Cómo mejorar un prompt zero-shot con XML

Construir un asistente útil con un modelo de lenguaje no depende de escribir más, sino de escribir mejor. Aprenderás a refinar un prompt zero-shot con técnicas como rol, instrucciones específicas, chain of thought básico y delimitadores XML para que un GPT planee vacaciones en pareja sin perderse en preguntas vagas. Es una guía práctica para quienes diseñan asistentes conversacionales y quieren resultados más predecibles.

Por qué cada palabra del prompt cambia la respuesta del LLM

Los modelos de lenguaje no leen, interpretan relaciones semánticas. Si tu instrucción es ambigua, el flujo de la conversación también lo será.

En el ejemplo de partida, el prompt pedía al asistente preguntar “qué tipo de vacaciones” y “qué tienen en mente”. Resultado: cada chat repetía el mismo guion rígido. El problema es que un agente de viajes real no necesita que tú le dictes las preguntas, necesita libertad para hacerlas.

La primera mejora es invertir el enfoque [00:54]: en lugar de listar preguntas exactas, le pides que cree un plan de vacaciones y, como agente de viajes, formule las preguntas pertinentes para lograrlo. Pasaste de cinco líneas a tres y ganaste flexibilidad.

¿Qué es un prompt zero-shot? Es una instrucción única donde el modelo resuelve la tarea sin ejemplos previos. Solo das rol, contexto y reglas, y el LLM responde apoyándose en su entrenamiento.

Cómo separar instrucciones, contexto y reglas en un prompt

Mezclar todo en un mismo bloque obliga al modelo a adivinar qué es qué. Conviene partirlo en piezas claras.

En el caso del agente de viajes, la nacionalidad mexicana y el destino Europa son contexto, no instrucción. La generación de una lista de requisitos como visas, vuelos y hoteles después del itinerario es instrucción. Y pedirle no hablar de visados antes de elegir plan deja de ser regla cuando la instrucción ya lo cubre [03:18].

Una regla útil que sí permanece: sé conciso y no superes los 250 caracteres. Un detalle interesante aquí es que los LLM no son buenos en matemáticas porque trabajan con relaciones semánticas, no con conteo exacto. Esa cifra funciona como referencia de longitud aproximada, no como límite literal [04:12].

• Rol: actúa como agente de viajes.
• Instrucción: realiza preguntas pertinentes y entrega varias opciones antes del itinerario.
• Contexto: viaje en pareja, mexicanos, destino Europa.
• Reglas: respuestas concisas, no salirse del rol.

Menos palabras, mejor resultado. Incluso las tildes son opcionales: el modelo entiende actua y actúa como semánticamente equivalentes.

Cómo usar piensa paso a paso para guiar el razonamiento del modelo

Agregar la frase piensa paso a paso dentro de la tarea cambia la forma en que el LLM aborda el problema. Le pides razonar, es decir, dividir el reto en partes más pequeñas y avanzar de una a otra.

En la prueba [07:30], al añadir esa instrucción el asistente dejó de lanzar preguntas abiertas y se comportó como un cuestionario ordenado: destino, días, ritmo, alojamiento. Sin esa línea, el modelo saltaba directo a un itinerario sin sondear preferencias.

¿Qué hace piensa paso a paso en un prompt? Activa un razonamiento más estructurado. El modelo desglosa la tarea en sub pasos y los ejecuta en orden, lo que reduce respuestas apresuradas o incompletas.

La ubicación de esa frase también importa. Como el contexto se procesa de forma acumulativa, si la pones al final cargará el peso de todo lo anterior. Esto se profundiza en la técnica chain of thought, pero con esta línea ya obtienes un cambio visible.

Por qué usar tags XML como instrucciones, contexto y reglas

Los LLM fueron entrenados con enormes cantidades de código. Y el código, al ser texto altamente estructurado, genera relevancia dentro del prompt.

XML es un lenguaje de marcado que delimita bloques con etiquetas tipo <instrucciones> y </instrucciones>. No estás programando, estás señalando dónde empieza y dónde termina cada sección [11:48]. El modelo reconoce el patrón y le da más peso a esa estructura.

Una versión depurada del prompt queda así:

xml <instrucciones> Actúa como un agente de viajes. Realiza las preguntas pertinentes para crear el plan. Da varias opciones antes del itinerario. Una vez generado, crea una lista de requisitos como visas, vuelos y hoteles. </instrucciones>

<contexto> Viaje en pareja. Usuarios mexicanos. Destino en Europa. </contexto> <reglas> Sé conciso, respuestas máximo 250 caracteres. No te salgas del rol de agente de viajes. </reglas>

Nota un cambio fino: la palabra límites se reemplazó por reglas porque es más precisa. Reglas indica qué se puede y qué no se puede hacer, sin ambigüedad.

Qué ganas al delimitar bloques con XML

Menos entropía y más predictibilidad. El asistente sigue sin ser totalmente determinista, siempre habrá un porcentaje de aleatoriedad, pero el prompt se vuelve más efectivo para el objetivo concreto.

En la prueba final [13:30], con tags XML el flujo fue consistente: sugerencia de países, elección de Italia, propuesta de tres ciudades, duración, alojamiento e itinerario. La conversación se sintió cercana a la de un agente de viajes humano.

Qué técnicas aplicaste para hacer el prompt más efectivo

Resumiendo lo que ocurrió detrás de cada iteración:

1. Asignaste un rol claro y dejaste que ese rol decidiera cómo resolver la tarea.
2. Hiciste las instrucciones específicas sin sobreescribir la creatividad del modelo.
3. Separaste contexto, reglas e instrucciones en bloques distintos.
4. Añadiste piensa paso a paso para forzar un razonamiento ordenado.
5. Usaste tags XML para que el LLM identifique fronteras entre secciones.

En la siguiente entrega entra el prompting few-shot, donde verás cuándo conviene dar ejemplos al modelo y cómo combinarlo con esta base zero-shot. ¿Qué prompt vas a refinar primero con estas técnicas? Cuéntalo en los comentarios.