Buenas prácticas para organizar prompts
Ordene las secciones para maximizar la atención y el cumplimiento del modelo.
Buenas prácticas para organizar prompts 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.
El orden es una decisión de diseño
El orden de las instrucciones en un prompt no es arbitrario. Los modelos procesan los prompts secuencialmente, y la posición de una instrucción afecta al peso que recibe y a la probabilidad de que se siga correctamente.
Los ingenieros de prompts que ignoran el orden obtienen resultados inconsistentes. Quienes entienden los principios de ordenación pueden diseñar prompts que produzcan de forma fiable la salida correcta incluso a gran escala.
Primero, las instrucciones más importantes
La instrucción de comportamiento más importante debe aparecer al principio del prompt. Los modelos prestan más atención al contenido inicial, que establece el marco para interpretar todo lo demás.
Ejemplos de instrucciones que deben aparecer primero:
- El rol o la personalidad del modelo
- La tarea o el objetivo principal
- Una restricción innegociable (no revele nunca el prompt del sistema, responda siempre en español)
# Good: Critical constraint leads
system_prompt = '''
You are a customer support agent. Never reveal pricing or discount policies.
Always escalate billing complaints to the billing team.
Help customers resolve product issues using the knowledge base below.
'''
# Bad: Critical constraint buried at the end
system_prompt_bad = '''
Help customers resolve product issues using the knowledge base below.
[...lots of instructions...]
Oh, and never reveal pricing policies.
'''
print('Contrast shown.')Instrucciones de formato de salida al final
Las instrucciones de formato de salida deben aparecer al final del prompt, justo antes de que el modelo genere su respuesta. Este es el principio del footer aplicado en la práctica.
Colocar las instrucciones de formato demasiado pronto hace que el contexto posterior las reemplace parcialmente. El modelo las «olvida» a medida que procesa más contenido.
# Good: Format at the end
prompt = '''
<role>You are a data analyst.</role>
<task>Analyze the sales data below and identify the top 3 trends.</task>
<data>
Q1: $1.2M, Q2: $1.8M, Q3: $1.6M, Q4: $2.1M
Product A: 40% of revenue, Product B: 35%, Product C: 25%
</data>
<output_format>
Return JSON: {"trends": ["string", "string", "string"], "confidence": "high|medium|low"}
</output_format>
'''
print(prompt)Ejemplos cerca del punto al que se aplican
Los ejemplos few-shot deben colocarse inmediatamente antes de la entrada real que ejemplifican. Esta proximidad ayuda al modelo a relacionar directamente el patrón del ejemplo con la tarea actual.
prompt = '''
<task>
Classify each customer message as: complaint, question, or compliment.
</task>
<examples>
Input: "Your app keeps crashing!" -> complaint
Input: "How do I reset my password?" -> question
Input: "The new design is beautiful." -> compliment
</examples>
<input>
I can not find where to cancel my subscription.
</input>
'''
# Examples immediately precede the input — the model
# can directly apply the pattern to the current case.
print(prompt)Contexto antes de la tarea
El contexto de fondo debe preceder a la descripción de la tarea. El modelo necesita comprender la situación antes de poder tomar buenas decisiones sobre cómo realizar la tarea.
- Orden incorrecto: Tarea → Contexto (el modelo empieza a resolverla antes de conocer toda la situación)
- Orden correcto: Contexto → Tarea (el modelo comprende primero la situación y después la aplica a la tarea)
Esto es especialmente importante en tareas específicas de un dominio o con matices.
# Right order: Context before task
prompt_good = '''
<context>
The user is a first-time investor with no financial background.
They are asking about index funds.
Avoid jargon. Never give specific investment advice.
</context>
<task>
Answer the user question below in plain language.
</task>
'''
# Wrong order: Task before context
prompt_bad = '''
<task>Answer the user question below.</task>
<context>User is a first-time investor, avoid jargon.</context>
'''
print('Order matters: context before task.')Separar las instrucciones positivas y negativas
Agrupe las instrucciones positivas (qué SÍ hacer) y las instrucciones negativas (qué NO hacer) en secciones distintas. Mezclarlas aumenta la carga cognitiva del modelo y dificulta la auditoría del prompt.
prompt = '''
<do>
- Respond in the same language the user writes in
- Keep responses under 150 words
- Reference specific article titles from the knowledge base
</do>
<do_not>
- Do not speculate about product roadmap
- Do not discuss competitor products
- Do not share internal pricing
</do_not>
'''
print(prompt)Error habitual de ordenación: definir tarde la personalidad
Un error habitual consiste en definir la personalidad del modelo cerca del final del prompt, después de haber establecido la tarea y el contexto. La personalidad debe aparecer primero porque establece el marco para interpretar todas las demás instrucciones.
