Errores por falta de contexto

Los modelos de IA saben mucho gracias a sus datos de entrenamiento, pero no saben nada sobre su situación específica a menos que se la explique. Los prompts que dan por supuesto un conocimiento del que carece el modelo producen respuestas genéricamente correctas, pero inútiles para la situación concreta.

"Corrija el error.": ¿Qué error? ¿En qué código? ¿Qué hace actualmente? ¿Qué debería hacer en su lugar?

El modelo se inventará una respuesta en lugar de indicarle que no dispone de información suficiente. Esa respuesta inventada casi nunca será lo que necesita.

Salvo que se lo proporcione, el modelo no sabe:

• Su código, proyecto o documento específicos
• Su empresa, producto, marca o clientes
• La conversación que mantuvo en una sesión anterior (cada conversación comienza desde cero)
• Qué intentó anteriormente y por qué no funcionó
• Sus preferencias personales, estilo o estándares
• Los conocimientos previos de su audiencia
• Las restricciones de su entorno (pila tecnológica, presupuesto, plazo)

Todo lo que el modelo sepa sobre su tarea debe proceder de la conversación actual.

"Corrija el error" es un prompt clásico al que le falta contexto. El modelo no recibe información sobre:

• Qué lenguaje o framework se utiliza
• Qué debería hacer el código
• Qué hace en realidad (el síntoma)
• Qué error o resultado incorrecto aparece
• Qué se intentó y no funcionó

Un prompt completo para corregir un error proporciona las cinco piezas: "Esta función de Python debería devolver la suma de todos los números pares de una lista, pero devuelve 0 para [2,4,6]. Este es el código: [pegue el código]. El error es..."

"Continúe desde donde lo dejamos.": un error frecuente que revela un malentendido fundamental: el modelo no tiene memoria entre sesiones.

Cada conversación nueva comienza completamente desde cero. El modelo no tiene acceso a conversaciones anteriores, aunque haya utilizado la misma cuenta o herramienta. Si necesita el contexto de una sesión anterior, debe pegarlo explícitamente en la conversación actual.

Algunas herramientas, como Claude Projects o los sistemas de memoria personalizados, proporcionan contexto entre sesiones, pero esto es una función de la herramienta, no una capacidad inherente del modelo.

Un error de contexto frecuente consiste en suponer que el modelo comparte sus conocimientos previos implícitos:

• "Adáptelo a nuestra marca" (¿qué marca? ¿cuáles son sus pautas de marca?)
• "Escríbalo como la última vez" (el modelo no tiene acceso a la última ocasión)
• "Use el mismo formato que los demás informes" (pegue el formato o un informe de ejemplo)
• "Manténgalo coherente con lo que hablamos" (si esta es una conversación nueva, no se ha hablado de nada)

La solución siempre es la misma: haga explícito lo implícito. Indique qué supone que el modelo sabe.

La inyección de contexto consiste en proporcionar explícitamente la información de contexto que el modelo necesita para responder correctamente. Hay tres patrones:

Pegue el contenido relevante: incluya el código, documento, correo electrónico o datos directamente en el prompt.

Describa la situación: resuma los antecedentes relevantes en 2-5 oraciones antes de la instrucción de la tarea.

Indique las restricciones: mencione el entorno, la pila tecnológica, la audiencia y cualquier decisión previa relevante.

La inyección de contexto transforma el conocimiento genérico del modelo en respuestas específicas para cada situación.

Para tareas complejas, estructure el contexto mediante secciones etiquetadas antes de la instrucción de la tarea:

No todo el contexto tiene el mismo valor. Un contexto insuficiente produce resultados genéricos; un contexto excesivo oculta la información relevante entre el ruido y puede desplazar demasiado hacia abajo del prompt la instrucción real de la tarea.

Calibre la profundidad del contexto preguntándose: ¿qué necesitaría saber un experto humano que razonara cuidadosamente para realizar bien esta tarea?

• Incluya: audiencia, propósito, restricciones, terminología específica del dominio y decisiones previas relevantes
• Excluya: información que cualquiera ya conocería, historial irrelevante y detalles tangenciales

Una regla útil: el contexto debe ser lo bastante específico como para que un desconocido no pudiera escribirlo para una empresa o situación diferente.

Como el modelo no tiene memoria entre sesiones, la solución es un contexto base reutilizable: un bloque de contexto estándar que pegue al principio de cada sesión sobre un tema recurrente:

Un error relacionado con la falta de contexto es la especificación incompleta: proporcionar algo de contexto, pero no el suficiente para que el modelo gestione los casos límite.

Ejemplo: "Escriba una función que filtre a los usuarios según su estado de suscripción."

¿Cuál es la estructura de datos? ¿Cuáles son los valores de estado válidos? ¿Qué debería ocurrir con los usuarios que no tengan estado? ¿Debe distinguir entre mayúsculas y minúsculas? ¿Qué debería devolver si la lista está vacía?

El modelo hará suposiciones sobre todos estos aspectos. Esas suposiciones pueden ser erróneas. Las especificaciones completas anticipan explícitamente los casos límite.

En los prompts relacionados con código, un conjunto mínimo de contexto produce resultados útiles de forma fiable:

• Lenguaje y versión: Python 3.11, TypeScript 5.0
• Framework: FastAPI, Next.js, React Native
• Qué debería hacer el código: entradas y salidas esperadas
• Qué hace mal actualmente: síntoma y mensaje de error
• Qué se ha intentado: evita repetir enfoques que ya han fallado
• Restricciones: no debe utilizar dependencias externas, debe ejecutarse en menos de 50 ms

Este conjunto mínimo elimina las causas más comunes de las sugerencias de código de IA que son correctas en general, pero incorrectas para su contexto específico.

Un desarrollador envía este prompt: "Ayúdeme a optimizar esto." sin más información. ¿Cuál es la descripción más precisa de lo que ocurrirá?

Los errores por falta de contexto se producen cuando un prompt da por supuesto un conocimiento del que carece el modelo: su código, su marca, sus sesiones anteriores y las decisiones de su equipo. El modelo llena estos vacíos con suposiciones y produce resultados genéricos o incorrectos.

La solución es la inyección de contexto: pegue el contenido relevante, describa la situación e indique explícitamente las restricciones. Para las tareas recurrentes, un contexto base reutilizable resuelve el problema de la memoria entre sesiones. En las tareas de código, incluya siempre el lenguaje, el framework, las entradas y salidas, el comportamiento actual y las restricciones.

En la última lección de este curso, integrará todas estas lecciones en una lista de comprobación sistemática para depurar prompts.