Biblioteca de plantillas de Prompt Engineering: 12 patrones de diseño de prompts reutilizables

Pasé cuarenta minutos escribiendo un Prompt casi perfecto para que Claude convirtiera un montón de feedback desordenado de usuarios en sugerencias de mejora bien estructuradas. El resultado fue impresionante. Pero tres días después, cuando tuve que hacer la misma tarea otra vez — frente al cuadro de entrada vacío, la mente en blanco.

¿Dónde había quedado ese Prompt “perfecto”?

Lo busqué por Notion, notas y chats, sin encontrarlo. Al final tuve que reescribirlo de memoria, y la calidad de la salida cayó bastante.

Me ha pasado más de diez veces. Siempre igual: un destello de inspiración → un buen Prompt → olvidarlo al terminar → empezar de cero la próxima vez → calidad irregular.

Hasta que entendí algo clave: escribir bien un Prompt depende mitad de técnica y mitad de si puedes reutilizarlo.

Según la investigación de aiengineerlab.in de 2026, lo que separa un Prompt “que a veces funciona” de uno “fiable de forma constante” son cuatro campos. Bien combinados, cubren el 80% de los escenarios laborales diarios.

En este artículo comparto un método probado para construir una biblioteca de plantillas de Prompt, incluyendo:

• Estructura de cuatro campos: Role + Task + Constraints + Output Format
• 12 Prompt Patterns: clasificados en Beginner/Intermediate/Advanced
• Tabla de adaptación multi-modelo: estrategias diferenciadas para Claude, GPT-4 y DeepSeek
• Método de iteración de plantillas: cómo pasar de “bastante bien” a “nivel producción”
• 5 plantillas listas para usar: copiar, pegar y ejecutar

Capítulo 1: La estructura de cuatro campos de las plantillas de Prompt

Antes de ver plantillas concretas, un hecho básico que a menudo se pasa por alto: la diferencia entre una buena plantilla y una mala está en esos cuatro campos.

La investigación de aiengineerlab.in señala que un Prompt “fiable y efectivo” debe incluir cuatro elementos: Role (rol), Task (tarea), Constraints (restricciones) y Output Format (formato de salida).

Un contraejemplo

Ayúdame a escribir una respuesta de revisión de código

Escribí Prompts así innumerables veces. ¿El resultado? Respuestas muy dispares: a veces demasiado amables, a veces demasiado técnicas, a veces solo un “el código está bien”.

La versión con los cuatro campos

## Role
Eres un ingeniero backend con 10 años de experiencia, especializado en Python y sistemas distribuidos.

## Task
Revisa el siguiente cambio de código, señala problemas potenciales y ofrece sugerencias de mejora.

## Constraints
- Enfoque: rendimiento, seguridad, mantenibilidad
- Tono: profesional pero amable, evita ser demasiado duro
- Extensión: limitar a 200 palabras
- Debes señalar al menos un punto de mejora

## Output Format
Usa este formato:
### Lista de problemas
- [tipo de problema] descripción concreta

### Sugerencias de mejora
1. ...
2. ...

### Valoración general
(resumen en una frase)

La diferencia es clara, ¿verdad?

Detalle de los cuatro campos

Role (rol) — Le dices a la IA quién es. No un título genérico, sino un “personaje” con contexto concreto. “Ingeniero backend con 10 años de experiencia” es mucho más específico que “eres un experto”. Cuanto más concreto el rol, más estable el estilo de salida.

Task (tarea) — Qué debe hacer la IA. Un truco: empezar con un verbo. “Revisar cambios de código” es más claro que “revisión de código”. “Señalar problemas y ofrecer sugerencias” es más preciso que “echar un vistazo al código”.

Constraints (restricciones) — Lo más ignorado y a la vez lo más importante. He visto muchos Prompts fallar aquí: sin restricciones, la IA se descontrola. Incluyen dominio (¿rendimiento? ¿seguridad?), tono, límite de extensión, elementos obligatorios. En resumen, marcan los límites.

