Prompts en ChatGPT, Claude y Gemini: qué se mantiene
¿Funcionan igual los prompts en ChatGPT, Claude y Gemini? Casi todos los principios se mantienen. Qué cambia y cómo probar un prompt entre modelos sin adivinar.
En este artículo
Casi todo el prompt engineering se mantiene entre ChatGPT, Claude y Gemini: tareas claras, contexto real, formatos de salida explícitos, buenos ejemplos y respuestas fundamentadas en fuentes ayudan en todos los modelos principales. Lo que cambia es el estilo por defecto, con cuánta literalidad sigue cada modelo las instrucciones, cómo maneja el formato y las entradas muy largas, y las funciones de la API que rodean al prompt. El enfoque fiable es escribir los prompts a partir de principios y luego probarlos en el modelo concreto con el que vas a trabajar.
Este artículo evita a propósito afirmaciones como "el modelo X es mejor en Y". Esas afirmaciones envejecen en semanas. Lo útil es saber qué partes de un prompt son portables y cómo averiguar rápido cuándo no lo son.
Puntos clave
- Los principios se mantienen. La redacción exacta, el ajuste de la longitud y las manías de formato, a menudo no.
- Cada proveedor publica su propia guía de prompting; lee la de tu modelo.
- Un conjunto pequeño de pruebas vale más que cualquier artículo comparativo, incluido este.
- Espera tener que reajustar los prompts cuando cambies de modelo, o cuando el mismo proveedor actualice el suyo.
¿Qué se mantiene entre modelos?
Casi todo lo que tiene que ver con la información y no con la redacción.
Tareas y contexto específicos. Todos los modelos funcionan mejor cuando dices para quién es el resultado, por qué se necesita y cómo es un buen resultado. Ningún modelo puede adivinar tu público.
Formato de salida explícito. "Devuelve una tabla con estas columnas" o "JSON con estas claves" funciona en todas partes. Los tres proveedores ofrecen además funciones de salida estructurada a nivel de API, que tratamos en cómo obtener JSON fiable de los LLM.
Ejemplos. Los ejemplos few-shot ayudan a todos con el estilo y el formato, y causan los mismos efectos secundarios en todas partes (copiar la longitud y la redacción, sesgo de etiquetas). Mira zero-shot frente a few-shot prompting.
Delimitar los datos. Separar las instrucciones del material pegado, con etiquetas, encabezados o comillas, reduce la confusión en todos los modelos.
Grounding. "Responde solo a partir de estas fuentes, cítalas y di cuándo falta la respuesta" es el núcleo del prompting fundamentado sea cual sea el modelo.
Límites de seguridad. La prompt injection afecta a todos los modelos. Ninguno puede volverse seguro solo con la redacción del prompt.
Si escribes un prompt acertando en estos puntos, funcionará razonablemente bien en cualquier modelo puntero actual. Normalmente no de forma idéntica, pero sí razonablemente.
¿Qué suele cambiar?
Verbosidad y estilo por defecto
Dale la misma petición abierta a tres asistentes y obtendrás longitudes distintas, distinta cantidad de markdown y distinta disposición a añadir advertencias. Un prompt ajustado en un modelo para producir una respuesta "de la longitud justa" puede producir respuestas notablemente más largas o más cortas en otro. La solución es dejar de depender de los valores por defecto: indica explícitamente la longitud ("menos de 150 palabras"), la estructura ("sin encabezados, dos párrafos") y el tono.
Con qué literalidad se siguen las instrucciones
Los modelos difieren en cuánto infieren más allá de la instrucción literal. Algunos tienden a hacer exactamente lo que se les pidió; otros, lo que creen que querías decir, y añaden extras. Los proveedores además cambian esto entre versiones. OpenAI, por ejemplo, ha señalado en sus pautas para algunos modelos nuevos que siguen las instrucciones de forma más literal que sus predecesores, de modo que los prompts que dependían de que el modelo completara la intención tuvieron que hacerse explícitos.
El hábito portable: sé explícito con el alcance. Si quieres solo el párrafo editado y no una reescritura de todo el correo, dilo. Si quieres que el modelo corrija también cualquier otra cosa que note, dilo.
Convenciones de formato en el prompt
La documentación de Anthropic recomienda etiquetas de estilo XML (<document>, <instructions>, <example>) para estructurar los prompts de Claude, y Claude responde muy bien a ellas. Las guías de OpenAI y Google muestran como opciones válidas los encabezados markdown, las etiquetas XML y otros delimitadores. En la práctica, las etiquetas de estilo XML funcionan en todos los modelos principales y no dejan dudas sobre dónde termina un bloque, lo que las convierte en una opción por defecto razonable si quieres un único estilo en todas partes.
Manejo del prompt de sistema
Las tres APIs admiten alguna forma de instrucciones de sistema o de desarrollador, pero difieren en el nombre, en cómo se priorizan varias fuentes de instrucciones y en cuánto peso tiene un prompt de sistema frente a un usuario insistente. Si tu producto depende de que el prompt de sistema aguante bajo presión, prueba ese comportamiento de forma específica: peticiones fuera de tema, intentos de extraer el prompt, un usuario que insiste en una acción prohibida. Hay más contexto en cómo escribir un prompt de sistema.
