Diagnóstico y corrección de prompts deficientes
Lista de comprobación sistemática para mejorar prompts con resultados insuficientes.
Diagnóstico y corrección de prompts deficientes es una lección gratuita de AI Prompt Engineering en CoddyKit. Esta es la lección 4 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de AI Prompt Engineering, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de AI Prompt Engineering incluye 4 lecciones en total.
La mentalidad de depuración
Cuando un prompt produce un resultado incorrecto, el primer impulso de la mayoría de las personas es culpar al modelo. Sin embargo, en la mayoría de los casos, el problema está en el prompt y el modelo se comporta exactamente como debería dadas las instrucciones que recibió.
Es más productivo tratar los fallos de los prompts como problemas de depuración. Al igual que al depurar código, debe identificar sistemáticamente la causa raíz, formular una posible solución, probarla y verificar el resultado. Esta mentalidad permite mejorar más rápido que mediante el ensayo y error motivado por la frustración.
Lista de comprobación para depurar prompts
Cuando un prompt falla, siga sistemáticamente esta lista de comprobación de cinco dimensiones:
- Especificidad — ¿Es demasiado impreciso? ¿La tarea necesita una definición más precisa?
- Contexto — ¿Falta información de contexto que el modelo necesita?
- Formato — ¿Se han especificado el formato y la longitud deseados del resultado?
- Restricciones — ¿Las restricciones están claramente expresadas? ¿Hay alguna que entre en conflicto con otra?
- Ejemplos — ¿Un ejemplo de un buen resultado eliminaría la ambigüedad?
Cada dimensión corresponde a un tipo de solución específico. Identifique qué dimensión ha fallado y aplique la solución correspondiente.
Dimensión 1: comprobación de la especificidad
Los fallos de especificidad producen: un tema equivocado, un enfoque incorrecto, un nivel inadecuado para la audiencia o la omisión de aspectos clave de la tarea.
Preguntas de diagnóstico:
- ¿Podría una persona inteligente que no conociera el contexto interpretar este prompt de forma distinta a la que usted pretende?
- ¿Hay palabras imprecisas (bueno, mejor, apropiado, profesional) que deban sustituirse?
- ¿Se ha especificado el tipo de tarea (¿artículo?, ¿correo electrónico?, ¿resumen?, ¿análisis?)?
- ¿Se ha definido la audiencia con suficiente precisión?
Solución: Sustituya las palabras imprecisas por otras específicas. Indique el tipo de tarea. Especifique los conocimientos previos de la audiencia. Añada un ejemplo de una sola frase del resultado que desea.
Dimensión 2: comprobación del contexto
Los fallos de contexto producen: consejos genéricos que ignoran su situación específica, suposiciones incorrectas sobre su stack tecnológico, su empresa o su audiencia, y respuestas que funcionarían en un contexto diferente, pero no en el suyo.
Preguntas de diagnóstico:
- ¿Qué necesita saber el modelo sobre su situación específica que no puede saber a partir de su entrenamiento general?
- ¿Ha proporcionado el código, documento o datos relevantes sobre los que trata la tarea?
- ¿Ha descrito las restricciones de su entorno?
Solución: Añada una sección de Contexto antes de la instrucción de la tarea. Pegue directamente en el prompt el código o contenido relevante.
Dimensión 3: comprobación del formato
Los fallos de formato producen: el contenido correcto con una estructura equivocada; por ejemplo, prosa cuando necesitaba viñetas, un ensayo cuando necesitaba una guía paso a paso o ningún encabezado cuando era necesaria una navegación clara.
Preguntas de diagnóstico:
- ¿Especificó el formato del resultado (viñetas, lista numerada, prosa, tabla, bloque de código)?
- ¿Especificó la longitud?
- ¿Especificó las secciones obligatorias o una estructura?
Solución: Añada instrucciones explícitas sobre el formato. Utilice el patrón: "Formato: [estructura]. Longitud: [objetivo]. Secciones: [lista]." Para formatos complejos, proporcione una plantilla con texto de marcador de posición que el modelo deba completar.
Dimensión 4: comprobación de las restricciones
Los fallos de restricciones producen contenido que incluye lo que quería excluir o resultados que parecen robóticos porque las restricciones entran en conflicto.
Preguntas de diagnóstico:
- ¿Sus restricciones están claramente expresadas o solo implícitas?
- ¿Hay restricciones que entren en conflicto entre sí?
- ¿Sus restricciones entran en conflicto con el alcance o la longitud del contenido?
- ¿Existe una instrucción de prioridad para las restricciones que casi entren en conflicto?
Solución: Haga explícitas las restricciones implícitas. Añada una instrucción de priorización. Resuelva los conflictos eligiendo qué restricción prevalece. Compruebe que el alcance y la longitud sean compatibles.
Dimensión 5: comprobación de los ejemplos
Cuando las cuatro primeras dimensiones parecen correctas, pero el resultado sigue sin ser el adecuado, a menudo faltan ejemplos. Los ejemplos comunican lo que las palabras no pueden expresar.
Preguntas de diagnóstico:
- ¿Mostrar un ejemplo de un buen resultado aclararía el estilo, el tono o el formato esperados?
- ¿Ayudaría un ejemplo negativo (lo que NO debe producirse)?
- ¿Hay resultados existentes de este tipo de tarea que pueda utilizar como referencia?
Solución: Añada al prompt uno o dos ejemplos del resultado ideal. Utilice el patrón: "Este es un ejemplo de lo que busco: [ejemplo]. Ahora haga lo mismo para [su tarea concreta]."