Output Format (formato de salida) — Cómo quieres el resultado. ¿JSON? ¿Markdown? ¿Una estructura de secciones concreta? Definirlo antes ahorra mucho tiempo de edición posterior.

Tabla comparativa

Con los cuatro campos bien armados, un Prompt deja de ser “suerte” y pasa a ser “reutilizable”. Esa es la base de la plantilla.

Capítulo 2: Referencia rápida de 12 Prompt Patterns reutilizables

best-ai.org recopiló una lista útil de Prompt Patterns, clasificados en tres niveles. Los reorganicé por escenario de uso para que encuentres el patrón adecuado más rápido.

Nivel Beginner (5 patrones)

1. Zero-Shot (cero ejemplos)

Solo la tarea, sin ejemplos. Para tareas simples y claras.

## Task
{{descripción de la tarea}}

## Output Format
{{formato de salida}}

Escenarios: resumen de correos, traducción de textos cortos, preguntas factuales.

Alibaba Cloud - Opción preferida para desarrolladores, 15 % de descuento exclusivo en Lighthouse

Obtener 15% dto. →Anuncio

2. Few-Shot (pocos ejemplos)

2-3 ejemplos para que la IA imite. Las pruebas de aiengineerlab.in muestran que 2-3 suelen ser óptimos; en clasificación puedes usar 5-7.

## Task
{{descripción de la tarea}}

## Examples
Ejemplo 1:
Entrada: {{entrada ejemplo 1}}
Salida: {{salida ejemplo 1}}

Ejemplo 2:
Entrada: {{entrada ejemplo 2}}
Salida: {{salida ejemplo 2}}

## Now Process
Entrada: {{entrada real}}
Salida:

Escenarios: imitar estilo de copy, clasificación, conversión de formato.

3. Persona (role-playing)

Define identidad y contexto de la IA. Uno de los más usados; encaja con el campo “Role” del capítulo 1.

## Role
Eres un {{identidad concreta}} con {{contexto concreto}}.

## Style
Tu estilo de comunicación es: {{descripción del estilo}}

## Task
{{descripción de la tarea}}

Escenarios: revisión de código, consultoría técnica, escritura creativa.

4. Output Format (formato de salida)

Fuerza un formato concreto. Casi siempre combinable con otros patrones.

## Task
{{descripción de la tarea}}

## Output Format
Responde estrictamente en este formato:
{{plantilla de formato}}

## Note
Solo la salida formateada, sin explicaciones extra.

Escenarios: generar JSON, rellenar formularios, documentos estructurados.

5. Negative Prompting (restricciones negativas)

Indica qué no hacer. A veces más efectivo que restricciones positivas.

## Task
{{descripción de la tarea}}

## Do NOT
- No {{prohibición 1}}
- No {{prohibición 2}}
- Evita {{prohibición 3}}

Escenarios: evitar términos concretos, excluir contenido sensible, controlar estilo.

Nivel Intermediate (4 patrones)

6. Chain of Thought (cadena de pensamiento)

Mostrar el razonamiento. Para tareas que requieren lógica.

## Task
{{descripción de la tarea}}

## Instructions
Piensa paso a paso: analiza primero, responde después.
Antes de la respuesta final, muestra tu razonamiento.

Escenarios: matemáticas, razonamiento lógico, decisiones complejas.

7. System Prompt (prompt de sistema)

Instrucciones centrales del rol en el System Prompt, coherencia en la conversación. Muy usado en Claude y GPT-4.

## System
Eres {{descripción del rol}}.
Tu responsabilidad principal es {{descripción de funciones}}.
Debes cumplir estas reglas:
1. {{regla 1}}
2. {{regla 2}}

## User
{{entrada del usuario}}

Escenarios: AI Agent, chatbots, conversaciones continuas.

8. Iterative Refinement (refinamiento iterativo)

Primero borrador, luego auto-revisión. Para salidas de alta calidad.

