1. El Poder de los Delimitadores XML en Prompts Complejos
Los modelos entrenados recientemente (como Claude 3.5 y GPT-4o) procesan etiquetas tipo XML (<instructions>, <context>, <examples>, <rules>) con una atención significativamente más alta que párrafos planos.
1$<system_role>2$Eres un arquitecto de software senior especializado en TypeScript y Astro.3$</system_role>45$<context>6$Estamos construyendo un portal web estático de alto rendimiento.7$</context>89$<rules>10$- NUNCA utilices librerías pesadas en cliente.11$- Devuelve la respuesta en formato JSON estrictamente válido.12$</rules>
2. El Marco CRISPE para Ingeniería de Prompts
CRISPE se divide en: Capacity (Capacidad), Role (Rol), Insight (Contexto previo), Statement (Instrucción directa), Personality (Tono deseado) y Experiment (Variantes o ejemplos esperados).
3. Respuestas en JSON Estricto para Integraciones
Para evitar que un modelo añada texto conversacional como "Claro, aquí tienes tu JSON:", utiliza schemas Zod en la llamada a la API o instrucciones de respuesta pura sin rodeos.
1$import { z } from "zod";23$const ResponseSchema = z.object({4$ prioridad: z.enum(["Alta", "Media", "Baja"]),5$ resumen: z.string().max(200),6$ accion_inmediata: z.string(),7$});
Preguntas Frecuentes
¿Qué es mejor: Few-Shot o Zero-Shot?
Para tareas complejas de clasificación o extracción de entidades, incluir 2 o 3 ejemplos reales (Few-Shot) eleva la precisión del modelo por encima del 95% comparado con pedirlo en frío (Zero-Shot).
¿Te sirvió esta guía?
Explora nuestro catálogo de comparativas o prueba las utilidades gratuitas para seguir aprendiendo.