# 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.