## Round 1
{{descripción de la tarea}}
Genera un borrador.

## Round 2
Revisa el borrador anterior y detecta:
- Fallos lógicos
- Expresión poco clara
- Errores factuales

## Round 3
Según la revisión, optimiza y entrega la versión final.

Escenarios: redacción, generación de código, diseño de propuestas.

9. Constraint Stacking (apilado de restricciones)

Varias restricciones superpuestas para mayor precisión. Combinación habitual en producción.

## Task
{{descripción de la tarea}}

## Constraints
- Restricción 1: {{restricción concreta}}
- Restricción 2: {{restricción concreta}}
- Restricción 3: {{restricción concreta}}
- Restricción 4: {{restricción concreta}}

## Output Format
{{requisitos de formato}}

Escenarios: tareas de producción con salida muy controlada.

Nivel Advanced (3 patrones)

10. Self-Critique (autocrítica)

La IA evalúa su propia salida. Muy útil cuando la calidad debe ser alta.

## Task
{{descripción de la tarea}}

## Self-Critique
Tras generar la respuesta, evalúa:
1. ¿Está completa?
2. ¿Hay fallos lógicos?
3. ¿Cumple todas las restricciones?

Si hay problemas, regenera.

## Output Format
Respuesta:
{{respuesta}}

Autoevaluación:
{{evaluación}}

Escenarios: salidas de alto riesgo, tareas que exigen fiabilidad.

11. Task Decomposition (descomposición de tareas)

Divide tareas complejas en subtareas. Para flujos de varios pasos.

## Complex Task
{{descripción de la tarea compleja}}

## Decomposition
Divide esta tarea en subtareas:
1. {{subtarea 1}}
2. {{subtarea 2}}
3. {{subtarea 3}}

## Execution
Completa cada subtarea en orden y explica el resultado de cada paso.

Escenarios: gestión de proyectos, análisis de problemas complejos, diseño de sistemas.

Railway - Plataforma de despliegue moderna, sin ops complejas, en producción en minutos

Empezar ahora →Anuncio

12. Meta-Prompting (meta-prompt)

La IA te ayuda a escribir el Prompt. Muy útil cuando no sabes cómo formularlo.

## Task
Necesito completar: {{descripción de la tarea}}

## Request
Escribe un Prompt de alta calidad para que otra IA complete esta tarea.
El Prompt debe incluir: Role, Task, Constraints, Output Format.

Escenarios: principiantes en ingeniería de prompts, ordenar tareas complejas.

Consejo para combinar patrones

"Combinar 2-4 Patterns da el mejor resultado. Combinaciones habituales: redacción empresarial con Persona + Output Format + Constraint Stacking; generación de código con Persona + Few-Shot + Negative Prompting; investigación y análisis con Chain of Thought + Self-Critique + Task Decomposition."

Capítulo 3: Tabla comparativa de adaptación multi-modelo

Cada modelo entiende los Prompts de forma distinta. Un Prompt excelente en Claude puede quedar corto en GPT-4.

Este capítulo recopila una guía de adaptación para evitar errores habituales.

Claude: etiquetas XML e instrucciones contractuales

Claude responde muy bien a lo estructurado. La documentación oficial recomienda etiquetas XML; suele funcionar mejor que texto plano.

<instructions>
Revisa el siguiente cambio de código y señala problemas potenciales.
</instructions>

<context>
Eres un ingeniero backend con 10 años de experiencia.
El proyecto es un microservicio Python con FastAPI.
</context>

<constraints>
- Enfoque en rendimiento y seguridad
- Tono profesional pero amable
- Limitar a 200 palabras
</constraints>

<output_format>
### Lista de problemas
- [tipo] descripción

### Sugerencias de mejora
1. ...
</output_format>

Otras ventajas de Claude:

• Extended Thinking: “piensa” antes de responder; ideal para razonamiento complejo
• Instrucciones contractuales: al inicio, “si cumples todas las restricciones, responde OK” mejora el cumplimiento

GPT-4: listas largas de restricciones y salida JSON

GPT-4 encaja menos con XML. Prefiere restricciones en lista. La estabilidad de salida JSON suele ser algo mejor que en Claude.

