Técnicas de prompting

Más allá de pedir con claridad, existen técnicas concretas que mejoran resultados de forma consistente.

Few-shot: incluir en el prompt dos o tres ejemplos de entrada y salida. El modelo detecta el patrón (formato, estilo, criterio) y lo replica. Funciona especialmente bien para clasificar (por ejemplo, reseñas en positivas o negativas), extraer datos y armar formatos repetitivos. Los ejemplos deben ser consistentes entre sí: un ejemplo con formato distinto confunde más de lo que ayuda.

Paso a paso: pedir que razone antes de responder ('resolvelo paso a paso', 'explicá tu razonamiento') mejora problemas de lógica, cálculo y decisiones con varios factores. No es magia: darle espacio para desarrollar el razonamiento reduce errores de salto directo a la conclusión.

Delimitadores: separar instrucciones de datos con marcas claras (comillas triples, o etiquetas como <texto>...</texto>, parecidas a las de una página web). Así el modelo no confunde qué debe hacer con qué debe procesar.

Formato de salida: especificar estructura ('una tabla con tres columnas', 'máximo 100 palabras') produce resultados directamente usables. JSON es un formato ordenado de claves y valores ('nombre: Ana, precio: 500') pensado para que lo lea otro programa; si no programás, una tabla o una lista cumplen la misma función.

Para tareas grandes, descomponé: dividí en subtareas, revisá cada resultado y encadená. Y cuando falte información, pedile al modelo que haga preguntas aclaratorias antes de responder, en lugar de dejar que asuma.