Estructurar un prompt con etiquetas XML transforma instrucciones confusas en bloques claros que la inteligencia artificial interpreta con mayor precisión. Si trabajas con prompts largos o ejemplos múltiples, esta técnica te ayuda a reducir ambigüedad y mantener consistencia en los resultados. Es una habilidad clave para cualquiera que diseñe instrucciones para modelos de lenguaje.

¿Por qué un prompt visualmente ordenado no basta para la IA?

Cuando escribes en Google Docs o Word, usas títulos, listas y sangrías que tu cerebro interpreta sin esfuerzo. El problema aparece al pegar ese contenido en un chat de IA: gran parte del formato visual se pierde y queda un bloque plano de texto.

En la clase se parte de un prompt de few-shot con tuits de alto y bajo engagement. Al pegarlo en Claude, los saltos de línea y la jerarquía visual desaparecen, y la máquina termina leyendo algo muy distinto a lo que tú veías en tu documento [02:30].

¿Qué es una etiqueta XML en un prompt? Es un marcador del tipo <ejemplo> que delimita dónde inicia y termina un bloque de información, para que el modelo identifique con claridad qué pertenece a qué.

¿Cómo se escribe una etiqueta XML dentro de un prompt?

La sintaxis es sencilla y replica la lógica del HTML, que evolucionó precisamente desde XML para estructurar la información de internet [05:10]. Cada etiqueta funciona como un contenedor con apertura y cierre.

Los pasos básicos son:

• Abrir con < seguido de una palabra descriptiva y cerrar con >, por ejemplo <ejemplos>.
• Insertar el contenido que quieres delimitar.
• Cerrar con la misma etiqueta precedida de /, así: </ejemplos>.

La palabra dentro de la etiqueta la eliges tú, pero conviene que sea descriptiva. Si pones pajarito en lugar de tweet, esa palabra pasa a formar parte del prompt y puede confundir al modelo.

¿Qué pasa si no cierro una etiqueta correctamente?

No aparece un error porque no estás programando, pero el modelo puede asumir que todo el texto siguiente pertenece a esa etiqueta. Eso aumenta la probabilidad de que falle al detectar los patrones de tus ejemplos o que empiece a alucinar [13:20].

La regla práctica es tratar cada etiqueta como un contenedor: si abres <tweet>, debes cerrar </tweet> justo donde termina ese bloque, ni antes ni después.

¿Cómo aplicar etiquetas XML a un prompt de few-shot prompting?

El ejercicio toma el prompt original y lo reorganiza con tres niveles de etiquetas anidadas. Primero un contenedor general <ejemplos>, dentro de él cada <tweet-de-alto-engagement> y <tweet-de-bajo-engagement>, y dentro de cada uno el contenido del tuit.

Algunos detalles importantes que se mencionan:

• Cuando una etiqueta tiene varias palabras, usa guiones en vez de espacios: <tweet-de-alto-engagement>.
• La etiqueta de apertura y la de cierre deben ser idénticas.
• Puedes anidar contenedores dentro de contenedores siempre que cierres en el orden correcto.

¿Por qué mezclar los ejemplos de alto y bajo engagement? Porque al alternarlos aleatoriamente aumentas la probabilidad de que el modelo identifique correctamente qué define cada categoría, en lugar de asociarla a la posición en el listado.

Una vez que cada tuit está etiquetado con su categoría, ya puedes reordenarlos sin perder la información. Eso resuelve la oportunidad de mejora que quedaba pendiente del few-shot prompting trabajado en la clase anterior [15:40].

¿Cómo hago que el prompt siga siendo legible para humanos?

Un prompt lleno de etiquetas puede volverse difícil de leer para ti y tu equipo. La solución es agregar formato visual en tu documento de trabajo sin que eso afecte a la IA.

Las técnicas que se muestran en clase son:

• Aumentar la identación de los contenedores anidados para ver de un vistazo dónde inicia y termina cada bloque.
• Asignar colores distintos a cada etiqueta para diferenciarlas rápido.
• Mantener saltos de línea dentro de los ejemplos cuando el formato del contenido importa, como en un tuit.

Lo interesante es que al pegar ese prompt coloreado e identado en Claude, el modelo lo interpreta exactamente igual que la versión sin colores [18:50]. El formato visual es solo para ti y tu equipo, no afecta el procesamiento del modelo.

¿Cuándo conviene escribir el prompt fuera del chat de la IA?

Para consultas cortas, escribir directo en la caja del chat funciona bien. El problema aparece con prompts largos: si presionas enter sin querer, el mensaje se envía incompleto y pierdes el trabajo. Para hacer un salto de línea sin enviar, debes usar shift + enter.

La recomendación es clara: cuando el prompt empieza a tener estructura, ejemplos y varias secciones, escríbelo primero en un documento. Pídele a alguien que no conozca el contexto que lo lea y te diga qué entendió. Cuando ya tengas claridad, copia, pega y ejecuta en tu LLM favorito.

Esa práctica te ayuda a no perder el hilo, facilita la colaboración con tu equipo y reduce errores cuando los prompts crecen. ¿Ya tienes un prompt largo que te gustaría reescribir con etiquetas XML? Cuéntame en los comentarios cómo lo estructurarías.