Anti-patrones que debes evitar
En esta página
- Errores que sabotean tus prompts
- Anti-patrón 1: Lenguaje subjetivo
- Anti-patrón 2: Instrucciones contradictorias
- Anti-patrón 3: Pedir al modelo que cuente
- Anti-patrón 4: Generación excesiva de tokens
- Anti-patrón 5: Escalas numéricas
- Anti-patrón 6: Instrucciones vagas
- Anti-patrón 7: Ignorar el pre-relleno
- Puntos clave
Errores que sabotean tus prompts
Dominar la ingeniería de prompts también implica saber qué no hacer. Ciertos hábitos, perfectamente naturales en la comunicación humana, dan resultados pobres con los modelos de Mistral, precisamente porque dependen de una comprensión implícita de la que el modelo carece. Esta lección enumera los siete anti-patrones más frecuentes, mostrando para cada uno la versión errónea, la corregida y la lógica detrás de la corrección. Es probable que reconozcas algunos de tus propios hábitos en el camino.
Anti-patrón 1: Lenguaje subjetivo
Entre colegas, la frase «escríbeme un texto no muy largo» funciona porque compartís contexto: el colega conoce el caso de uso, el lector y las costumbres de la empresa. El modelo no percibe las palabras subjetivas como tú. Términos como «corto», «largo», «muchos», «interesante» o «no muy» son ambiguos y producen resultados impredecibles de una ejecución a otra.
Incorrecto:
Escribe un texto no muy largo sobre IA.
Incluye muchos ejemplos interesantes.
Correcto:
Escribe un texto de entre 200 y 300 palabras sobre IA generativa.
Incluye 3 ejemplos concretos de aplicación en el ámbito empresarial
(marketing, RR. HH., atención al cliente).
La regla de corrección es mecánica: sustituye cada término subjetivo por una medida objetiva. «No muy largo» se convierte en «200-300 palabras», «muchos ejemplos» en «3 ejemplos» e «interesante» en una descripción precisa del tipo de ejemplos esperados.
Anti-patrón 2: Instrucciones contradictorias
Cuando tu prompt contiene instrucciones incompatibles —«sé exhaustivo y cubre todos los aspectos» seguido de «responde en un máximo de 3 frases»—, el modelo debe elegir cuál seguir, y esa elección es impredecible. Un día obtendrás tres frases superficiales; al siguiente, un muro de texto exhaustivo. La corrección consiste en reconciliar los dos requisitos en una única instrucción coherente: «Cubre los 3 aspectos principales del tema. Para cada aspecto, ofrece una frase de resumen (máximo 25 palabras)». La exhaustividad se convierte en un alcance definido y la brevedad en una restricción por elemento: adiós al conflicto.
Si tus reglas son realmente complejas, con comportamientos distintos según el caso, no las amontones: estructúralas como un árbol de decisión, donde cada rama sea explícita:
Si el cliente es un particular:
→ Usa un tono accesible, evita la jerga técnica
→ Propón primero la oferta Starter
Si el cliente es una empresa:
→ Usa un tono profesional y técnico
→ Propón primero la oferta Enterprise
Si no estás seguro:
→ Pregunta amablemente si es para uso personal o profesional
Anti-patrón 3: Pedir al modelo que cuente
Los modelos de lenguaje son malos contando. En realidad no cuentan palabras, caracteres ni frases; estiman, porque manipulan tokens y no unidades de texto. Pedir «exactamente 150 palabras» o «comprueba que cada frase tenga menos de 20 palabras» es como exigirle a un pintor que mida en micras: no es su herramienta.
Incorrecto:
Escribe un texto de exactamente 150 palabras.
Comprueba que cada frase tenga menos de 20 palabras.
Correcto:
Escribe un texto breve (unas 150 palabras, 2-3 párrafos).
Usa frases concisas y directas.
Y si contar es realmente crítico para tu aplicación —un límite de caracteres impuesto por una interfaz, por ejemplo—, hazlo en el código después de recibir la respuesta del modelo, no en el prompt. Tu lenguaje de programación cuenta a la perfección; el modelo, no.
Anti-patrón 4: Generación excesiva de tokens
Cada token generado tiene un coste, tanto económico como en latencia. Pedir al modelo que produzca información que no vas a usar es un desperdicio puro: pagas más y esperas más tiempo por un texto que no vas a leer. El caso típico es el análisis de código donde pides «explica cada línea en detalle», además de «la historia del lenguaje» y «posibles alternativas», cuando solo te interesan los errores.
Correcto:
Analiza este código e identifica:
1. Posibles errores (con la línea afectada)
2. Una solución propuesta para cada error
Nada más.
La instrucción final «nada más» es sorprendentemente potente: le indica explícitamente al modelo que no añada los complementos, advertencias y ampliaciones que produce espontáneamente. Tu respuesta llega más rápido, cuesta menos y va directa al grano.
Anti-patrón 5: Escalas numéricas
Pedir al modelo que evalúe en una escala del 1 al 5 o del 1 al 10 parece riguroso; en realidad es lo contrario. El modelo no tiene una calibración interna fiable para estas escalas: el mismo texto podría recibir un 6/10 hoy y un 8/10 mañana, sin criterios que expliquen la diferencia. La solución consiste en sustituir los números por escalas verbales con criterios explícitos:
Evalúa la calidad de este texto según estos niveles:
- Insuficiente: errores factuales, estructura incoherente
- Aceptable: correcto pero carece de profundidad o claridad
- Bueno: bien estructurado, claro, con ejemplos relevantes
- Excelente: listo para publicación, original, aporta un valor añadido claro
Elige un nivel y justifica tu elección en 2 frases.
Al definir cada nivel mediante criterios observables, la evaluación se vuelve reproducible y justificada: sabes por qué un texto es «Aceptable» en lugar de «Bueno», y el modelo aplica los mismos criterios en cada llamada.
Anti-patrón 6: Instrucciones vagas
«Mejora este texto» es el ejemplo perfecto de una instrucción que parece clara y no lo es en absoluto. ¿Mejorar qué? ¿Ortografía? ¿Estilo? ¿Estructura? El modelo elegirá por ti, y corre el riesgo de reescribir pasajes que querías dejar intactos. La versión profesional delimita tanto lo que hay que corregir como lo que debe permanecer intacto:
Mejora este texto corrigiendo:
1. Errores de ortografía y gramática
2. Frases de más de 30 palabras (simplifícalas)
3. Repeticiones de palabras en un rango de 3 frases
NO modifiques:
- El significado de las frases
- Términos técnicos (aunque existan sinónimos)
- La estructura de los párrafos
El bloque «NO modifiques» es tan importante como el primero: sin él, un modelo demasiado diligente sustituirá tus términos técnicos por sinónimos aproximados.
Anti-patrón 7: Ignorar el pre-relleno
El último anti-patrón es más una oportunidad perdida que un error activo: muchos usuarios ignoran la posibilidad de pre-rellenar la respuesta mediante el rol assistant, visto en la lección sobre roles. Sin embargo, es una palanca poderosa para forzar un formato. Con un simple mensaje de usuario que pida JSON, el modelo puede añadir una frase introductoria, comillas invertidas o un comentario final; tantos elementos que romperán tu análisis sintáctico. Al terminar tus mensajes con el inicio de una respuesta de asistente, el formato queda casi garantizado:
Sin pre-relleno (formato impredecible):
messages = [
{"role": "user", "content": "Enumera 3 ventajas del teletrabajo en JSON."}
]
Con pre-relleno (formato garantizado):
messages = [
{"role": "user", "content": "Enumera 3 ventajas del teletrabajo en JSON."},
{"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]
El modelo se encuentra ya «en pleno proceso de escritura» del objeto JSON: solo tiene que completarlo.
Puntos clave
- Sustituye el lenguaje subjetivo y las instrucciones vagas por instrucciones medibles y delimitadas
- Evita las instrucciones contradictorias; estructura los casos complejos como un árbol de decisión
- No pidas nunca al modelo que cuente: los recuentos críticos se hacen en el código
- Limita la generación a la información que realmente uses, empleando escalas verbales en lugar de numéricas
- Aprovecha el pre-relleno del asistente para garantizar el formato de salida