2.3 Ejemplos de Prompts

Ejemplos de prompts según la tarea

En el apartado anterior ya se han visto los elementos básicos de un buen prompt. En esta sección se presentan ejemplos prácticos organizados por tareas habituales. La idea es sencilla: la mejor forma de aprender a diseñar prompts es verlos en acción, compararlos y experimentar con pequeñas mejoras.

A continuación se muestran varios tipos de tareas muy comunes cuando se trabaja con modelos de lenguaje: resumir, extraer información, preguntas y respuestas, clasificar, mantener una conversación, generar código y razonar. En cada una, se verá cómo un prompt bien diseñado puede guiar al modelo hacia una salida más útil, más precisa o más adecuada al objetivo.

Puedes probar estos prompts en asistentes como ChatGPT, Claude, Gemini....

1) Resumen de textos

Resumir es una de las aplicaciones más útiles de los modelos de lenguaje en el ámbito educativo: ayuda a convertir textos largos en ideas clave, preparar apuntes o repasar antes de un examen.

Prompt básico (demasiado abierto):

Explica qué son los antibióticos.

La respuesta puede ser larga o poco ajustada al nivel. Para controlar mejor el resultado, conviene indicar la longitud y el formato.

Prompt mejorado (con restricción clara):

Resume el siguiente texto en una sola frase:
[pega aquí el texto sobre antibióticos]

Este tipo de instrucción obliga al modelo a priorizar lo esencial. En resumen, cuando se pide un resumen conviene indicar: nivel, extensión y formato.

2) Extracción de información

Además de generar textos, los modelos de lenguaje pueden localizar datos concretos dentro de un párrafo (nombres, fechas, lugares, conceptos, entidades…). Esta tarea es muy útil para trabajo académico, proyectos o lectura guiada.

Ejemplo de prompt de extracción:

Lee el texto y extrae el nombre del producto basado en un modelo de lenguaje que se menciona.
Texto:
[pega aquí el párrafo]

Salida esperada (por ejemplo): “ChatGPT”.

Este uso es especialmente útil cuando el alumnado aprende a buscar evidencia en el texto: no se trata de opinar, sino de extraer información verificable.

3) Preguntas y respuestas (con contexto)

Una de las mejores prácticas cuando se quiere que la IA responda bien es dar contexto y exigir que responda solo con ese contexto. Esto es esencial para evitar respuestas inventadas o demasiado generales.

Prompt estructurado (buena práctica):

Responde a la pregunta basándote solo en el contexto.
Si no aparece la respuesta, di: “No aparece en el texto”.

Contexto: [pega aquí el texto]
Pregunta: ¿De dónde se obtuvo originalmente el OKT3?
Respuesta:

Este formato ayuda a que el alumnado entienda que una respuesta “bonita” no siempre es una respuesta “correcta”. La clave es aprender a pedir respuestas justificadas.

4) Clasificación de texto

Clasificar textos es una tarea típica de NLP: sentiment (positivo/negativo), tipo de texto (narrativo/argumentativo), tema, intención, etc. Aquí, el problema frecuente es que el modelo acierte, pero no entregue exactamente el formato que queremos.

Prompt simple:

Clasifica el texto en neutral, negativo o positivo.
Texto: “Creo que la comida estuvo bien.”
Sentimiento:

Puede responder “Neutral” o “neutral”. Si necesitamos una etiqueta exacta, lo mejor es dar ejemplos.

Prompt con ejemplos (más control):

Clasifica el texto en: neutral, negativo o positivo.
Texto: “Creo que las vacaciones están bien.” → neutral
Texto: “Creo que la comida estuvo bien.” →

Al incluir un ejemplo, se reduce la ambigüedad del formato. En educación, esto enseña una idea clave: si quieres una salida concreta, enseña el patrón.

5) Conversación (chatbots): “role prompting”

Para conversaciones, los modelos responden mejor si se les define un rol y un estilo. Esto es muy útil en tareas educativas: tutor, profesor, divulgador, etc.

Prompt (rol técnico):

Eres un asistente de investigación. Respondes con tono técnico y científico.
Usuario: ¿Cómo se forman los agujeros negros?

Prompt (rol divulgativo para primaria):

Eres un asistente educativo. Explicas con palabras sencillas para estudiantes de primaria.
Usuario: ¿Cómo se forman los agujeros negros?

El contenido puede ser similar, pero el estilo y el nivel cambian muchísimo. Esto sirve para trabajar la idea de adaptar el discurso al destinatario, una competencia clave en Lengua.

6) Generación de código

Los modelos de lenguaje suelen ser muy eficaces generando código, sobre todo si se especifica el lenguaje y el objetivo.

Prompt simple:

Escribe un programa que pida el nombre al usuario y muestre “Hola, [nombre]”.

Prompt más avanzado (con contexto técnico):

Tablas:
departments(DepartmentId, DepartmentName)
students(DepartmentId, StudentId, StudentName)

Crea una consulta MySQL para obtener todos los estudiantes del departamento “Computer Science”.

Aquí se ve algo importante: cuando se aporta el “mundo” (el esquema de datos), la IA puede producir respuestas más correctas.

7) Razonamiento: pedir pasos mejora la fiabilidad

El razonamiento es una tarea difícil para los modelos. Por eso, en problemas de lógica o matemáticas, suele funcionar mejor pedir que lo resuelva paso a paso, en lugar de exigir una respuesta inmediata.

Prompt que puede fallar:

Los números impares del grupo suman un número par: 15, 32, 5, 13, 82, 7, 1. ¿Es cierto?

Prompt mejorado (con método):

Resuelve paso a paso:

1. Identifica los números impares.

2. Súmalos.

3. Indica si la suma es par o impar.
   Lista: 15, 32, 5, 13, 82, 7, 1.

Este tipo de instrucciones reduce errores y, además, tiene un valor educativo claro: obliga a explicitar el procedimiento.

Cierre: aprender mediante ejemplos y práctica

Estos ejemplos muestran una idea central: la IA no responde “mejor” por magia, responde mejor cuando el prompt está mejor diseñado. Por eso, aprender prompting significa aprender a:

• concretar tareas,

• dar contexto relevante,

• fijar formatos,

• añadir ejemplos cuando conviene,

• y pedir procesos (no solo resultados) en tareas complejas.

A partir de aquí, el paso siguiente natural es practicar: proponer un prompt, ver qué ocurre, mejorarlo y comparar resultados. Esa mejora continua es, en realidad, una forma de aprendizaje activo.