## Task
Revisa el siguiente cambio de código.

## Constraints
1. Enfoque en rendimiento y seguridad
2. Tono profesional pero amable
3. Limitar a 200 palabras
4. Señalar al menos un punto de mejora
5. Responder en español

## Output Format
Responde en JSON:
{
  "issues": [...],
  "suggestions": [...],
  "summary": "..."
}

Características de GPT-4:

• Listas de hasta más de 10 restricciones con buen cumplimiento
• Few-shot ligeramente mejor que en Claude
• Generación y explicación de código equilibradas

DeepSeek y Qwen: modelos chinos

Han mejorado mucho, con matices propios:

DeepSeek:

• Buen entendimiento del chino; cumplimiento de instrucciones estructuradas algo más débil
• Restricciones más explícitas y cortas
• Few-shot puede reducirse a 1-2 ejemplos

Qwen (Tongyi Qianwen):

• Responde bien a Persona
• Fuerte en textos largos; ideal para documentos
• Restricciones: “prohibido” suele funcionar mejor que “evitar”; instrucciones positivas mejor que negativas

Llama (versiones pequeñas): instrucciones más directas

En Llama 7B, 13B, el Prompt debe ser más explícito.

## Task
Revisa el cambio de código.

## Output Format
Return ONLY valid JSON. No explanation. No markdown.
{
  "issues": [],
  "suggestions": []
}

Clave: decir explícitamente “solo JSON, sin explicación”; si no, el modelo pequeño suele divagar.

Tabla rápida de adaptación

En la práctica, lo mejor es probar: ejecuta casos en el modelo objetivo, mide calidad y ajusta.

Capítulo 4: Metodología de iteración de plantillas

Escribir un Prompt “aceptable” no es difícil. Lo difícil es convertirlo en una plantilla “que funciona siempre”.

"Las mejores plantillas no nacen de golpe: se forman con uso repetido y mejoras. Una buena plantilla necesita al menos cinco o seis iteraciones."

Cinco pasos de iteración

Paso 1: Escribir el Prompt y obtener buenos resultados

No plantifiques de inmediato. Escribe un Prompt, ejecútalo varias veces y confirma que la salida es estable.

Paso 2: Identificar partes fijas y variables

Con una salida satisfactoria, separa lo fijo de lo que cambia en cada uso.

Lo fijo — rol, formato de salida — es el esqueleto de la plantilla.

Lo variable — contenido concreto, datos de entrada — márcalo con {{nombre_variable}} y sustitúyelo cada vez.

Paso 3: Añadir barandillas de calidad

Expande el esqueleto a plantilla completa con restricciones y criterios de validación.

Las barandillas evitan salidas inesperadas. Por ejemplo:

• Si la salida es muy larga, añade “limitar a X palabras”
• Si la IA divaga, añade “sin explicación, solo resultado”
• Si el formato varía, añade una plantilla concreta

Paso 4: Usar y registrar problemas

En uso real, anota:

Vultr - Servidor cloud NVMe de alto rendimiento, 32 ubicaciones globales, despliegue Docker con un clic

Ver precios →Anuncio

• ¿Variaba la calidad?
• ¿Se incumplieron restricciones?
• ¿En qué escenarios funcionó bien o mal?

Paso 5: Iterar y mejorar

Ajusta según lo registrado. Direcciones habituales:

• Restricciones vagas → descripciones más concretas
• Formato inestable → ejemplos o plantilla de formato
• Escenario concreto flojo → ramas condicionales por escenario

Un caso de iteración

Tengo una plantilla de “informe semanal” que estabilizó tras unas 8 iteraciones.

Versión inicial (iteración 1): Prompt simple para ordenar el trabajo de la semana. Problema: salida muy irregular, a veces muy detallada, a veces una sola frase.

Iteraciones 2-3: plantilla de formato y límite de palabras. Problema: formato más estable, pero a veces faltaban tareas.

Iteraciones 4-5: restricción “cada tarea debe incluir avance, problema y siguiente paso”. Problema: calidad estable, pero incluía tareas menores.

Iteraciones 6-7: “solo tareas nucleares completadas esta semana” más un ejemplo. Problema: casi estable; ocasionales desvíos de formato.

Iteración 8 (final): módulo Self-Critique para verificar formato antes de entregar.

Plantilla de preguntas clave

Ante cada problema me pregunto:

1. ¿Hace falta editar mucho la salida? → Las restricciones no son lo bastante claras
2. ¿Qué restricciones incumplió la IA? → Escríbelas de forma más concreta
3. ¿Falta información? → Añade “debe incluir X”
4. ¿Sobra información? → Añade Negative Prompting “no incluir X”
5. ¿Es consistente el formato? → Añade ejemplos o plantilla

Tres claves para plantillas compartidas en equipo

Si tu equipo usa herramientas de IA, una Prompt Library compartida ahorra mucho tiempo. mintedbrain.com propone tres puntos:

1. Documento compartido: Todas las plantillas en un sitio accesible (Notion, Lark/Feishu). Agrupa por categoría: redacción, análisis, desarrollo, comunicación.

2. Instrucciones de uso: Cada plantilla con escenario, variables y precauciones. Sin eso, quien la copie no sabrá usarla bien.

3. Mecanismo de propuestas: Ante un problema, no editar la plantilla directamente; proponer una mejora. Así se registra el motivo de cada cambio y se evita deformar la plantilla.

Capítulo 5: 5 plantillas de nivel producción listas para usar

Este capítulo incluye 5 plantillas que puedes copiar directamente. Todas pasaron por uso real e iteración.

Plantilla 1: Informe semanal

<instructions>
Según el registro de trabajo de esta semana, genera un informe semanal conciso.
</instructions>

<role>
Eres un colaborador eficiente, hábil resumiendo avances con lenguaje claro.
</role>

<input>
{{registro de trabajo de la semana}}
</input>

<constraints>
- Solo tareas nucleares completadas esta semana
- Por tarea: avance, problema, siguiente paso
- Limitar a 300 palabras
- Tono profesional y conciso
- Sin lenguaje evaluativo (p. ej. "muy bien hecho")
</constraints>

<output_format>
## Avances de la semana
- {{tarea1}}: {{avance}} | {{problema}} | {{siguiente paso}}
- {{tarea2}}: {{avance}} | {{problema}} | {{siguiente paso}}

## Necesito apoyo
- {{asuntos que requieren ayuda}}

## Plan de la próxima semana
- {{plan próxima semana}}
</output_format>

<self_check>
Tras generar, comprueba:
1. ¿Solo tareas nucleares?
2. ¿Cada tarea tiene avance, problema y siguiente paso?
3. ¿Total dentro de 300 palabras?
</self_check>

Plantilla 2: Revisión de código

<instructions>
Revisa el siguiente cambio de código, señala problemas y ofrece sugerencias de mejora.
</instructions>

<role>
Eres un ingeniero backend con 10 años de experiencia en {{lenguaje}} y {{stack}}.
Tu estilo: profesional pero no severo; al señalar problemas, da sugerencias concretas y viables.
</role>

<input>
{{contenido del cambio de código}}
</input>

<constraints>
- Enfoque: rendimiento, seguridad, mantenibilidad, convenciones de código
- Al menos un punto de mejora
- Por problema: tipo, ubicación, causa, sugerencia
- Limitar a 200 palabras
- No solo "el código está bien"; contenido concreto obligatorio
</constraints>

<output_format>
### Lista de problemas
- [{{tipo}}] {{archivo}}#{{línea}}: {{descripción}}

### Sugerencias de mejora
1. {{contenido}}

### Valoración general
{{valoración en una frase}}
</output_format>

Plantilla 3: Acta de reunión

<instructions>
Organiza el siguiente registro de reunión en un acta estructurada.
</instructions>

<role>
Eres un secretario profesional, experto extrayendo información clave y resumiendo puntos.
</role>

<input>
{{contenido del registro de reunión}}
</input>

<constraints>
- Solo información clave; elimina diálogo redundante
- Marca claramente: temas, conclusiones, pendientes, responsable, fecha límite
- Lenguaje conciso
- Limitar a 500 palabras
</constraints>

<output_format>
## Información básica
- Fecha y hora: {{fecha hora}}
- Asistentes: {{lista}}
- Temas: {{lista de temas}}

## Puntos de discusión
### {{tema1}}
- {{punto1}}
- {{punto2}}
- Conclusión: {{conclusión}}

### {{tema2}}
- ...

## Pendientes
| Asunto | Responsable | Fecha límite |
|------|--------|----------|
| {{asunto1}} | {{responsable}} | {{fecha}} |
| {{asunto2}} | {{responsable}} | {{fecha}} |

## Notas
{{notas}}
</output_format>

Plantilla 4: Extracción de datos JSON

<instructions>
Extrae datos estructurados del siguiente texto y devuélvelos en JSON.
</instructions>

<role>
Eres un experto en extracción de datos precisa.
</role>

<input>
{{texto de entrada}}
</input>

<constraints>
- Solo JSON, sin explicación extra
- JSON válido
- Si falta información, valor null
- No añadir datos que no estén en el texto original
</constraints>

<output_format>
Return ONLY valid JSON. No explanation. No markdown.

{
  {{definición de campos}}
}

Example:
Input: "María García, teléfono 612345678, email [email protected]"
Output:
{
  "name": "María García",
  "phone": "612345678",
  "email": "[email protected]"
}
</output_format>

Plantilla 5: System prompt de AI Agent

<system_prompt>
Eres un {{agent_name}}, responsable de {{agent_description}}.

## Responsabilidades principales
1. {{responsabilidad1}}
2. {{responsabilidad2}}
3. {{responsabilidad3}}

## Flujo de trabajo
Ante una solicitud del usuario:
1. Analizar la intención
2. Comprobar si hay información suficiente
3. Si falta información, preguntar de forma proactiva
4. Ejecutar la tarea
5. Verificar el resultado

## Comportamiento
- Tono amable y profesional
- Ante dudas, indicarlo y proponer sugerencias
- No prometer fuera de tu ámbito
- Salida clara y accionable

## Prohibiciones
- No inventar información
- No tomar decisiones no autorizadas
- No generar contenido sensible o dañino

## Formato de salida
Según el tipo de tarea:
- Consulta de información: respuesta concisa + fuentes
- Ejecución de acciones: lista de pasos + confirmación de resultado
- Resolución de problemas: análisis + plan + recomendaciones
</system_prompt>

Estas plantillas cubren los escenarios laborales más habituales. Ajusta variables y restricciones según tu contexto.

Conclusión

En resumen, tres capas:

Estructura — Los cuatro campos (Role + Task + Constraints + Output Format) son la base. Bien rellenados, un Prompt pasa de “suerte” a “controlable”.

Patterns — Los 12 Prompt Patterns no van solos. Combinar 2-4 suele superar un solo patrón. En producción es muy común Persona + Output Format + Constraint Stacking.

Ingeniería — Una plantilla no termina al escribirla. La iteración es clave: cinco o seis ciclos de uso y mejora. Registrar problemas, ajustar restricciones y añadir barandillas completan el proceso.

Si quieres actuar ya, tres sugerencias:

1. Esta semana prueba un Pattern. Del nivel Beginner (p. ej. Persona u Output Format), aplícalo en tu trabajo y compara la calidad.

2. Crea tu Personal Prompt Library. Empieza con estas 5 plantillas en un documento; copia, pega y sustituye variables.

3. Itera una vez al mes. Tras un mes, revisa qué plantillas funcionan y cuáles fallan; ajusta restricciones, ejemplos y formato.

La ingeniería de prompts puede parecer compleja o simple. Lo complejo son método y técnica; lo simple es que, con una biblioteca reutilizable, ya no tendrás que mirar un cuadro de entrada vacío sin saber por dónde empezar.