En mi artículo sobre los componentes de un prompt, hemos visto la importancia y la forma de usar los distintos componentes de un prompt: objetivo, contexto, rol, público objetivo, formato, restricciones y tono.
Una vez entendido esto, podemos dar el siguiente paso, y empezar a combinar todos los elementos de forma profesional.
Para hacerlo, podemos construir el prompt desde cero cada vez que comenzamos una tarea, o podemos usar un framework para prompts.
Un framework de prompts es una estructura predefinida que nos ayuda a organizar los componentes de los prompts para dar instrucciones a una inteligencia artificial.
Para entendernos, son básicamente reglas mnemotécnicas para recordar y asegurarnos de incluir en el prompt todo lo que necesitamos para que nos genere una buena respuesta.
Por ejemplo, un framework puede recordarnos que debemos especificar:
- Quién debe realizar la tarea
- Qué debe hacer
- Cómo debe hacerlo
- Qué resultado esperamos
- Qué condiciones debe respetar
La principal ventaja de los frameworks para prompts es que nos ayudan a tener presente todo lo que necesitamos escribir en el prompt y así construir prompts de forma sistemática.
¿Qué es un framework para prompts?
Un framework para prompts es una forma de recordar y estructurar los componentes de un prompt al redactarlo.
Existen diferentes formas de hacer esto, y normalmente se usan siglas para recordar los componentes del prompt que debemos incluir.
Por ejemplo, un framework puede utilizar las letras R, T y F para recordar tres elementos:
- R — Role: Rol: Quién debe realizar la tarea
- T — Task: Tarea: Qué debe hacer la IA
- F — Format: Formato: Cómo queremos recibir el resultado
Si tenemos estas siglas en mente, al escribir el prompt podemos rápidamente comprobar que hemos incluido todos los componentes que necesitamos.
Entonces el framework es básicamente una lista mental para comprobar que el prompt está completo.
Los frameworks para prompts resultan muy útiles cuando necesitamos hacer tareas similares constantemente.
Framework frente a estructura de un prompt
En el artículo donde vimos la estructura de un prompt y sus diferentes componentes, describimos los componentes que forman la información que podemos incluir en un prompt.
Un framework de prompts nos da una forma concreta de organizar esa información.
Por ejemplo, podemos saber que un prompt puede contener un objetivo, un contexto, un rol y unas restricciones.
El framework nos proporciona una metodología para organizar esos elementos.
Para hacer esto existen varios frameworks, dependiendo de qué tipo de tareas queramos hacer.
No existe un framework que sea siempre mejor que los demás, usar uno u otro va a depender de la tarea que queramos llevar a cabo.
¿Por qué utilizar un framework para prompts?
La principal ventaja de utilizar un framework es que nos permite redactar prompts de forma estructurada, lo que reduce la improvisación y nos permite obtener mejores respuestas.
Un framework es una herramienta para pensar mejor el prompt, no una forma obligatoria para escribir el prompt que la IA necesite para funcionar.
El objetivo es reducir el número de veces que nos olvidamos de incluir alguna parte del prompt, de forma que realizaremos tareas de forma eficiente.
Un framework nos va a aportar una lista de comprobación antes de enviar el prompt.
Entre sus principales ventajas podemos encontrar:
- Evitar olvidos: Una estructura predefinida nos recuerda qué información debemos proporcionar.
- Crear prompts de forma más rápida: Cuando conocemos un framework, no tenemos que decidir crear la estructura del prompt desde cero. Tenemos una guía que podemos seguir.
- Estandarizar tareas: Si trabajamos dentro de un grupo de trabajo en una empresa y tenemos tareas similares, permite al grupo de trabajo que todos los miembros del grupo construyan prompts siguiendo un criterio similar.
- Facilitar la revisión: Contamos con una lista de comprobación que nos permite analizar y modificar el prompt, e identificar si un componente no aparece o está mal definido.
- Aprender Prompt Engineering: Nos permiten entender qué información necesita una IA para realizar correctamente una tarea y, con el tiempo, nos ayuda a trabajar de forma eficiente construyendo prompts de forma sistemática.
Principales frameworks de Prompt Engineering
A continuación, voy a listar en detalle los frameworks que considero más útiles para construir prompts.