Un flujo de trabajo para depurar prompts
Este es un flujo de trabajo de diagnóstico completo que puede aplicar a cualquier prompt que falle:
def diagnose_prompt(original_prompt, failed_output, problem_description):
'''
Use a second LLM call to diagnose why a prompt produced a bad output.
Returns a diagnosis and an improved prompt.
'''
import openai
client = openai.OpenAI(api_key='sk-...')
diagnosis_prompt = f'''You are a prompt engineering expert.
A user ran this prompt:
---PROMPT---
{original_prompt}
---END PROMPT---
It produced this output (which was unsatisfactory):
---OUTPUT---
{failed_output[:500]}...
---END OUTPUT---
The problem the user identified: {problem_description}
Diagnose the prompt failure using this framework:
1. Specificity: Is anything too vague?
2. Context: What background information is missing?
3. Format: Is the desired format/length unclear?
4. Constraints: Are there missing or conflicting constraints?
5. Examples: Would an example help?
Then write an improved version of the prompt that addresses the root cause.
Format: Diagnosis: [analysis] || Improved prompt: [new prompt]'''
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': diagnosis_prompt}]
)
return response.choices[0].message.contentCausa raíz frente a síntoma
Un error común al depurar consiste en tratar el síntoma en lugar de la causa raíz.
Síntoma: El resultado es demasiado genérico.
Solución para el síntoma: Añadir "sea más específico" al prompt.
Causa raíz: No se definió la audiencia, por lo que el modelo utilizó una audiencia genérica predeterminada.
Solución para la causa raíz: Añadir una especificación precisa de la audiencia.
Tratar los síntomas produce mejoras marginales. Tratar las causas raíz produce mejoras fiables. Antes de escribir la solución, pregúntese "¿por qué se produce este síntoma?" y profundice un nivel más.
Cómo llevar un registro de fallos de los prompts
En tipos de tareas recurrentes, llevar un registro de fallos de los prompts acelera la mejora con el tiempo. Cada entrada registra:
- El prompt original
- El resultado incorrecto (o una descripción de qué estaba mal)
- La causa raíz diagnosticada (especificidad / contexto / formato / restricciones / ejemplos)
- La solución aplicada
- El resultado
Después de 10-20 entradas, aparecen patrones. Puede descubrir que la misma causa raíz (por ejemplo, la falta de contexto sobre la audiencia) explica el 60 % de los fallos de una categoría. Corríjala en la plantilla y el patrón desaparecerá.
La plantilla de prompt mejorada
La mayoría de los prompts bien estructurados siguen una plantilla coherente que aborda de forma preventiva las cinco dimensiones de la depuración:
ROBUST_PROMPT_TEMPLATE = '''
## Role
[Who the model should act as — establishes expertise level and perspective]
## Context
[Background the model needs: company, audience, product, prior decisions, constraints]
## Task
[Specific, precise description of what to produce]
## Format
[Output structure: bullet points / prose / numbered list / table]
[Length: word count or sentence count]
[Required sections: list them if the output needs specific sections]
## Constraints
[What to include: required elements]
[What to exclude: off-limits content or approaches]
[Priority: if constraints conflict, X takes priority over Y]
## Example
[One example of good output for this task type — optional but powerful]
'''
print(ROBUST_PROMPT_TEMPLATE)Comprobación de conocimientos: depuración de prompts
Un prompt produce un resultado bien redactado, pero se centra en las mejores prácticas generales sobre el tema en lugar de hacerlo en la situación específica descrita en la tarea. El formato y la longitud son correctos. No se infringen las restricciones. ¿Qué dimensión de la depuración es la causa raíz?
Repaso: diagnóstico y corrección de prompts incorrectos
La depuración de prompts es un proceso sistemático, no un proceso de ensayo y error. La lista de comprobación de cinco dimensiones —Especificidad, Contexto, Formato, Restricciones y Ejemplos— relaciona cada tipo de fallo habitual con una solución específica.
La sólida plantilla de prompt aborda preventivamente las cinco dimensiones y evita la mayoría de los fallos antes de que se produzcan. El flujo de trabajo de depuración (identificar el síntoma → encontrar la causa raíz → aplicar la solución → verificar) produce mejoras fiables. Un registro de fallos de los prompts acelera el aprendizaje entre sesiones.
Con estas herramientas, puede diagnosticar y corregir cualquier fallo de un prompt de forma metódica y coherente.
Preguntas frecuentes
¿La lección «Diagnóstico y corrección de prompts deficientes» es gratis?
Sí — el texto completo de «Diagnóstico y corrección de prompts deficientes» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de AI Prompt Engineering, actualiza a CoddyKit PRO. El curso de AI Prompt Engineering incluye 4 lecciones en total.
¿Qué aprenderé en «Diagnóstico y corrección de prompts deficientes»?
Lista de comprobación sistemática para mejorar prompts con resultados insuficientes. Practicas AI Prompt Engineering con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar AI Prompt Engineering?
No se requiere experiencia previa. AI Prompt Engineering en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 4 de 4.
¿Cuánto tiempo toma la lección «Diagnóstico y corrección de prompts deficientes»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de AI Prompt Engineering?
Sí. Cada lección de AI Prompt Engineering incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Instrucciones demasiado vagas
- Requisitos contradictorios
- Errores por falta de contexto
- Diagnóstico y corrección de prompts deficientes