Base
Del prompt al resultado: qué ocurre entre medias
Repaso del recorrido que hace tu texto hasta convertirse en una respuesta: tokenización, predicción y decodificación.
Leer artículoMarkdex IA · Módulo 04 · Interacción
Buenas prácticas con modelos LLM
Un modelo de lenguaje no ejecuta órdenes: continúa texto. Entender ese detalle cambia por completo la forma en que se le escribe. Aquí verás cómo construir instrucciones verificables, qué ocurre con el contexto y cuándo conviene desconfiar de la respuesta.
Cómo procesa el modelo lo que le pides
Antes de escribir una instrucción conviene entender el mecanismo. El texto que introduces se fragmenta en tokens —unidades de dos a cuatro caracteres— y se convierte en vectores numéricos. El modelo calcula, para cada posición, la probabilidad de cada token siguiente y selecciona uno. Repite el proceso hasta cerrar la respuesta. Por eso, la calidad del resultado depende menos de «pedir bien» que de reducir la ambigüedad del texto de entrada.
Hay una consecuencia práctica que conviene fijar desde el principio: el modelo no recuerda nada entre sesiones. No existe memoria persistente del usuario salvo la que tú incluyas en el mensaje. Cada conversación arranca vacía, y todo el conocimiento del caso —datos, formato esperado, restricciones— debe viajar dentro del propio prompt.
- 01La instrucción se interpreta como continuación probable, no como comando de sistema.
- 02El contexto disponible es finito y se mide en tokens, no en «ideas».
- 03La respuesta es una muestra probabilística: la misma entrada puede devolver salidas distintas.
01 · Fundamento
Estructura de un prompt verificable
Un prompt útil contiene cuatro piezas: rol o marco, tarea concreta, datos de entrada y criterio de aceptación. Omitir la última es el error más frecuente. Si no defines cómo se reconoce una buena respuesta, el modelo elegirá por ti y probablemente con un criterio distinto al tuyo.
Modelo
Tokens, vectores y atención: la mecánica interna
Cómo se representa el lenguaje dentro de una red neuronal y por qué el contexto cercano pesa más que el lejano.
Leer artículoAplicación
Casos prácticos de IA con criterio de validación
Ejemplos resueltos de clasificación, extracción de datos y resumen, con la comprobación aplicada a cada salida.
Ver ejemplosPortal
Quién redacta y revisa este material
Criterios editoriales del portal, fuentes consultadas y método de revisión de cada módulo formativo.
Conocer el portal02 · Contexto
Ventana de contexto: qué entra y qué se descarta
La ventana de contexto es el número máximo de tokens que el modelo puede tener «a la vista» a la vez: tu instrucción, los documentos que adjuntes y la respuesta que va generando. Cuando se supera ese límite, el sistema descarta las partes más antiguas. No hay aviso, no hay error visible. Sencillamente, la información deja de influir.
De ahí se deduce una regla de orden: lo crítico va al principio y se repite al final. Los modelos prestan atención desigual a las posiciones extremas del contexto, y una restricción mencionada una sola vez en el centro de un documento largo puede pasar inadvertida. Si la tarea exige un formato estricto, decláralo en la primera línea y vuelve a formularlo en la última.
Importante: adjuntar veinte páginas no mejora la respuesta si ocho de ellas son irrelevantes. El ruido compite por la misma ventana que la evidencia. Filtra antes de pegar. Puedes ampliar este punto en la introducción al aprendizaje automático.
03 · Límites
Cuándo la respuesta deja de ser fiable
«El modelo no distingue entre saber algo y saber generarlo con fluidez. Esa distinción solo la hace quien lee la respuesta.»
Una respuesta puede ser gramaticalmente perfecta y estar equivocada. Esto se conoce como alucinación: el modelo rellena un hueco de información con lo que estadísticamente encaja. Ocurre sobre todo en fechas concretas, cifras, nombres propios, citas y referencias normativas. Todo dato verificable debe verificarse fuera del modelo.
Hay otros dos límites que conviene tener presentes. El primero es la fecha de corte: el modelo desconoce lo ocurrido después de su entrenamiento y no puede actualizarse por sí mismo. El segundo es la tendencia a complacer: si insistes en que tu respuesta errónea es correcta, es probable que acabe dándote la razón. Reformular la pregunta sin presionar suele ofrecer una señal más honesta que discutir.
04 · Procedimiento
Seis prácticas que reducen el error
Estas reglas no garantizan resultados correctos, pero hacen que los errores sean visibles antes. Aplicadas en orden, convierten la interacción con un LLM en un proceso reproducible y no en una conversación improvisada.
01
Define el formato de salida
Indica la estructura exacta: tabla de tres columnas, JSON con estas claves, lista de máximo cinco puntos. Un formato cerrado limita la improvisación.
02
Aporta el material, no la conclusión
Pega los datos fuente y pide que la respuesta se base solo en ellos. Si el modelo debe citar fragmentos literales, la comprobación es inmediata.
03
Divide la tarea en pasos
Extraer, luego clasificar, luego redactar. Encadenar subtareas permite revisar cada salida intermedia y localizar dónde falló el proceso.
04
Fija la temperatura según el uso
Valores bajos para extracción de datos y clasificación; valores altos solo para exploración de ideas. La temperatura controla la variabilidad, no la veracidad.
05
Valida con una segunda pasada
Pide al modelo que señale qué afirmaciones de su propia respuesta no puede respaldar con el material aportado. Los huecos aparecen rápido.
06
No introduzcas datos sensibles
Nombres de clientes, credenciales o información médica no deben viajar en un prompt. Anonimiza antes de enviar cualquier texto.
05 · Preguntas frecuentes
Dudas habituales al empezar
¿Un prompt más largo da mejores resultados?
No necesariamente. Un prompt largo aporta información, pero también ocupa ventana de contexto y diluye la instrucción principal. El criterio correcto es la densidad: toda frase debe aportar una restricción, un dato o un ejemplo útil.
¿Por qué la misma pregunta produce respuestas distintas?
Porque el modelo no recupera una respuesta almacenada: la construye token a token eligiendo entre probabilidades. Con temperatura superior a cero, cada ejecución es una muestra diferente. Si necesitas estabilidad, baja la temperatura y fija el formato de salida.
¿Sirve pedirle que «no alucine»?
Poco. La instrucción no cambia el mecanismo que produce el error. Lo que sí funciona es darle material verificable y exigir citas literales del mismo. Si no hay fuente en el contexto, es preferible que responda que no lo sabe.
¿Puedo usar un LLM para tareas críticas?
Sí, como asistente, no como responsable final. Cualquier salida que afecte a una persona —un diagnóstico, una evaluación, un importe— requiere revisión humana documentada. Los ejemplos resueltos de ejemplos prácticos de IA incluyen ese paso de revisión.
Siguiente paso
Continúa con el módulo de aprendizaje automático
Si ya sabes cómo formular instrucciones, el paso lógico es entender qué hay debajo: datos de entrenamiento, función de pérdida y evaluación de resultados. Ese recorrido empieza en la introducción al aprendizaje automático y se completa con las redes neuronales explicadas.