Delimitadores y ejemplos: las dos palancas que más mueven la aguja
Domina las técnicas de separación sintáctica y aprendizaje en contexto que reducen las alucinaciones estructurales casi a cero
Hay dos ajustes técnicos que, aplicados juntos, transforman un prompt funcional en uno robusto para producción: los delimitadores y los ejemplos en contexto. Ninguno es complicado. Ambos cambian radicalmente la consistencia de los resultados.
El modelo no ve secciones, ve un río de texto — a menos que tú lo dividas
Imagina un contrato donde las cláusulas y las notas al pie están escritas con la misma fuente, sin numeración ni separación. Leerlo sería una pesadilla. Un modelo de lenguaje enfrenta ese problema con cada prompt mal delimitado: no puede distinguir con certeza dónde termina el contexto y dónde empieza la instrucción. Los delimitadores son las marcas tipográficas que resuelven esa ambigüedad.
OpenAI recomienda delimitadores Markdown como triples comillas (""") o almohadillas (###) para separar instrucciones de contexto. Anthropic ha ajustado finamente sus modelos Claude para priorizar jerarquías semánticas delimitadas con etiquetas XML, como <instrucciones>, <documento> o <ejemplo>. La elección del delimitador no es cosmética: previene que el modelo confunda texto del usuario con órdenes del sistema.
Zero-Shot vs Few-Shot: mostrar siempre gana a describir
En aprendizaje Zero-Shot le dices al modelo qué hacer en palabras. En Few-Shot le muestras cómo se ve el resultado correcto con ejemplos reales. La diferencia es como explicarle a alguien cómo atar un nudo con palabras versus mostrarle el nudo ya hecho tres veces. La investigación empírica respalda que proveer entre tres y cinco ejemplos concretos y diversos supera sistemáticamente a los párrafos que describen el formato deseado. El principio es directo: mostrar, no solo contar.
Cuándo usar cada enfoque según la tarea:
- Zero-Shot: tareas simples y bien definidas donde el modelo tiene experiencia directa. 'Traduce este texto al inglés.'
- Few-Shot (3-5 ejemplos): cuando el formato de salida es específico o inusual. Clasificaciones, transformaciones estructuradas, estilos de escritura particulares.
- Few-Shot con ejemplos negativos: cuando hay errores frecuentes que necesitas prevenir. Muestra el caso correcto Y el incorrecto etiquetado.
- Etiquetas XML para anidar ejemplos: cuando hay jerarquía de datos. <ejemplo><entrada>…</entrada><salida>…</salida></ejemplo>
Instrucciones afirmativas: dile qué hacer, no qué no hacer
Los modelos obedecen con mucha más precisión instrucciones que definen el comportamiento esperado que instrucciones que intentan inhibir comportamientos. Decir 'no uses texto suelto, presenta en tabla' es inferior a decir 'presenta los resultados en una tabla con columnas X e Y'. La diferencia cognitiva es real: una instrucción negativa le dice al modelo lo que no quieres, pero no le dice cuál de las miles de alternativas restantes elegir.
Caso de Ejemplo
"Un equipo de contenido en una agencia de marketing en Ciudad de México eliminó el 80% de las correcciones manuales en Q3 2024 al cambiar una sola cosa en su prompt: reemplazaron 'no escribas de forma muy formal ni muy coloquial' por 'escribe con el tono de un correo profesional entre colegas de confianza, como escribiría un gerente de 35 años en México'. El cambio pasó de una restricción negativa abstracta a una instrucción afirmativa con modelo de referencia concreto."
Advertencia: anidar demasiadas etiquetas XML sin una jerarquía lógica puede confundir al modelo igual que no usar delimitadores. Usa etiquetas cuando tengas categorías genuinamente distintas. Si todo el contenido es del mismo tipo, triples comillas son suficientes.
Resumen de la unidad
- Los delimitadores (Markdown o XML) separan visualmente las secciones del prompt, evitando que el modelo confunda contexto con instrucciones.
- Los modelos de Anthropic priorizan jerarquías semánticas con etiquetas XML; los de OpenAI responden bien a delimitadores Markdown como ### o """.
- El aprendizaje Few-Shot con tres a cinco ejemplos concretos supera sistemáticamente a la descripción en texto del formato esperado.
- Las instrucciones afirmativas ('presenta en tabla') son más efectivas que las negativas ('no uses texto suelto') porque definen el comportamiento en vez de eliminar una opción entre miles.
Actividad de reflexión
Toma un prompt que usas en tu trabajo y aplícale dos mejoras de esta unidad: agrega delimitadores para separar el contexto de la instrucción, y convierte al menos una instrucción negativa en una afirmativa. Documenta el antes y el después: