Contexto y restricciones
En esta página
Contexto: Dale al modelo lo que no sabe
Los modelos de Mistral poseen un conocimiento general extenso, pero no saben nada sobre tu situación concreta: tu empresa, tu proyecto, tu audiencia o tus restricciones comerciales. El contexto que proporcionas en tu prompt salva esta brecha. Esto es lo que marca la diferencia entre una herramienta de propósito general y un asistente especializado. Sin contexto, el modelo genera respuestas genéricas: correctas de media, pero inutilizables en casos particulares. Con el contexto adecuado, produce respuestas a medida.
Tres tipos de contexto que debes proporcionar
El primero es el contexto situacional: la situación que rodea tu solicitud. Un director de marketing que simplemente escribe «propón un plan de marketing» recibirá un plan de libro de texto. Si especifica su situación, todo cambia:
Contexto: Soy el director de marketing de una pyme con 50 empleados
especializada en la venta de mobiliario de oficina B2B.
Lanzamos una nueva línea ecológica en septiembre de 2026.
Nuestro presupuesto anual de marketing es de 80.000 €.
Cada frase de este contexto elimina docenas de respuestas fuera de lugar: nada de estrategias B2C, ni presupuestos de siete cifras, ni recomendaciones ajenas al lanzamiento.
El segundo es el contexto documental: los datos que el modelo debe analizar o utilizar. El modelo no conoce tus cifras internas; tienes que facilitárselas, idealmente delimitadas por etiquetas para separarlas de las instrucciones:
Estos son los resultados trimestrales a analizar:
<data>
Q1 2026: Ingresos 1,2 M€, margen 23 %, 145 nuevos clientes
Q2 2026: Ingresos 1,5 M€, margen 21 %, 178 nuevos clientes
Q3 2026: Ingresos 1,1 M€, margen 19 %, 112 nuevos clientes
</data>
Identifica tendencias y propone 3 acciones correctoras para el Q4.
El tercero es el contexto de audiencia: para quién es el contenido generado. No explicas el mismo tema de la misma manera a un principiante que a un experto. Especifica, por ejemplo: «El texto va dirigido a desarrolladores de Python con experiencia (más de 5 años) que descubren las API de modelos de lenguaje por primera vez. No hace falta explicar los fundamentos de Python, pero detalla los conceptos de LLM». El modelo calibrará entonces su nivel de detalle exactamente donde lo necesita tu lector.
Define el formato esperado
El formato de salida es una de las restricciones más potentes. Sin orientación, el modelo elegirá un formato por defecto, a menudo prosa, que tendrás que rehacer. Al especificar el formato, obtienes exactamente lo que necesitas, listo para usar.
Para una lista, dilo: «Enumera las ventajas en viñetas (5 como máximo)». Para una tabla: «Presenta los resultados en una tabla Markdown con las columnas Característica | Disponibilidad | Prioridad». Para la integración de software, el JSON estructurado es el rey, y merece la pena especificarlo campo por campo:
Devuelve la respuesta en el siguiente formato JSON:
{
"summary": "string (máx. 100 palabras)",
"keywords": ["string"],
"sentiment": "positive | neutral | negative",
"confidence_score": "number (0-1)"
}
El mismo principio se aplica al código: «Escribe la función en Python 3.11+. Añade docstrings al estilo de Google y sugerencias de tipos. Incluye 2 ejemplos de uso en comentarios al final». Cuanto más precisamente describas el formato, menos trabajo de revisión tendrás que hacer.
Restringe la longitud
Los modelos de Mistral tienden a ser exhaustivos si no estableces límites. Puedes restringir la longitud por número de palabras («Responde en 150 palabras como máximo»), por estructura («Responde en exactamente 3 párrafos de 2-3 frases cada uno») o por elementos («Da exactamente 5 recomendaciones, cada una en una frase»).
Una advertencia, sin embargo: los modelos de lenguaje cuentan palabras y caracteres mal. Pedir «exactamente 150 palabras» producirá un texto de unas 150 palabras, rara vez clavado. Si la longitud te importa de verdad, prefiere restricciones estructurales —número de párrafos, puntos, secciones—, que el modelo sigue con mucha más fidelidad que los recuentos precisos.
Restringe el tono y el registro
El tono de la respuesta influye directamente en su utilidad: un texto con el tono equivocado es un texto que tienes que reescribir. Sé explícito, incluso si eso implica acumular especificaciones: «Tono: profesional pero accesible. Evita la jerga técnica a menos que sea inevitable (en cuyo caso, defínela). Usa un lenguaje formal. Sin emojis ni lenguaje informal».
Consejo profesional: las directrices de tono más efectivas suelen comparar la tarea con una situación profesional conocida. «Responde como un consultor senior presentando ante un comité ejecutivo», «Adopta un tono pedagógico, como un profesor explicando a estudiantes de máster» o «Sé directo y conciso, como un informe de auditoría interna»: cada una de estas frases condensa todo un conjunto de elecciones de vocabulario, longitud y postura en una imagen que el modelo sabe decodificar.
Restringe el alcance
Delimitar el alcance significa decirle al modelo dónde debe detenerse. Aquí tienes un ejemplo de restricciones:
Restricciones de alcance:
- Céntrate ÚNICAMENTE en el mercado francés
- NO menciones normativas de EE. UU. ni del Reino Unido
- Ignora los aspectos fiscales (otro experto se encarga de esto)
- Si falta información, indícalo explícitamente
en lugar de inventarla
Presta mucha atención a la última restricción: es tu mejor defensa contra las alucinaciones. Un modelo al que se le pide una respuesta completa tiende a rellenar los huecos con información verosímil; al autorizarle explícitamente a admitir sus límites, conviertes la invención silenciosa en una bandera visible que puedes gestionar posteriormente.
Combina contexto y restricciones
En la práctica, un prompt profesional combina naturalmente todo lo anterior: contexto y reglas permanentes en el prompt del sistema, datos y formato esperado en el mensaje del usuario. Aquí tienes un ejemplo completo de análisis de RR. HH.:
messages = [
{
"role": "system",
"content": """Eres un analista senior de RR. HH. en una empresa tecnológica.
Reglas:
- Inglés formal, tono profesional
- Basa tu análisis únicamente en los datos proporcionados
- Si faltan datos, márcalos con [MISSING_DATA]
- Formato: secciones con encabezados, viñetas, sin prosa"""
},
{
"role": "user",
"content": """Analiza los datos de absentismo siguientes y propone un plan de acción.
Datos del Q1 2026:
- Tasa global de absentismo: 7,2 % (+1,8 puntos frente al Q1 2025)
- Departamento más afectado: Atención al cliente (12,1 %)
- Motivo principal: baja por enfermedad de corta duración (< 5 días)
- Antigüedad media de los empleados ausentes: 2,3 años
Formato esperado:
1. Diagnóstico (máx. 3 puntos)
2. Causas probables (3 hipótesis)
3. Plan de acción (5 medidas concretas con cronograma)"""
}
]
Observa cómo cada elemento tratado en esta lección encuentra su lugar: rol y registro en el sistema, datos delimitados en el mensaje del usuario, formato numerado al final del mensaje y la barrera anti-invención ([MISSING_DATA]) establecida de una vez por todas.
Puntos clave
- El contexto transforma una respuesta genérica en una personalizada
- Proporciona contexto situacional, documental y de audiencia según sea necesario
- Define siempre el formato de salida esperado (JSON, lista, tabla, etc.)
- Restringe la longitud por estructura en lugar de por recuento de palabras
- Delimita el alcance y autoriza al modelo a señalar la información faltante