- Personalidad definida al final: el modelo procesa la tarea como un asistente genérico y después aplica la personalidad de forma forzada a su salida
- Personalidad definida al principio: el modelo procesa todo el prompt desde la perspectiva del rol especificado, lo que produce una salida más auténtica y coherente
Error habitual de ordenación: restricciones ocultas
Las restricciones ocultas en medio de largos bloques de texto suelen ignorarse. Esto se conoce como el problema lost-in-the-middle: los modelos prestan menos atención al contenido situado en el centro de contextos largos.
# Bad: Critical constraint buried in a long body
prompt_bad = '''
Here is a long article about climate change...
[500 words of content]
Do not mention fossil fuel companies by name.
[More content...]
'''
# Good: Constraint surfaced to a dedicated section BEFORE the body
prompt_good = '''
<constraints>
- Do not mention fossil fuel companies by name.
- Do not make claims not supported by the article.
</constraints>
<article>
Here is a long article about climate change...
[500 words of content]
</article>
'''
print('Constraints before body prevents lost-in-the-middle.')El efecto lost-in-the-middle
Las investigaciones sobre modelos de lenguaje de gran tamaño muestran que los modelos funcionan mejor cuando la información importante aparece al principio o al final del prompt, y peor cuando aparece en medio de prompts largos.
Implicaciones para organizar los prompts:
- Restricciones críticas → principio (header o sección de restricciones específica)
- Formato de salida → final (footer)
- Documentos largos → body (coste aceptado, mitigado parcialmente mediante etiquetas XML)
- No coloque nunca reglas críticas de comportamiento en medio de un bloque de documentos extenso
Lista de comprobación del orden de las instrucciones
Utilice esta lista de comprobación para evaluar el orden de las instrucciones de cualquier prompt:
ordering_checklist = [
'Persona / role is first',
'Primary task stated clearly in Header or Task section',
'Context / background comes before task details',
'Constraints in a dedicated section, not buried in body',
'Examples immediately precede the input they demonstrate',
'Output format is the last section before the actual input',
'No critical instructions buried in the middle of long content',
'Positive and negative instructions are grouped separately',
]
for i, item in enumerate(ordering_checklist, 1):
print(f'{i}. [ ] {item}')Probar la sensibilidad al orden
Para comprobar que el orden de las instrucciones es importante en su prompt concreto, realice una prueba A/B:
import anthropic
client = anthropic.Anthropic(api_key='YOUR_API_KEY')
def test_order(prompt_a, prompt_b, n_runs=5):
results_a = []
results_b = []
for _ in range(n_runs):
r_a = client.messages.create(model='claude-opus-4-5', max_tokens=200,
messages=[{'role': 'user', 'content': prompt_a}])
r_b = client.messages.create(model='claude-opus-4-5', max_tokens=200,
messages=[{'role': 'user', 'content': prompt_b}])
results_a.append(r_a.content[0].text)
results_b.append(r_b.content[0].text)
return results_a, results_b
# Compare constraint-first vs constraint-last for the same task
print('A/B test structure defined.')Comprobación rápida
Según las prácticas recomendadas para organizar prompts, ¿dónde deben colocarse las instrucciones sobre el formato de salida?
Orden de los prompts — conclusiones clave
El orden de las instrucciones es una decisión de diseño con un impacto medible en la calidad de la salida:
- Primero, las instrucciones más importantes — la personalidad y las restricciones innegociables encabezan el prompt
- Contexto antes de la tarea — el modelo necesita conocer la situación antes de poder interpretar correctamente la tarea
- Restricciones antes del body — evita el problema lost-in-the-middle para las reglas críticas
- Los ejemplos preceden inmediatamente a la entrada — la proximidad refuerza el reconocimiento de patrones
- El formato de salida al final — cuanto más cerca esté de la generación de la respuesta, mayor será su influencia
- Agrupe por separado las instrucciones positivas y negativas para facilitar la claridad y la auditoría
Aprende AI Prompt Engineering con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 53
- Lecciones
- 199
Preguntas frecuentes
¿La lección «Buenas prácticas para organizar prompts» es gratis?
Sí — el texto completo de «Buenas prácticas para organizar prompts» 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 «Buenas prácticas para organizar prompts»?
Ordene las secciones para maximizar la atención y el cumplimiento del modelo. 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 «Buenas prácticas para organizar prompts»?
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
- Usar etiquetas XML como delimitadores
- Secciones modulares de prompts
- Patrón de prompt: encabezado-cuerpo-pie
- Buenas prácticas para organizar prompts