Prompt Engineering para Productividad: 15 prompts diarios

El prompt engineering no es una habilidad mística — es un conjunto de técnicas concretas que mejoran dramáticamente la calidad de las respuestas de los LLMs. Acá las que más impacto tienen en mi flujo de trabajo.

Por qué importa el prompting

Con el mismo modelo (GPT-4o, Claude 3.5), un prompt bien construido puede:

• Reducir alucinaciones en 60-70%
• Mejorar la consistencia del formato de salida
• Obtener respuestas más específicas y accionables
• Reducir el número de iteraciones para llegar al resultado

Técnica 1: Asignación de rol con contexto específico

❌ Malo:
"Revisá este código Python."

✅ Bueno:
"Sos un Python senior engineer especializado en data pipelines y performance. 
Tenés 10 años de experiencia en sistemas de alta escala. Tu tarea es revisar 
el siguiente código e identificar:
1. Problemas de performance (memoria, CPU, I/O)
2. Posibles excepciones no manejadas
3. Antipatrones específicos de Python
4. Sugerencias con el fix concreto, no teoría general.

Código:
[código acá]"

Técnica 2: Few-shot examples

Los ejemplos son más poderosos que las instrucciones:

Clasificá el siguiente ticket de soporte en una categoría.

Categorías disponibles: BILLING, TECHNICAL, ACCOUNT, DELIVERY, OTHER

Ejemplos:
Input: "No me llega el paquete, ya pasaron 5 días"
Output: DELIVERY

Input: "Me cobró dos veces el mismo pedido"
Output: BILLING

Input: "No puedo iniciar sesión con mi cuenta"
Output: ACCOUNT

Input: "La app se cierra cuando intento agregar al carrito"
Output: TECHNICAL

Ahora clasificá este:
Input: "Quiero cambiar mi contraseña porque la olvidé"
Output:

Técnica 3: Chain of Thought (CoT)

Para tareas de razonamiento, pedirle al modelo que piense paso a paso:

Analizá si esta campaña de email marketing fue exitosa. 
Pensá paso a paso antes de dar tu conclusión.

Datos:
- Enviados: 50,000 emails
- Abiertos: 8,500 (17% open rate)
- Clicks: 1,200 (14.1% CTR)
- Conversiones: 48 (4% conversion rate)
- Revenue generado: $14,400
- Costo de la campaña: $2,800

Mostrá tu razonamiento antes de la conclusión final.

Esto produce análisis más profundos y con menos errores que pedir directamente "¿fue exitosa?".

Técnica 4: Restricciones explícitas

Escribí un email para rechazar la propuesta de un proveedor.

RESTRICCIONES (obligatorio cumplir todas):
- Máximo 150 palabras
- Tono profesional pero cálido, no frío
- No mencionar el motivo específico del rechazo
- Dejar la puerta abierta para futuras colaboraciones
- En español neutro, no Argentina
- Primer párrafo: agradecimiento
- Segundo párrafo: decisión
- Tercer párrafo: futuro

Técnica 5: Formato de salida explícito

Generá un análisis competitivo de las siguientes 3 empresas.

FORMATO DE SALIDA REQUERIDO:
## [Nombre Empresa]
**Fortalezas**: [lista con bullets]
**Debilidades**: [lista con bullets]
**Oportunidad para nosotros**: [1-2 oraciones]
**Score competitivo**: [número del 1 al 10]

No uses otro formato. No agregues introducción ni conclusión.

Técnica 6: Iteración con feedback

En lugar de escribir el prompt perfecto de entrada, usar un ciclo de mejora:

Paso 1: "Resumí este documento en 3 bullets"
Paso 2: "El tercer bullet está incompleto. Expandilo con más detalle sobre X"
Paso 3: "Ahora reescribí los 3 bullets en formato ejecutivo, más concreto"

Técnica 7: Delimiter para separar instrucciones de datos

Clasificá el texto delimitado por triple comillas según el sentimiento.

Respuesta: solo "POSITIVO", "NEGATIVO" o "NEUTRO". Sin explicación.

"""
El producto llegó antes de lo esperado y la calidad superó mis expectativas. 
Definitivamente volvería a comprar.
"""

Los delimitadores (```, ----, ===) previenen que el modelo confunda las instrucciones con el contenido.

Template para tareas de código

CONTEXTO: [Describe el sistema/proyecto en 2-3 líneas]

TAREA: [Qué exactamente necesitás que haga]

CONSTRAINS:
- [Restricción técnica 1]
- [Restricción técnica 2]

CÓDIGO EXISTENTE:
```python
[código acá]

SALIDA ESPERADA: [Describe el output exacto que esperás]

NOTA IMPORTANTE: [Cualquier context que el modelo no debe ignorar]

## Herramientas para iterar prompts

- **PromptFlow** (Azure): Testing sistemático de prompts
- **LangSmith**: Trazabilidad de chains de LangChain
- **Promptfoo**: Open source, CI/CD para prompts
- **Weights & Biases Prompts**: Para ML workflows

El prompt engineering es una habilidad que mejora con práctica. La clave: iterar rápido, medir el output, y documentar qué funciona.