivel de detalle

Nivel de detalle:- Explica cada punto en 1-2 oraciones, sin extenderte- Omite los detalles de implementación, cubre solo el impacto de negocio- No cites código específico ni jerga técnica

Prompts de notas de reunión

Eres un asistente de proyecto, bueno para sacar los puntos clave degrabaciones o transcripciones de reuniones.
Tarea: escribe las notas de la reunión a partir de la transcripción de abajo.
Estructura de salida:1. Información de la reunión   - Fecha: AAAA-MM-DD   - Asistentes: [lista]   - Tema: [una oración]
2. Discusión (ordenada por prioridad)   Por cada punto:   - Planteamiento del problema (1 oración)   - Puntos de discusión (2-3)   - Decisión (una conclusión clara; si no se llegó a ninguna, escribe «pendiente»)
3. Tareas accionables   Por cada una:   - Descripción de la tarea (que empiece con un verbo, accionable)   - Responsable   - Fecha límite
Restricciones:- Registra solo las discusiones con una conclusión clara, omite la charla suelta- Cada tarea accionable tiene que ser verificable (tiene un entregable claro)- Longitud total de 500 palabras o menos
Transcripción:[pega la transcripción]

Tipo de tarea 3: análisis y extracción de datos

El análisis de datos abarca sacar información estructurada de un texto, clasificar, filtrar y contar.

Los elementos clave de la extracción de datos

Un prompt confiable de extracción de datos detalla cuatro cosas de antemano:

1. Definiciones de campo: qué significa cada campo y su rango de valores permitidos
2. Manejo de valores faltantes: qué hacer cuando un campo no se puede encontrar
3. Formato de salida: JSON, CSV, tabla
4. Validación de datos: si los datos extraídos necesitan revisión

Comparación: prompts de extracción de datos

❌ Prompt difuso:

Extrae la información clave de esta oferta de trabajo

✅ Prompt claro:

Extrae los siguientes campos de la oferta de trabajo y devuelve JSON.
Definiciones de campo:- position (string): título del puesto- location (string): lugar de trabajo (ciudad + zona, si aparece)- experience (string): experiencia requerida (conserva la redacción original, p. ej. «3-5 años», «indiferente»)- salary (string): rango salarial (conserva las unidades, p. ej. «25-35k/mes», «a convenir»)- company (string): nombre de la empresa
Manejo de valores faltantes:- Si un campo no está en el texto fuente, devuelve null- No adivines ni infieras la información faltante
Ejemplo 1:Entrada: Se busca con urgencia ingeniero Java, Polanco Ciudad de México, 3+ años de experiencia, 25-35k/mes, XX TechSalida:{  "position": "ingeniero Java",  "location": "Polanco, Ciudad de México",  "experience": "3+ años",  "salary": "25-35k/mes",  "company": "XX Tech"}
Ejemplo 2:Entrada: Desarrollador frontend, remoto, salario a convenirSalida:{  "position": "Desarrollador frontend",  "location": "remoto",  "experience": null,  "salary": "a convenir",  "company": null}
Ahora procesa:[pega la oferta de trabajo]

Los ejemplos cubren tanto el caso completo como el caso con faltantes, así que la IA sabe que debe devolver null cuando no encuentra algo en vez de inventarlo — esa costumbre de fabricar hechos con aplomo se llama alucinación.

Buenas prácticas de extracción de datos

Práctica 1: Detalla los valores permitidos de cada campo

Campo: sentimientoValores permitidos: exactamente uno de «positivo» / «negativo» / «neutro»No devuelvas: cosas como bueno, alegre, favorable ni ninguna otra palabra

Práctica 2: Usa few-shot para estandarizar el formato

Cuando extraes datos estructurados, 2-3 ejemplos funcionan mejor que una descripción escrita (la técnica de few-shot de la Lección 3).

Práctica 3: Di cómo manejar los casos límite

Casos especiales:- Si un pasaje carga un sentimiento mixto («buen producto, pero muy caro») → clasificar como «neutro»- Si es una pregunta pura («¿cómo funciona esto?») → clasificar como «neutro»- Si el texto es demasiado corto (menos de 3 palabras) → devolver null

Práctica 4: Agrega validación de datos

Reglas de validación:- El campo salary tiene que contener un número- Si experience no es null, tiene que contener «año» o «indiferente»- location no puede ser una cadena vacía: o un valor, o null
Si los datos extraídos incumplen una regla de validación, devuelve un mensajede error en vez de los datos inválidos.

Aplicar los principios generales

Sea cual sea la tarea, los principios generales de las lecciones anteriores siguen valiendo:

• Los cuatro elementos (Lección 2): rol, tarea, formato, restricciones
• Few-shot (Lección 3): entrega 2-3 ejemplos para las tareas complejas
• CoT (Lección 4): agrega «pensemos paso a paso» para las tareas que necesitan razonar
• Depuración (Lección 5): cambia una cosa a la vez, verifica con casos de prueba

Las estrategias específicas por tarea de esta lección son optimizaciones dirigidas montadas encima de esos principios generales:

• Generación de código → enfatiza los tipos de entrada/salida, los casos límite, lo que no hay que hacer
• Redacción de documentos → enfatiza el bagaje de la audiencia, las plantillas de estructura, el tono
• Extracción de datos → enfatiza las definiciones de campo, el manejo de valores faltantes, los ejemplos few-shot

Resumen

Distintas tareas necesitan distintas estrategias de prompt:

• Generación de código: fijar los tipos de entrada/salida, los casos límite, el estilo de código, los límites de dependencias; usar ejemplos para aclarar los casos especiales
• Redacción de documentos: definir el bagaje y el nivel técnico de la audiencia, entregar una plantilla de estructura, controlar el nivel de detalle y el tono
• Extracción de datos: definir los valores permitidos de cada campo, decir cómo manejar los valores faltantes, usar few-shot para estandarizar el formato, agregar validación de datos

Estas estrategias se apoyan en las habilidades generales de las lecciones anteriores (los cuatro elementos, few-shot, CoT, depuración): son optimizaciones para tipos de tarea específicos. En la práctica, elige la combinación que encaje con la tarea que tienes enfrente.

Cierre del curso

Terminaste las seis lecciones de Fundamentos de ingeniería de prompts:

1. Entendiste qué es realmente un prompt y por qué importa
2. Dominaste los cuatro elementos centrales de un prompt
3. Aprendiste a guiar a la IA con ejemplos usando few-shot
4. Aplicaste la cadena de pensamiento para que la IA muestre su razonamiento
5. Construiste una rutina sistemática para depurar y mejorar prompts
6. Aprendiste las estrategias específicas para distintos tipos de tarea

Ahora tienes la caja de herramientas completa. El siguiente paso es practicar: toma una tarea real de tu propio trabajo, aplica estas técnicas, observa qué pasa y sigue refinando. La ingeniería de prompts es una habilidad que se afila haciéndola: el trabajo del curso termina aquí, pero el aprendizaje de verdad empieza cuando la pones en uso.