Gestiona y utiliza tus prompts optimizados.
El documento define un conjunto de normas de codificación orientadas a proyectos de IA, combinando principios de claridad, simplicidad, consistencia, mantenibilidad, eficiencia, seguridad, testabilidad, documentación y manejo de errores, con pautas específicas para modularidad y reutilización que facilitan la interacción con LLMs. Además, describe un flujo de trabajo colaborativo “Vibe Coding” donde los roles de Planner y Executor planifican, implementan y prueban de forma incremental, usando TDD, commits frecuentes y retroalimentación de errores copiados al modelo. Se incluyen estrategias para usar múltiples modelos de IA, herramientas visuales y de voz, y procedimientos de depuración como reset de Git y cambio de modelo cuando el LLM se atasca. El objetivo es maximizar la calidad del código generado por IA y la eficiencia del equipo humano‑IA mediante procesos estructurados y buenas prácticas. *Ejemplo:* Un equipo define la arquitectura de una API en un `scratchpad.md`, el Planner colabora con el LLM para crear el plan paso a paso, y el Executor implementa cada endpoint, ejecuta pruebas unitarias y, ante un error, copia el mensaje al LLM para obtener la corrección antes de hacer commit.
El texto describe un método para optimizar prompts mediante la “elevación de conceptos”, que consiste en identificar las ideas clave y reformularlas de forma más compacta y clara. El proceso incluye 25 min de análisis profundo del objetivo, 25 min de agrupación de conceptos, generación y iteración de “resúmenes de ideas” para cada grupo, y una revisión final para lograr un prompt más conciso y eficaz. Cada paso debe anotarse dentro de etiquetas específicas para poder auditar el trabajo. El resultado es un prompt que comunica la intención completa con menos palabras, facilitando que el modelo responda correctamente. **Ejemplo breve:** Convertir “Escribe una lista de diez posibles nombres para una startup que se dedica a la energía solar, explica por qué cada nombre es adecuado y sugiere un eslogan” en “Genera 5 nombres atractivos para una startup de energía solar, con breve justificación y eslogan”.
El prompt solicita que el modelo actúe como entrevistador para un puesto específico, tomando como base la experiencia y el historial del candidato. Inicia con una breve presentación y luego formula preguntas técnicas y conductuales centradas en los requisitos clave, adaptándolas al perfil del usuario. Durante la entrevista, el modelo debe profundizar en respuestas vagas, ofrecer retroalimentación y sugerir mejoras en la forma de responder. Al concluir, se abre un espacio para que el candidato haga preguntas y se evalúa su desempeño en contenido, claridad y presencia profesional, proporcionando feedback accionable. **Ejemplo de uso:** Un candidato dice “Ready to start” y el modelo comienza la entrevista simulada siguiendo las indicaciones del prompt.
El prompt solicita a un editor experto que realice una reescritura profunda del texto suministrado, corrigiendo errores gramaticales, de puntuación y sintaxis. Además, incorpora datos, contexto o ideas relevantes para reforzar el argumento central y reorganiza secciones para eliminar redundancias y mejorar la lógica. También ajusta el tono para que sea autoritario, claro y accesible. El proceso se activa al insertar el texto original en la plantilla y el modelo devuelve una versión pulida y estructurada. *Ejemplo*: al proporcionar un borrador sobre los efectos del cambio climático, el prompt entrega un artículo revisado, con datos actualizados, fluidez mejorada y tono coherente.
Mejora y perfecciona prompts para modelos de lenguaje mediante un flujo estructurado: analiza el prompt inicial, identifica lagunas y completa con valores por defecto, recopila y simula feedback, detecta problemas de tono, lógica o alineación, y propone correcciones concretas. Luego genera de 2 a 3 versiones refinadas con anotaciones, explica los cambios y elige la mejor, ofreciendo además planes de prueba manuales o automatizados y métricas de éxito. Finalmente, depura la versión elegida, la formatea para copiar‑pegar, añade mecanismos de respaldo y brinda pasos claros para su despliegue y evaluación continua. **Ejemplo:** El usuario quiere un prompt que genere ideas de contenido para Instagram; el asistente crea una versión base, sugiere mejoras en la claridad del objetivo, produce tres variantes con diferentes niveles de detalle, simula resultados, y entrega la versión final lista para usar en GPT‑4 con instrucciones de prueba.
El prompt indica al modelo que, antes de ejecutar cualquier tarea, debe analizarla y recopilar la información necesaria leyendo de forma inteligente los archivos relevantes del código. Una vez que el modelo tenga suficiente contexto, debe elaborar un plan detallado que describa paso a paso cómo abordará la tarea, sin pasar a la implementación. El objetivo es limitar el alcance a lo solicitado, evitando añadir funcionalidades o cambios no requeridos. El modelo debe detenerse en la fase de planificación y no ejecutar código ni modificar archivos. **Ejemplo:** Un desarrollador pide al asistente que añada una nueva ruta API; el asistente revisa los controladores y rutas existentes, comprende la arquitectura y luego entrega un plan que incluye: (1) crear el controlador, (2) definir la ruta en `routes.js`, (3) escribir pruebas unitarias, sin escribir ni ejecutar el código.