Comportamiento con contexto largo
El tamaño de la ventana de contexto varía y cambia a menudo, así que no daremos cifras. Más que el máximo importa lo bien que un modelo usa la información dentro de una entrada larga. Investigaciones como "Lost in the Middle" (Liu et al., 2023) mostraron que los modelos aprovechaban mejor la información del principio y del final de los contextos largos que la del medio. Los proveedores dan consejos algo distintos aquí: Anthropic sugiere poner los documentos largos arriba y la pregunta al final; OpenAI ha sugerido, para prompts de contexto largo, colocar las instrucciones clave antes y después del material. Cuando pases un prompt de documento largo de un modelo a otro, la ubicación de las instrucciones es una de las primeras cosas que conviene probar.
Funciones de razonamiento
Cada proveedor ofrece modelos o modos que razonan antes de responder, controlados mediante ajustes distintos de la API (niveles de esfuerzo, presupuestos de razonamiento). El consejo de prompting para esos modos es parecido entre proveedores: describe el objetivo y las restricciones y evita dictar el razonamiento paso a paso. Las instrucciones explícitas de "piensa paso a paso" que ayudaban a los modelos estándar suelen aportar poco en los modos de razonamiento.
Formatos de tool calling
La llamada a funciones y herramientas funciona con la misma idea en todas partes (describes las herramientas con un nombre, una descripción y parámetros en JSON Schema, y el modelo devuelve una llamada estructurada), pero los formatos de petición y de respuesta difieren. Bibliotecas y protocolos como el Model Context Protocol reducen las diferencias de implementación. La calidad de tus descripciones de herramientas se traslada por completo.
¿Cómo pruebas un prompt entre modelos?
Un método que lleva una tarde y ahorra semanas de discusión sobre qué modelo es "mejor":
- Reúne de 20 a 50 entradas reales para la tarea. Incluye las difíciles: peticiones ambiguas, información que falta, entradas muy largas, el mensaje fuera de tema.
- Anota cómo es una buena respuesta para cada una, o al menos las reglas que debe cumplir (formato válido, cita una fuente, menos de 100 palabras, dice "no encontrado" en las que no tienen respuesta).
- Ejecuta el mismo prompt en cada modelo candidato. Fija la temperatura o ejecuta cada entrada varias veces, ya que las respuestas varían entre ejecuciones.
- Puntúa según tus reglas, con código cuando sea posible (comprobaciones de formato, longitud, cadenas obligatorias) y leyendo el resto.
- Fíjate en los fallos, no en los promedios. Un modelo puede ser algo peor en promedio pero fallar con elegancia; otro puede ser mejor en promedio pero inventar datos de vez en cuando. El segundo suele ser peor para un producto real.
- Ajusta el prompt por modelo si hace falta y vuelve a ejecutarlo todo.
Conserva el conjunto de pruebas. Cuando un proveedor lance una versión nueva, vuelve a ejecutarlo antes de cambiar.
¿Un solo prompt para todos los modelos o uno por modelo?
Para un flujo de trabajo personal, un único prompt bien escrito suele bastar; las pequeñas diferencias no importan cuando lees tú mismo la respuesta.
Para un producto, prevé variantes por modelo al menos de las instrucciones de formato y longitud, y mantén compartido el contenido central (tarea, contexto, reglas, ejemplos). Guarda los prompts en control de versiones junto con los resultados de las pruebas, para que "¿por qué está esta línea?" tenga respuesta.
¿Dónde ayudan más las guías de prompting de los proveedores?
Cada proveedor importante mantiene documentación de prompt engineering para sus propios modelos: la guía de prompt engineering de OpenAI, la documentación de prompt engineering de Anthropic para Claude y las estrategias de diseño de prompts de Google para Gemini. Son gratuitas, están bastante actualizadas y están escritas desde dentro. Lee la de tu modelo objetivo antes de ajustar, porque te hablará de funciones y preferencias que ningún artículo general puede seguir, incluido este.
Si usas varios asistentes a diario, el consejo práctico es más corto: escribe prompts que tendrían sentido para un colega listo que nunca ha visto tu proyecto, y deja que las manías de cada modelo aparezcan en las pruebas y no en las suposiciones. El tema de fundamentos cubre el núcleo portable, y cómo escribir mejores prompts para ChatGPT tiene una lista que sirve para los tres.
Preguntas frecuentes
¿Los mismos prompts funcionan en ChatGPT, Claude y Gemini?
Los fundamentos sí: una tarea clara, contexto, formato y ejemplos ayudan en todos. Aun así, los resultados difieren en tono, longitud, formato y comportamiento en casos límite, así que los prompts importantes deben probarse en el modelo que vas a usar de verdad.
¿Qué modelo de IA es el mejor para prompt engineering?
No hay una respuesta permanente, porque las clasificaciones cambian con cada lanzamiento. Elige el modelo que mejor rinda en tus propios casos de prueba para tu tarea, y vuelve a comprobarlo cuando los modelos se actualicen.
¿Debo usar etiquetas XML o markdown en los prompts?
Ambos funcionan en los modelos principales. La documentación de Anthropic recomienda específicamente etiquetas de estilo XML para Claude, y son una forma clara de separar las instrucciones de los datos en cualquier modelo. Usa lo que deje los límites sin ambigüedad.
¿Por qué el mismo prompt da respuestas distintas en modelos distintos?
Los modelos difieren en los datos de entrenamiento, en el ajuste por instrucciones y en el estilo por defecto. Además muestrean al azar salvo que se configure otra cosa, así que incluso el mismo modelo puede variar entre ejecuciones.
- #ChatGPT
- #Claude
- #Gemini
- #comparar modelos
- #portabilidad de prompts