• Blog
  • IA
  • ¿Cómo hacer prompts para Claude y cuáles son los mejores?

¿Cómo hacer prompts para Claude y cuáles son los mejores?

17min

Tareas tan diversas como el desarrollo de software, el análisis de información o la automatización de tareas complejas está ahí para nosotros, solamente detrás de un prompt. Sin embargo, el prompt no es menos importante que las respuestas que nos da el modelo, pues en realidad la calidad de las instrucciones que se le proporcionan impactan directamente en la calidad de las respuestas de la IA.

Índice

¿Qué son los prompts?

Todas las IA requieren que les entregues una información completa y detallada sobre la tarea que pretendes que realicen para ti. Eso son los prompts, las instrucciones que proporcionas a un modelo de lenguaje como Claude o ChatGPT para guiar su comportamiento y obtener respuestas útiles, precisas y alineadas con un objetivo concreto.

Los prompts son muy importantes porque, de hecho, la respuesta es un claro reflejo de la calidad del prompt que hemos introducido. Por lo tanto, cuanto mejor sean las instrucciones mayor calidad tendrán las respuestas. Incluso, en modelos avanzados como es el caso de Claude, los prompts adquieren una importancia aún mayor debido a su gran ventana de contexto y su capacidad para seguir instrucciones complejas con alta fidelidad.

Así pues, crear un buen prompt es clave para sacar lo mejor de la IA y esta tarea no incluye solamente la pregunta, sino una especificación detallada del problema, el formato de salida esperado, las restricciones y el contexto necesario para poder desempeñarla. Cuanto más estructurado y claro sea el prompt, mejor será la calidad de la respuesta que nos ofrecerá Claude y cualquier otro modelo LLM.

Técnicas avanzadas de ingeniería de instrucciones para Claude

Todo el mundo sabe escribir un prompt. No hace falta más que poner una pregunta en un mensaje en la pantalla de chat con el modelo. Sin embargo, los modelos soportan muchas utilidades que no todo el mundo conoce a la hora de escribir las instrucciones. Así que pasemos directamente a conocer las técnicas avanzadas para construir las instrucciones precisas para los modelos de Anthropic (Claude).

Implementación de etiquetas XML para la separación estricta de variables y dato

¿Sabías que Claude soporta etiquetas XML para estructurar las partes de un prompt? Estas etiquetas te sirven para separar claramente las distintas partes del prompt, lo que ofrece más información al modelo y evita ambigüedades.

Te vamos a dejar un ejemplo para que lo veas, que es lo mejor para entender cómo se usan estas etiquetas. Verás estos ejemplos a lo largo de todo el artículo. Te recomendamos descargarlos para su consulta o abrir las imágenes en una nueva ventana.

Las etiquetas principales que ves aquí:

  • context establece un rol imaginativo concreto (no genérico) que condiciona el tono de toda la respuesta.
  • instructions da restricciones creativas (evitar lo obvio) sin cerrar demasiado la libertad del modelo.
  • output_format obliga a una respuesta organizada y fácil de reutilizar (por ejemplo, para maquetar la propuesta después).

Técnica de pre-llenado (Prefilling) de la respuesta para forzar formatos específicos

Otra técnica poco conocida es el «prefilling», que consiste en iniciar la respuesta con una estructura parcial que el modelo debe completar. Esto es especialmente útil cuando se necesita un formato rígido como JSON, tablas o estructuras predefinidas.

Por poner un ejemplo, si se comienza la salida con { «result»:, Claude tenderá a completar el resto respetando ese formato, reduciendo errores de sintaxis. Veamos esto con un ejemplo:

Inventa un deporte completamente nuevo, pensado para practicarse en gravedad reducida (como en una estación espacial).

