El metaprompting es hacer prompts sobre prompts: en lugar de pedirle a un modelo que haga una tarea, le pides que escriba el prompt para esa tarea, que mejore un prompt que ya tienes o que divida la tarea en prompts más pequeños que ejecutarán otras llamadas al modelo. Los dos primeros son trucos cotidianos que funcionan en ChatGPT, Claude y Gemini. El tercero es una técnica que viene de la investigación, en la que una instancia del modelo hace de director para varias otras.
Los tres se apoyan en el mismo hecho: los modelos actuales han visto muchísimo texto sobre cómo dar instrucciones a modelos, así que se les da bien detectar lo que le falta a un prompt. Y se les da igual de bien rellenar esos huecos con suposiciones, que es lo principal de lo que hay que protegerse.
Pídele al modelo que escriba el prompt
La forma más floja de generar un prompt es "escríbeme un prompt para X". El modelo no sabe nada de tu X, así que escribe un prompt genérico para la versión promedio del trabajo. La solución es hacer que pregunte primero. Las preguntas obligan a sacar a la luz el contexto que falta, y tus respuestas se convierten en la sustancia del prompt.
- ¿Quién lee el correo: solo las personas que estuvieron en la reunión o también jefes y otros equipos?
- ¿Qué debe incluir siempre el resumen? Por ejemplo, las decisiones tomadas, las tareas con responsable y fecha límite y las preguntas abiertas.
- ¿Qué extensión debe tener y prefieres viñetas o párrafos cortos?
- ¿Qué tono usa tu equipo en los correos: formal, neutro o informal?
- ¿Hay algo que nunca deba aparecer, como conversaciones al margen, comentarios personales o cifras confidenciales?
Responde las preguntas en un solo mensaje y obtendrás un prompt que contiene tus decisiones y no las opciones por defecto del modelo. Guárdalo: un prompt con marcadores es una plantilla de prompt que puedes usar cada semana.
Mejora un prompt que ya tienes
"Mejora este prompt" es uno de los metaprompts más comunes, y su fallo típico se ve en la primera pestaña de abajo. El modelo alarga el prompt y lo hace sonar más seguro inventando detalles: un público, un número de palabras, una llamada a la acción. Cada invento es verosímil, y cada uno es una decisión que tú no tomaste. La segunda pestaña le da al modelo reglas para la reescritura.
Aquí tienes una versión mejorada de tu prompt:
"Eres un redactor y editor de contenidos experto, con años de experiencia en publicaciones digitales. Resume el siguiente artículo para mi newsletter, que leen profesionales ocupados del sector tecnológico. Escribe un resumen atractivo de 150 a 200 palabras con un tono cercano pero profesional. Empieza con un gancho, destaca las tres ideas más importantes y termina con una llamada a la acción que anime a leer el artículo completo."
Esta versión añade un rol, un público, una extensión, un tono y una estructura clara, lo que te dará resúmenes más enfocados y útiles.
La primera respuesta no está mal; es presuntuosa: si tu newsletter es para aficionados a la jardinería, "profesionales ocupados del sector tecnológico" orientará sin que te des cuenta cada resumen. La segunda respuesta hace menos y te deja a ti las decisiones que importan. Los marcadores también te muestran qué contexto le faltaba a tu prompt original, algo útil aunque tires la reescritura.
Revisa un prompt generado antes de fiarte de él
Un prompt escrito por un modelo se lee bien, y eso hace que sus problemas pasen desapercibidos. Busca esto antes de usarlo:
- Requisitos inventados. Cualquier extensión, público, tono o regla que no pediste. Bórralo o sustitúyelo por tu respuesta real.
- Un rol genérico. "Eres un experto de primer nivel" añade longitud y poco más. Un rol ayuda cuando nombra al público y el estándar; consulta prompting de rol.
- Repetición. Los prompts generados suelen decir la misma instrucción de tres maneras. Una frase clara funciona igual y deja menos espacio a las contradicciones.