Antes de empezar hay que resaltar que algunos acrónimos tienen diferentes interpretaciones según la fuente que consultemos. No todos coincidirán exactamente con los que listo a continuación.
Estos acrónimos no son estándares oficiales. Para hacer esta lista he elegido los que a mí personalmente me han resultado útiles o veo que son fáciles de entender y memorizar.
No debemos aprenderlos como si fueran una norma técnica.
Es mejor centrarse en qué problema intenta dar una solución cada uno de ellos.
Solo son una metodología práctica para estructurar mejores prompts.
1. Framework APE
El framework APE es uno de los frameworks más sencillos para estructurar un prompt.
Se compone de: Acción + Propósito + Expectativa.
- A — Action: Acción o tarea que debe realizar la IA.
- P — Purpose: Propósito u objetivo de la tarea.
- E — Expectation: Expectativa sobre el resultado que queremos obtener.
Por ejemplo, podemos utilizar el siguiente prompt:
Analiza este artículo y extrae las cinco ideas principales. El objetivo es preparar un resumen para estudiantes universitarios que no han leído el artículo. Presenta cada idea en una frase y añade una breve explicación.
Podemos identificar sus tres componentes:
- Acción: analiza el artículo y extrae las cinco ideas principales.
- Propósito: preparar un resumen para estudiantes universitarios que no han leído el artículo.
- Expectativa: presenta cada idea en una frase y añade una breve explicación.
La sencillez del framework APE hace que podamos comprobar de forma rápida que nuestro prompt contiene las tres ideas: qué debe hacer la IA, para qué debe hacerlo y qué esperamos obtener.
El framework APE puede parecer sencillo, pero hay que recordar que no todas las tareas requieren prompts complejos.
Casos de uso del framework APE:
- Resumir información.
- Analizar documentos.
- Generar ideas.
- Clasificar información.
- Extraer datos.
- Transformar contenidos.
- Generar una respuesta con unas características concretas.
2. Framework TAG
El framework TAG es una estructura sencilla orientada a definir la tarea que debe realizar la IA y las características que debe tener el resultado.
Podemos utilizar el acrónimo para representar: Task + Action + Goal.
- T — Task: Tarea que queremos realizar.
- A — Action: Acción concreta que debe llevar a cabo la IA.
- G — Goal: Objetivo o resultado final que queremos conseguir.
Por ejemplo:
Tenemos un informe sobre los resultados de una campaña de marketing. Analiza los datos de la campaña e identifica los tres principales problemas de rendimiento. El objetivo es determinar qué aspectos debemos mejorar en la próxima campaña.
Podemos identificar sus componentes:
- Tarea: análisis de los resultados de una campaña de marketing.
- Acción: analizar los datos e identificar los tres principales problemas de rendimiento.
- Objetivo: determinar qué aspectos debemos mejorar en la próxima campaña.
La principal ventaja del framework TAG es que nos ayuda a enmarcar para la IA la tarea general que queremos alcanzar y destacar la acción concreta que queremos conseguir en este prompt.
El framework TAG se adapta muy bien para trabajar paso a paso, tarea tras tarea, para obtener un objetivo final más amplio.
Casos de uso del framework TAG:
- Analizar información.
- Evaluar documentos.
- Investigar un problema.
- Identificar oportunidades.
- Detectar errores.
- Proponer mejoras.
- Preparar información para una decisión.
3. Framework RTF
RTF destaca por ser sencillo y fácil de recordar.
Sus tres componentes son: Rol + Tarea + Formato
- R — Role: rol.
- T — Task: tarea.
- F — Format: formato.
Por ejemplo, tenemos este prompt RTF:
Actúa como profesor de marketing digital. Explica qué es el SEO para estudiantes universitarios de primero de Marketing. Presenta la explicación mediante una lista con los cinco conceptos fundamentales.
Podemos identificar fácilmente las tres partes:
- Rol: Profesor de marketing digital.
- Tarea: Explicar qué es el SEO para estudiantes universitarios de primero de Marketing.
- Formato: Una lista con los cinco conceptos fundamentales.
La principal ventaja del framework RTF para prompts es que nos permite centrarnos en los elementos fundamentales del prompt para que la IA realice la tarea.
RTF se adapta muy bien para tareas relativamente sencillas.
Casos de uso del framework RTF:
- Redactar contenidos
- Explicar conceptos
- Resumir información
- Generar ideas
- Transformar textos
- Crear diferentes formatos de contenido.
En muchas ocasiones no necesitamos nada más complejo que indicar Rol + Tarea + Formato para realizar una tarea.
4. Framework CARE
El framework CARE para prompts es otra estructura sencilla para definir el contexto y el resultado de una tarea de forma clara.
Las siglas representan: Contexto + Acción + Resultado + Ejemplo:
- C — Context: Contexto.
- A — Action: Acción o tarea que debe realizar la IA.
- R — Result: Resultado que queremos obtener.
- E — Example: Ejemplo que sirve como referencia para generar un resultado.
Un ejemplo de un prompt completo usando el framework CARE:
Estamos preparando material didáctico sobre marketing digital para estudiantes universitarios. Explica qué es el SEO y cuáles son sus principales componentes. Genera una explicación sencilla, estructurada en cinco apartados y adaptada a estudiantes sin conocimientos previos. Como referencia, utiliza el siguiente ejemplo de explicación: [ejemplo].
Podemos identificar fácilmente sus componentes:
- Contexto: Estamos preparando material didáctico sobre marketing digital para estudiantes universitarios.
- Acción: Explica qué es el SEO y cuáles son sus principales componentes.
- Resultado: Genera una explicación sencilla, estructurada en cinco apartados y adaptada a estudiantes sin conocimientos previos.
- Ejemplo: Como referencia, utiliza el siguiente ejemplo de explicación: [ejemplo].
La característica principal de CARE es que aporta un ejemplo que le permite a la IA usar para construir una respuesta.
El ejemplo no tiene por qué contener información que la IA pueda usar, la parte significativa del ejemplo es la estructura, que luego la IA puede usar para generar la respuesta.
Un caso de uso muy común del framework CARE será cuando le pedimos a la IA que genere un informe muy similar a otros informes que ya hayamos hecho, en el que los datos cambian, pero queremos que la estructura del informe sea la misma.
En estos casos, proporcionar un ejemplo puede ser más eficaz que intentar describir en el prompt cada uno de los requerimientos para desarrollar el informe.
5. Framework RISEN
El framework RISEN para prompts está orientado para trabajar con tareas que necesitan un mayor nivel de detalle.
Sus componentes incluyen (aunque hay otras formulaciones): Rol + Instrucciones + Pasos + Resultado final + Límites:
- R — Role: Rol
- I — Instructions: Instrucciones
- S — Steps: Pasos
- E — End goal: Resultado final
- N — Narrowing: Restricciones
Por ejemplo, tenemos este prompt RISEN:
Actúa como consultor SEO. Analiza la información que te proporciono y propón una estrategia de posicionamiento. Identifica primero la intención de búsqueda, después las palabras clave y finalmente las acciones recomendadas. Genera una propuesta priorizada de acciones SEO. Utiliza únicamente la información proporcionada y no inventes datos sobre el proyecto.
- Rol: Actúa como consultor SEO.
- Instrucciones: Analiza la información que te proporciono y propón una estrategia de posicionamiento.
- Pasos: Identifica primero la intención de búsqueda, después las palabras clave y finalmente las acciones recomendadas.
- Resultado final: Genera una propuesta priorizada de acciones SEO.
- Límites: Utiliza únicamente la información proporcionada y no inventes datos sobre el proyecto.
El framework RISEN es especialmente útil para tareas que tienen varios pasos o necesitamos que la IA la lleve a cabo de una forma determinada.
6. Framework CO-STAR
CO-STAR sirve para estructurar prompts que especifican con mayor precisión cómo debe construirse la respuesta y para quién va destinada.
El acrónimo en este caso significa: Contexto + Objetivo + Estilo + Tono + Público objetivo + Respuesta
- C — Context: Contexto
- O — Objective: Objetivo
- S — Style: Estilo
- T — Tone: Tono
- A — Audience: Público objetivo
- R — Response: Respuesta o formato de salida.
Por ejemplo, aquí tenemos un prompt completo en formato CO-STAR:
Estamos preparando material didáctico sobre marketing digital para estudiantes universitarios. Tienes que explicar qué es el SEO y por qué es importante para una página web. Utiliza un estilo educativo y sencillo y un tono divulgativo y cercano. Dirigido para estudiantes de primero de Marketing sin conocimientos previos de posicionamiento web. Presenta la respuesta en cinco apartados y termina con un ejemplo práctico.
- Contexto: estamos preparando material didáctico sobre marketing digital para estudiantes universitarios.
- Objetivo: explicar qué es el SEO y por qué es importante para una página web.
- Estilo: educativo y sencillo.
- Tono: divulgativo y cercano.
- Público objetivo: estudiantes de primero de Marketing sin conocimientos previos de posicionamiento web.
- Respuesta: presenta la explicación en cinco apartados y termina con un ejemplo práctico.
Como se puede ver, CO-STAR nos permite redactar un prompt muy completo que incluye elementos que necesitamos para generar una respuesta.
Es muy importante destacar que un buen prompt NO tiene obligatoriamente que contar con todos sus componentes en cada prompt.
Para tareas sencillas como una traducción, utilizar CO-STAR sería innecesario.
El valor de CO-STAR aparece cuando necesitamos un cierto nivel de detalle.
CO-STAR resulta útil cuando queremos que la IA genere la respuesta en un formato determinado e indicar quién va a recibir esa respuesta.
Casos de uso del framework CO-STAR:
- Generar contenidos educativos
- Redactar artículos
- Preparar comunicaciones corporativas
- Generar contenidos para marketing y redes sociales
- Adaptar un texto para diferentes públicos
- Crear explicaciones técnicas para diferentes niveles
7. Framework CRISPE
Otro framework que podemos encontrar en Prompt Engineering es CRISPE.
Al igual que ocurre con otros frameworks, existen diferentes interpretaciones del acrónimo, pero he elegido este por ser el que creo que se entiende mejor.
El acrónimo en este caso significa: Capacidad + Rol + Información + Instrucciones + Personalidad + Experimentación
- C — Capacity: Capacidad o rol que debe asumir la IA.
- R — Role: Rol o perspectiva desde la que debe responder.
- I — Insight: Información o conocimiento relevante.
- S — Statement: Instrucciones concretas.
- P — Personality: Personalidad o estilo de respuesta.
- E — Experiment: Experimentación o indicaciones adicionales sobre el resultado.
Un ejemplo de un prompt con CRISPE podría ser:
Actúa con conocimientos avanzados de marketing digital y posicionamiento web y adopta el rol de profesor universitario. Explica los conceptos fundamentales del SEO de forma progresiva y utiliza ejemplos sencillos. Mantén una personalidad didáctica, clara y cercana. Genera una explicación estructurada que pueda utilizarse como material para una clase.
- Capacidad: experto en marketing digital y posicionamiento web.
- Rol: profesor universitario.
- Información: la explicación debe basarse en los conceptos fundamentales del SEO.
- Instrucciones: explica los conceptos de forma progresiva y utiliza ejemplos sencillos.
- Personalidad: didáctica, clara y cercana.
- Experimentación o indicaciones adicionales: genera una explicación estructurada para utilizar en una clase.
La principal ventaja del framework CRISPE es que incluye componentes que se suelen dar como implícitos.
Otra característica de CRISPE es que permite definir con bastante detalle desde qué perspectiva queremos que trabaje la IA y cómo queremos que construya la respuesta.
La parte mala es que la construcción del prompt puede resultar compleja al contar con tantos elementos.
¿Cuál es el mejor framework para prompts?
La elección de usar uno u otro framework depende totalmente de la tarea.
No existe un framework universal que valga para todo.
En general, para tareas sencillas RTF resulta suficiente.
Para tareas complejas que requieran un alto nivel de detalle, podremos usar los frameworks más completos que incluyan componentes adicionales como el contexto, el público objetivo, el tono, los pasos o las restricciones.
El truco para decidir cuál usar es preguntarnos ¿Qué información necesita realmente la IA para realizarla correctamente?
¿Podemos combinar diferentes frameworks?
Totalmente. Los frameworks no son estructuras cerradas que haya que seguir obligatoriamente, sino una plantilla que podemos seguir o modificar según nos resulte conveniente.
Podemos combinar elementos de diferentes frameworks si la tarea lo requiere.
Imaginemos que queremos crear un contenido sobre SEO para estudiantes.
Si usamos el framework RTF el prompt sería: Actúa como profesor de marketing digital. Explica qué es el SEO. Presenta la respuesta en una tabla.
Si queremos darle mayor nivel de detalle, el prompt sería: Actúa como profesor de marketing digital. Explica qué es el SEO para estudiantes universitarios de primero de Marketing sin conocimientos previos. Utiliza como referencia el documento adjunto. Presenta la respuesta en una tabla con los conceptos fundamentales, una explicación sencilla y un ejemplo práctico. Utiliza un tono divulgativo y cercano.
Este segundo prompt no se adapta a ningún framework en concreto, pero es el prompt que incluye toda la información, con un alto nivel de detalle, que necesitamos para resolver la tarea. No estamos obligados a seguir estrictamente CO-STAR o CRISPE.
¿Es mejor utilizar un framework o escribir el prompt directamente?
Un framework resulta útil porque nos proporciona una estructura que podemos seguir.
Evita que tengamos que plantearnos qué debería incluir en este prompt, porque tenemos la plantilla que podemos seguir.
A medida que vayamos cogiendo práctica, no será necesario usar la plantilla que nos aporta uno y otro framework.
Cuando conozcamos bien los componentes de un prompt, podemos construir directamente prompts que se adapten bien a lo que necesitamos.
Por ejemplo, un usuario con experiencia puede escribir directamente: Analiza este informe y extrae los cinco principales riesgos para la empresa. Utiliza únicamente la información del documento, organiza los resultados en una tabla y asigna a cada riesgo una prioridad alta, media o baja.
Este prompt no está escrito siguiendo RTF, RISEN, CO-STAR o cualquiera de los otros, simplemente está pensado para que incluya todo lo necesario para realizar la tarea.
El objetivo de aprender Prompt Engineering no debería ser memorizar acrónimos, sino aprender a diseñar instrucciones eficaces.
¿Podemos crear nuestro propio framework para prompts?
Cuando contemos con experiencia podemos ir definiendo nuestras propias estructuras que consideremos que funcionan bien.
Como en todos los ámbitos, la experiencia es un grado, y ganar experiencia usando la IA nos permite desarrollar formas de escribir prompts que funcionan bien para nuestras tareas, sobre todo si las hacemos constantemente.
Pongamos un caso de una empresa que utiliza IA para redactar artículos para su blog.
La persona que se encarga de esta tarea puede haber alcanzado una estructura para el prompt que siempre le permita incluir:
- El tema del artículo
- La palabra clave objetivo
- La intención de búsqueda
- El público objetivo
- La información que sea necesaria para que la IA la tenga en cuenta para generar el artículo del blog
- La estructura que quiere que tenga el post
- Definir la extensión
- Definir el tono
- Añadir directrices para restricciones a nivel de SEO
Para todo esto se puede crear un framework propio especializado para artículos del blog que no encaja con RTF, RISEN o CO-STAR.
Esta estructura puede convertirse en una plantilla que utilice todo el equipo porque está completamente adaptada al trabajo que realizan.
Frameworks para tareas repetitivas
Los frameworks para prompts funcionan especialmente bien cuando tenemos que realizar la misma tarea muchas veces.
Siguiendo con el ejemplo del post del blog, si cada vez escribimos un prompt diferente el artículo del blog generado tendrá una extensión diferente, un nivel técnico distinto, diferente tono…
Si reutilizamos el prompt, cambiando el tema del artículo, pero manteniendo la estructura, obtendremos artículos muy similares.
Una vez alcanzado un prompt efectivo que cumple con nuestros objetivos, lo ideal es convertir ese prompt en una plantilla reutilizable.
Esto va a permitir que diferentes personas realicen una misma tarea y obtengan resultados similares.
¿Utilizar un framework para prompts garantiza mejores respuestas?
No, seguir la guía propuesta por cualquiera de los frameworks que hemos visto no garantiza una mejor respuesta de la IA.
Un prompt bien estructurado puede producir una mala respuesta cuando:
- El objetivo está mal definido
- El contexto es insuficiente
- La información proporcionada es incorrecta
- Las instrucciones son contradictorias
- Falta información necesaria
- La tarea no está bien planteada
De hecho, incluso puede producir resultados peores si creamos prompts enormes con instrucciones que no aportan información relevante para la tarea.
Por ejemplo, para traducir un texto no es necesario indicar componentes del prompt como el rol o el tono. Solo hace falta indicar el objetivo (traducir) y el idioma al que queremos que traduzca.
La estructura del prompt debe ser definida siempre con respecto a la tarea que queremos conseguir.
Nunca la tarea estará supeditada a la estructura del prompt.
¿Cómo elegir un framework para prompts?
El valor de un framework no está en el acrónimo. Las siglas como RTF, APE, RISEN, CO-STAR o CRISPE solo son mecanismos para recordar los componentes que podemos incluir en el prompt.
Lo realmente importante es darle a la IA toda la información que necesita para realizar correctamente la tarea.
Por ejemplo, ante una tarea podemos preguntarnos:
- ¿Qué quiero conseguir?
- ¿Qué información necesita conocer la IA?
- ¿Desde qué perspectiva debe responder?
- ¿Quién va a utilizar el resultado?
- ¿En qué formato necesito recibirlo?
- ¿Qué condiciones debe respetar?
- ¿Qué tono debe utilizar?
Estas preguntas nos van a permitir construir un prompt eficaz incluso si no utilizamos ningún framework.
A medida que ganemos experiencia, podemos dejar de pensar en los acrónimos y empezar a pensar directamente en la información que necesita la tarea.
Aprender a crear buenos prompts es el objetivo final del Prompt Engineering.
Una plantilla práctica para construir prompts
Si estamos empezando a trabajar con Prompt Engineering, podemos utilizar una plantilla sencilla como punto de partida:
- Rol: ¿desde qué perspectiva debe trabajar la IA?
- Contexto: ¿qué información necesita conocer?
- Tarea: ¿qué debe hacer exactamente?
- Público: ¿para quién está destinado el resultado?
- Formato: ¿cómo queremos recibirlo?
- Restricciones: ¿qué condiciones debe respetar?
- Tono y estilo: ¿cómo debe redactarlo?
Podemos tomarnos la lista anterior como una lista de comprobación para crear nuestros prompts.
No todas las tareas requerirán que definamos todos estos componentes.
Si alguno de ellos no aporta información relevante para la tarea, simplemente lo omitimos.
De esta forma, los frameworks dejan de ser una colección de acrónimos que tenemos que memorizar y se convierten en una metodología para diseñar instrucciones de forma sistemática.
Conclusión
Los frameworks para prompts son una herramienta útil para aprender a construir instrucciones de forma estructurada.
Nos ayudan a identificar componentes importantes como el rol, el contexto, la tarea, el público, el formato, las restricciones o el tono.
Sin embargo, no debemos convertirlos en una colección de fórmulas que aplicamos mecánicamente.
Los frameworks APE, TAG y RTF son estructuras sencillas y están orientados para tareas más simples.
Los frameworks CARE, RISEN, CO-STAR o CRISPE incorporan más elementos y permiten construir instrucciones más detalladas, orientados para tareas más complejas que requieran ejemplos o restricciones.
Cada uno de estos frameworks se adaptará mejor a una u otra tarea. No existe una fórmula universal que se pueda aplicar a todo.
No es necesario usar siempre uno de estos frameworks para construir un prompt, aunque nos pueden ayudar a crear prompts completos y detallados.
Lo realmente importante es identificar y proporcionar toda la información que la IA necesita para hacer bien una tarea, y si es posible en un único prompt.
Los frameworks son útiles para aprender a escribir prompts avanzados.
Una vez controlamos bien cómo construir prompts eficaces, podemos obviar los frameworks y crear nuestras propias plantillas. Especialmente para tareas que hacemos constantemente.
El objetivo de hacer Ingeniería de Prompts no es aprender a escribir prompts más largos, sino aprender a diseñar mejores instrucciones.
Aprender Prompt Engineering es solo una parte de todo lo que podemos hacer con la IA.
En SocraTech te ayudamos a desarrollar las competencias necesarias para utilizar la inteligencia artificial de forma profesional, mediante cursos de inteligencia artificial para profesionales y cursos de inteligencia artificial in-company para empresas.