Devuelve la información en formato JSON con esta estructura:
- nombre
- num_jugadores
- objetivo
- reglas_clave (array de 3 elementos)
- objeto_principal_juego
Responde únicamente con el JSON, sin texto adicional.
{  'nombre':

 

Estructuración de System Prompts avanzados para el control del comportamiento del modelo

Los system prompts son también muy útiles porque permiten definir el rol, tono, estilo y reglas de comportamiento del modelo, de manera clara y sin necesidad de usar frases difusas.

En Claude, estos prompts son especialmente efectivos para establecer límites claros, como evitar suposiciones, seguir formatos estrictos o priorizar ciertas fuentes. Tambien los entregamos con etiquetas XML.

En este caso hemos usado estas etiquetas que merecen la pena señalar

  • fija una identidad muy concreta y poco genérica, lo que reduce respuestas «planas» o intercambiables con cualquier otro asistente.
  • separa el estilo de las reglas de contenido — esto evita que el modelo mezcle «cómo suena» con «qué puede decir», que es un error común al meter todo junto en un solo párrafo difuso.
  • es donde realmente se controla el comportamiento: aquí se ve el punto cómo evitar suposiciones y priorizar ciertas fuentes
  • separa las reglas de contenido de las reglas de formato — así puedes cambiar el límite de palabras sin tocar las reglas de comportamiento, o viceversa.
  • es una etiqueta poco común pero muy útil que define qué hacer cuando el usuario se sale del propósito del system prompt, evitando que el modelo intente «ayudar a toda costa» fuera de su rol definido.

Estrategias de Few-shot Prompting adaptadas al amplio contexto de Anthropic

Quizás hayas oído hablar de las estrategias «Few-shot» en la rama del prompt engineering. Si no es así nunca es tarde para conocerla. Básicamente consiste en aportar al modelo instrucciones junto con ejemplos donde le pones exactamente cómo quieres que se comporte al aportar la respuesta.

Gracias a la gran capacidad de contexto de Claude no es un problema incluir múltiples ejemplos dentro del prompt, para enseñar esos patrones de respuesta deseados. Esta técnica es especialmente útil para tareas repetitivas o con formatos específicos.

Vamos a ver un ejemplo bien claro donde queremos ejemplos muy particulares:

Primero, la tarea y los ejemplos:

Y ahora, el resto:

Activación del razonamiento explícito mediante Chain of Thought

El Chain of Thought o cadena de pensamiento consiste en pedir al modelo que razone paso a paso antes de dar una respuesta final. Esto generalmente mejora el rendimiento en tareas complejas como análisis, lógica o resolución de problemas y por tanto es una herramienta excelente cuando tu tarea no es algo trivial.

En Claude, esta técnica puede activarse mediante instrucciones explícitas como “razona paso a paso” o «estructura la respuesta en fases con un detalle de cada una de ellas».

Herramientas oficiales de automatización: El generador de prompts para Claude

Si los ejemplos anteriores ya te abrieron puertas increíbles para conseguir buenos prompts en Claude, ahora vamos a compartir contigo algunas herramientas oficiales que están a tu disposición para conseguir construir prompts más efectivos todavía.

Acceso y configuración de Claude Prompt Generator en la consola de Anthropic

El Claude Prompt Generator es una herramienta oficial de Anthropic, integrada en lo que se llama la Developer Console, que está dentro de la plataforma para desarrolladores que usan la API de Claude.

Anthropic proporciona herramientas dentro de su consola que permiten generar prompts optimizados automáticamente y que nos pueden venir genial como herramientas enfocadas a estructurar instrucciones complejas, sin necesidad de diseñarlas manualmente desde cero.

Este es el Claude Prompt Generator clásico:

Lo que ocurre es que este panel se ha rediseñado directamente y ahora las opciones se han colocado más dispersas a través del nuevo Workbench, donde se pueden configurar variables, contexto y objetivos en campos por separado.

Transformación de conceptos simples en instrucciones robustas

El generador de prompts permite convertir una idea básica en una instrucción completa, incluyendo delimitadores, contexto adicional y formato de salida, algo que es ideal para que tu interacción con Claude sea mucho más certera, pudiendo aprovechar sus capacidades tal como ha sido diseñado para trabajar.