- Ninguna prueba. Leer un prompt dice poco sobre sus resultados. Ejecútalo con tres o cuatro entradas reales, incluida una difícil, y compara las salidas con lo que producía tu prompt anterior. Iterar sobre prompts explica cómo hacerlo sin engañarte.
Un modelo también puede ayudarte a diagnosticar un prompt que falló. Cuando un prompt dé un mal resultado, pega el prompt, la entrada y la salida mala, y pregunta: "¿Qué parte de este prompt es la causa más probable de esta salida? Sugiere el cambio más pequeño que lo arreglaría". Un diagnóstico concreto es más útil que una reescritura completa, porque aprendes qué instrucción tuvo la culpa.
El método del director (Suzgun y Kalai, 2024)
En la investigación, "meta-prompting" también es el nombre de un método concreto del artículo de Suzgun y Kalai de 2024, "Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding". Una instancia del modelo, el director, recibe la tarea junto con instrucciones generales fijas que son las mismas para cualquier tarea. Divide la tarea en partes y, para cada parte, escribe un prompt para un "experto": una llamada nueva al mismo modelo, con instrucciones que el director escribió para esa parte. Los expertos solo ven lo que el director les envía, no todo el historial, así que revisan el trabajo con ojos nuevos. El director lee sus respuestas, pide verificación cuando duda de una y arma la respuesta final. En algunos experimentos, uno de los expertos podía ejecutar código Python.
Los autores lo probaron con GPT-4 en una mezcla de tareas, entre ellas el acertijo del Juego del 24, encontrar un jaque mate en una jugada de ajedrez, acertijos de programación en Python y escribir sonetos. En promedio sobre todas las tareas, la configuración del director con un intérprete de Python superó al prompting estándar y a los demás andamiajes de prompting con los que lo compararon.
Esto es un programa, no un solo mensaje de chat: cada llamada a un experto es una petición aparte que hace tu código, igual que el encadenamiento de prompts pasa salidas entre pasos. La diferencia es que en una cadena diseñas los pasos de antemano, mientras que el director los decide en tiempo de ejecución. Esa flexibilidad cuesta más llamadas y es más difícil de depurar, así que para una tarea cuyos pasos ya conoces, una cadena fija suele ser la mejor opción.
Preguntas frecuentes
¿Qué es el metaprompting?
El metaprompting consiste en usar un modelo de lenguaje para trabajar sobre prompts en lugar de sobre la tarea en sí: pedirle que escriba un prompt, que reescriba uno para obtener mejores resultados o que divida una tarea en subprompts para otras llamadas al modelo. Este último sentido es el método del artículo de Suzgun y Kalai de 2024, "Meta-Prompting", en el que una llamada al modelo coordina nuevas llamadas al mismo modelo.
¿Cuál es un buen prompt para que ChatGPT escriba prompts?
Describe el trabajo para el que es el prompt y pídele al modelo que te haga preguntas antes de escribir nada: "Antes de escribir el prompt, hazme hasta cinco preguntas sobre lo que necesitas saber". Respóndelas y pide el prompt final en un bloque de código con marcadores para las partes que cambian cada vez. Las preguntas son lo que más valor aporta, porque sacan a la luz el contexto que olvidaste dar.
¿Los prompts generados por IA son mejores que los que escribo yo?
Suelen estar mejor organizados y ser más completos, y suelen ser más largos de lo necesario. Un modelo no puede conocer tu público, tus datos ni tus estándares, así que un prompt generado rellena esos huecos con suposiciones verosímiles. Trátalo como un borrador: quita todo lo que no pediste y luego pruébalo con entradas reales.
¿Por qué el modelo añade "Eres un experto" a cada prompt que mejora?
Probablemente porque muchísimos prompts publicados empiezan así, y el modelo lo toma como parte de cómo es un prompt mejorado. Un rol genérico de experto rara vez cambia mucho; uno concreto que nombra al público y el estándar, sí. Cuando pidas una mejora, di qué tipo de añadidos quieres y dile que no añada requisitos que no hayas indicado.
