Anatomía de un prompt de producción:5 elementos clave

La anatomía de un prompt de producción: un prompt que entrega código de producción tiene cinco elementos: contexto, estructura, validación, restricciones y casos límite. Si falta uno, obtienes código que casi funciona. Si incluyes los cinco, la IA entrega funcionalidades a la primera: esta misma anatomía generó 2.634 archivos de producción para una plataforma: 632 servicios, 522 hooks, 1.480 componentes y más de 200 rutas de API.

Estos cinco elementos no se diseñaron en una pizarra. Se extrajeron de más de 200 prompts fallidos, una lección dolorosa a la vez. Aquí tienes la versión comprimida, para que te saltes los 200 fracasos.

Antes y después: la misma petición, dos resultados

La versión corta del origen (el diagnóstico completo del fallo está en por qué fallan los prompts vagos): una petición de una línea, “constrúyeme un panel”, produjo código que ignoraba la base de datos existente, usaba la librería de diseño equivocada, se saltaba la seguridad y fallaba en ejecución. Coste: 2-3 horas de repetición del trabajo.

El prompt reescrito pedía el mismo panel pero llevaba cinco secciones. Nombraba la tabla de la base de datos y dónde está su definición. Señalaba un archivo existente cuyo patrón debía copiar el código nuevo. Especificaba exactamente qué archivos crear y qué debía contener cada uno. Enumeraba las comprobaciones que demuestran que la funcionalidad opera. Y terminaba con una breve lista negra de atajos que la IA tenía prohibido tomar.

Resultado: perfecto, a la primera, 15 minutos, y sigue funcionando en producción. La diferencia entre esos dos prompts es la anatomía de abajo.

Anatomía de un prompt de producción: los 5 elementos

El contexto es el elemento de mayor palanca y esconde el mayor avance: no pegues ejemplos en los prompts; señala archivos que ya existen en tu producto. La IA los lee, aprende el patrón y lo aplica. Por eso un código base que crece acelera a la IA en lugar de frenarla: más ejemplos que funcionan significan mejor contexto.

La estructura elimina las conjeturas sobre la organización. No "añade esta funcionalidad", sino "crea estos dos archivos, aquí, con estas capacidades". La IA es excelente rellenando un esqueleto y pésima inventando uno que encaje con el tuyo.

La validación convierte el "hecho" de una sensación en una lista de comprobación: el comando que debe pasar, el comportamiento que probarás a mano. Si no puedes decir cómo verificarás una funcionalidad, no estás listo para pedirla.

Las restricciones existen porque la IA toma atajos: escribirá valores fijos en el código, se saltará la gestión de errores y recurrirá a la librería más común de internet salvo que se lo prohíbas de forma explícita. Decirle a la IA lo que no debe hacer es la mitad del oficio.

Los casos límite son los estados que todos olvidan: qué muestra la pantalla mientras carga, cuando algo falla, cuando todavía no hay datos. La IA construye el camino feliz por defecto. Los otros tres tienes que ordenarlos tú.

12 semanasTu carrera corporativa nunca fue el planSolicita plaza en el Solopreneur Accelerator.Solicitar ahora →

Lo prescriptivo gana a lo descriptivo el 90% de las veces

Cuando un prompt casi funciona, hay dos formas de arreglarlo. La descriptiva: añadir una instrucción como “asegúrate de incluir la lógica de envío”. La prescriptiva: mostrar la estructura exacta que debe contener el resultado y establecer que es obligatoria.

En pruebas directas, lo prescriptivo gana alrededor del 90% de las veces. La IA es mucho mejor siguiendo ejemplos que interpretando descripciones. Si sigue olvidando lo mismo, un recordatorio vago lo arreglará una vez; incrustar la estructura requerida en tu prompt lo arregla para siempre.

Por eso funcionan los cinco elementos: cada uno sustituye una interpretación por una especificación. No le pides a la IA que te entienda. Haces imposible el malentendido.

Del prompt a la plantilla: donde está la verdadera palanca

Esta es la parte que los influencers de la IA se saltan. Construir software de producción con IA no consiste en escribir prompts puntuales brillantes. Consiste en convertir tus mejores prompts en plantillas, refinadas a lo largo de 3-7 iteraciones hasta que funcionan más del 95% de las veces, y reutilizarlas para siempre.

Las cifras de una plataforma real: crear la biblioteca de plantillas llevó unas 40 horas, una sola vez. Usar una plantilla lleva de 2 a 5 minutos por funcionalidad. En 2.634 archivos generados, eso son unas 2.502 horas ahorradas, unos 14 meses de trabajo, sin contar el tiempo de depuración que nunca hizo falta porque el código funcionó a la primera.

Tu flujo de trabajo acaba siendo: ¿necesitas un servicio nuevo? Copia la plantilla de servicio, cambia dos o tres variables y listo. ¿Necesitas una pantalla nueva? Igual. Los cinco elementos dejan de ser una lista de comprobación que aplicas conscientemente y pasan a ser el esqueleto de cada plantilla que tienes.

Dos límites que conviene tener claros. Estos prompts viven dentro de un contenedor mayor, el plano de la funcionalidad que lleva el objetivo y todo el contexto, y ese contenedor es el método PRP. Y las decisiones que rellenan los cinco elementos (qué patrón, qué estructura, qué restricciones) son decisiones de arquitectura, que siguen siendo trabajo tuyo, no de la IA.

El libroThe Solopreneur RevolutionLuis Gonçalves sobre cómo crear un negocio de solopreneur con IA sin dejar tu empleo.Consigue el libro →

Preguntas frecuentes

¿Cuál es la diferencia entre un prompt de producción y un PRP?

El alcance. Un PRP es el plano de toda una funcionalidad: objetivo, contexto, plan de implementación, validación. Un prompt de producción es la instrucción de trabajo que hay dentro: la petición de cinco elementos que genera un servicio, un componente, una pantalla. El PRP es el contenedor; estos prompts son el contenido. El contenedor se explica en el método PRP.

¿Necesito ser técnico para escribir los cinco elementos?

No, necesitas ser concreto. El contexto significa señalar una parte de tu producto que ya funciona como quieres. Las restricciones y los casos límite son pensamiento de producto: qué no debe ocurrir nunca, qué muestra la pantalla cuando las cosas salen mal. La única curva de aprendizaje es la estructura, y la organización existente de tu propio producto es la chuleta.

¿Y si la IA sigue equivocándose?

Arregla la plantilla, no el momento. Identifica el patrón de lo que olvida, incrusta la estructura requerida de forma prescriptiva y prueba después el prompt revisado en tres casos distintos: simple, medio y complejo. Si pasa los tres, es estable. La mayoría de las plantillas necesitan de 3 a 7 refinamientos antes de funcionar más del 95% de las veces.

¿Qué extensión debe tener un prompt de producción?

Tan corto como permitan cinco secciones precisas. La longitud no es el objetivo; lo son las preguntas respondidas. Una indicación de una línea hacia un archivo existente vale más que 200 líneas pegadas, y una lista negra ajustada de tres atajos prohibidos vale más que un párrafo de exigencias de calidad vagas.