En el nuevo workbench tienes estas opciones habilitadas desde que empiezas a indicar las instrucciones en el campo «Sistema». Luego puedes añadir más contexto y documentos en la parte de abajo «Mensajes» que es donde se coloca la información que va a proporcionar el usuario.

Luego pulsamos el botón ejecutar para obtener la respuesta en la consola. De este modo podrás ver cómo Claude te va a responder, comprobando si esa respuesta está alineada con los objetivos y el grado de detalle que quieres para tus aplicaciones.

A través de la propia interfaz del workbench puedes ajustar cada uno de los valores que requiera tu aplicación, como el nivel de detalle de las respuestas, tokens objetivo, la creatividad de los modelos o incluso el propio modelo en sí.

Optimización algorítmica de variables y delimitadores estructurales automáticos

Una de las ventajas clave de Claude es la capacidad de entender delimitadores adecuados, incluso herramientas como el generador de prompts antiguos las creaban automáticamente.

No es un problema tampoco si las tienes que introducir tú manualmente, porque son muy fáciles. Algunos de esos delimitadores ya los hemos visto cuando repasamos etiquetas XML que podemos introducir en los prompts de Claude. Otros ejemplos útiles son los siguientes:

  • Bloques con «»» o para encapsular texto largo.
  • Encabezados como ### INSTRUCCIONES, ### CONTEXTO, ### INPUT

Con estos bloques evitarás conflictos entre datos y contexto y podrás mejorar la precisión del modelo, a la vez que se reducen errores en tareas complejas.

Uso del Workbench de Anthropic para probar y refinar las sugerencias del generador

El Workbench que hemos visto en las anteriores imágenes, dentro de Claude Console, permite iterar rápidamente sobre los prompts generados, probar variaciones y medir resultados.

Además, otra cosa muy útil de esta herramienta es que cada salida la acompaña de un resumen de los token de entrada y los token de salida, el tiempo que le ha llevado al modelo obtener la respuesta y, todavía más importante, el coste de esta solicitud, para que seas capaz de dimensionar lo que vas a gastar al usar el API de Claude.

Ventajas de utilizar las plantillas oficiales optimizadas para reducir el consumo de tokens

Las plantillas oficiales de Anthropic están pensadas como puntos de partida eficientes, ya que encapsulan buenas prácticas de redacción, delimitación y especificación de formatos en prompts relativamente compactos.

Al reutilizarlas en flujos de trabajo con alto volumen de consultas, reduces el número de tokens necesarios por petición y ganas margen en la ventana de contexto. Además obtienes otros beneficios como la mejora de la latencia del sistema, todo ello sin tener que invertir horas en diseñar y depurar cada instrucción desde cero.

Estas plantillas las encuentras en varios sitios. Por ejemplo en el Workbench las ves nada más abrir, en la parte de la derecha. Al usar otras herramientas en Claude verás también estas plantillas en la interfaz para definir las tareas.

 

Mejores prompts de Claude por categorías

En Internet encuentras multitud de sitios donde se destacan plantillas ya listas para usar en prompts en Claude, con solo copiar y pegar. Por supuesto, son solo ideas que pueden venir bien para comenzar tus propias instrucciones, aunque siempre será necesario adaptarlas para mejorar el contexto, acotar los márgenes de las tareas y el tipo de resultado que quieres obtener.

En los siguientes puntos hemos querido aportar nuestro granito de arena en lo que respecta a plantillas de Claude, agrupadas por categorías distintas, en torno a diversos nichos que creemos que serán muy relevantes para vosotros.

Plantillas de prompts para refactorización, depuración y arquitectura de software

Un buen prompt en este ámbito debe incluir el código, el objetivo (si es una optimización, una limpieza o la aplicación de patrones) y restricciones claras.  Aquí tienes un ejemplo:

 

Prompts para procesar informes financieros extensos

Podemos sacar mucha utilidad a Claude en el análisis de documentos largos, que nos llevaría tiempo de procesar de manera manual. Un prompt eficaz no solo nos puede ahorrar horas de trabajo, sino que además mantendrá un ojo clínico al alcance de pocos. Para conseguir un buen resultado el prompt debe incluir instrucciones para resumir, extraer métricas clave y detectar anomalías o tendencias.

 

Fórmulas para generar contenido con voz de marca natural

Para generar contenido Claude es la mejor opción, no solo porque su lenguaje parece menos robotizado que en otras IA, sino porque es muy bueno a la hora de mantener coherencia en la voz de marca. Veremos un ejemplo aquí donde podrás generar contenido alineado con la identidad de la organización.

Plantillas de prompts para lluvia de ideas y análisis FODA

Otro área excelente para sacar partido a la Inteligencia Artificial es en la obtención de ideas para nuevas actividades, y su análisis estratégico alineado con la empresa. En este sentido es posible usar FODA que es una herramienta de planificación y diagnóstico estratégico que  evalúa el entorno mediante cuatro variables: Fortalezas y Debilidades , Oportunidades y Amenazas.

Prompts para la auditoría de contratos y cumplimiento

Este es un área delicada donde también somos capaces de usar Claude para estar seguros de no dejar ningún cabo suelto. En este caso, es clave proporcionar el documento completo que debe analizarse y especificar criterios de revisión, como riesgos legales, cláusulas ambiguas o incumplimientos normativos.

Instrucciones y prompts para adaptaciones lingüísticas precisas

Aquí Claude puede ser de mucha utilidad también porque es ideal para hacer traducciones y adaptaciones culturales. Para ello debemos proporcionar instrucciones claras sobre el tono, el público objetivo y las diferencias regionales.

Estructuras de prompts para resumir literatura científica compleja

Si trabajamos en el área de la investigación podemos apoyarnos en Claude para obtener resúmenes de artículos científicos. En este caso es recomendable pedir salida estructurada que incluya objetivos, metodología, resultados y conclusiones, facilitando la comprensión de textos densos.

Buenas prácticas para iterar, depurar y perfeccionar tus flujos de trabajo con Claude

No podemos olvidarnos que, en ocasiones, un único prompt no será capaz de darnos los resultados esperados, o al menos en el nivel de detalle o personalización deseado. Por ello frecuentemente tendremos que iterar, depurar y perfeccionar los flujos de trabajo.

Mitigación proactiva de alucinaciones mediante el establecimiento de límites lógicos estrictos

Las alucinaciones son un problema inherente a todos los modelos de generación de lenguaje. Obviamente, no podemos caer en la trampa de una alucinación del modelo, dando por hecho la veracidad de ciertas afirmaciones.

En este sentido, una de las estrategias más efectivas para reducir alucinaciones es definir límites claros dentro del prompt. ¿Qué implica esto? pues básicamente indicar explícitamente qué debe hacer el modelo cuando no tenga suficiente información, como responder simplemente que no dispone de la información, en lugar de inventar nada. Otra estrategia consiste en pedir aclaraciones y citas, para evitar que se intente el contenido.

También es recomendable restringir el alcance del conocimiento a fuentes proporcionadas dentro del contexto, que nosotros introducimos como usuario. Por ejemplo, le puedes dar un documento y pedirle que solo utilice la información incluida en él, o en un bloque específico de datos.

Gestión eficiente de la ventana de contexto para optimizar el consumo de tokens por petición

Claude permite trabajar con contextos muy amplios, especialmente si usamos los modelos más avanzados. Sin embargo, que dispongamos de una ventana de contexto muy amplia no significa que deba utilizarse todo el espacio disponible en cada petición. Una buena práctica que te recomendamos es incluir únicamente la información relevante y estructurarla de forma clara.

Trata de eliminar redundancias, resumir datos previos y reutilizar estructuras, ya que todo ello ayudará a reducir el consumo de tokens. Además, cuando tienes tareas complejas las puedes segmentar en múltiples llamadas, ya que puede ser más eficiente que intentar resolver todo en una única interacción.

Pruebas de estrés y control de casos extremos (Edge Cases) en las respuestas del modelo

Para garantizar la robustez de un prompt, es fundamental someterlo a pruebas con entradas atípicas o que traten de acercase a los límites del modelo.

Por ejemplo, puedes incluir prompts donde le pasas los datos incompletos, formatos inesperados o instrucciones ambiguas, para ver lo que pasa y tratar de mejorar los prompts para que, en estos casos, tome decisiones más alineadas con lo que tú esperas.

Metodologías de evaluación cualitativa para comparar el rendimiento entre versiones de prompts

Si tienes tareas que se van a repetir a lo largo del tiempo es ideal ir haciendo pequeñas variaciones de los prompts y ver qué resultados te ofrecen. En algunas ocasiones verás que no siempre se puede hacer con métricas cuantitativas. En cambio, en muchos casos, es necesario evaluar aspectos como claridad, precisión, coherencia o utilidad de la respuesta.

Documenta los mejores prompt para ir refinando tus interacciones a lo largo del tiempo. Incluso, si a veces no tienes claro qué será mejor puedes usar criterios de evaluación y aplicar pruebas A/B entre distintas versiones del mismo prompt. De este modo podrás iterar de forma más controlada y tomar decisiones basadas en resultados observables a lo largo del tiempo.

Control de versiones y mantenimiento sistemático de tu biblioteca interna de instrucciones

Si tus prompts se van haciendo muy complejos no dejes pasar la oportunidad de organizarte usando herramientas como los sistemas de control de versiones, como si fueran código fuente.

Al versionarlos y documentarlos conseguirás crear una biblioteca reutilizable de prompts con gran valor.

Preguntas frecuentes sobre la creación de prompts en Claude

Vamos a terminar con una lista breve de preguntas y respuestas que pueden venirte bien para trabajar con Claude de manera más adecuada, en lo que respecta a la creación de prompts.

¿Qué versión de Claude es la mejor para procesar indicaciones de desarrollo de software?

Siempre las versiones más recientes de Claude suelen ofrecer mejor rendimiento en tareas de programación, especialmente a la hora de comprender mejor el código y mantener el contexto.

En general, conviene optar por modelos optimizados para razonamiento y tareas técnicas, ya que manejan mejor instrucciones complejas y múltiples restricciones. Si la tarea es simple o muy mecánica, puede valerte un modelo menos poderoso. Incluso puedes definir planes utilizando modelos de alto razonamiento y luego pedirle la implementación a modelos más baratos, para ahorrar costes y siempre y cuando las tareas hayan quedado muy bien definidas.

¿Cómo influyen las etiquetas XML en la reducción del consumo de tokens?

Como hemos visto, las etiquetas XML son muy útiles para mejorar los prompts. Quizás pueda parecerte demasiado verboso pero lo cierto es que pueden ayudar a reducir el consumo total de tokens, al mejorar la precisión del modelo y acotar mucho mejor las expectativas que tenemos a la hora de obtener las respuestas.

Además las etiquetas XML también ayudan a reducir la posibilidad de obtener respuestas incorrectas, evitando que tengas que iterar más de lo necesario y corregir al modelo numerosas veces para obtener finalmente lo que quieres.

¿Se pueden reutilizar los esquemas de la biblioteca de prompts claude en otros LLM?

La mayor parte de las cosas que hemos mencionado, sobre todo en lo que respecta a conceptos de prompt engineering, las puedes aplicar en otros modelos de Inteligencia Artificial. En la mayor parte de los casos necesitarás ajustes sobre todo en lo que respecta al formato o delimitadores, sin embargo los consejos a la hora de construir prompts los podrás usar sin problemas en otras herramientas como Gemini o ChatGPT, con pequeñas adaptaciones.

Fernando Fuentes

Artículos relacionados

Productos relacionados: