Los Mejores Prompts para Claude: Templates y Ejemplos que Funcionan

Respuesta rápida: Un prompt para Claude AI es una instrucción estructurada que define el rol del modelo, la información disponible, la tarea a realizar y el formato de la respuesta. A diferencia de ChatGPT, Claude reconoce etiquetas XML como delimitadores estructurales, lo que permite mayor claridad y precisión. La clave de un prompt efectivo radica en cuatro bloques separados: instrucciones, contexto, tarea y formato de salida.

Actualizado el 21/08/2026 — Este artículo fue actualizado con información reciente, secciones nuevas sobre cómo crear prompts paso a paso, generadores, más templates prácticos y respuestas a las preguntas más buscadas.

Los mejores prompts para Claude AI no nacen de la inspiración: siguen una estructura repetible que podés copiar, adaptar y reutilizar. Un prompt es el texto que mandás al modelo para obtener una respuesta específica. No es solo una pregunta: es una instrucción que define qué rol cumple Claude, qué información tiene disponible, qué debe hacer exactamente y cómo entregar el resultado.

Un prompt para Claude AI es la instrucción estructurada que se envía al modelo de Anthropic para obtener una respuesta concreta. Consta de cuatro bloques: instrucciones de rol, contexto, tarea y formato de salida. Claude reconoce etiquetas XML como delimitadores estructurales, procesa hasta 200.000 tokens de contexto por consulta y se ofrece en versiones diferenciadas: Haiku 4.5, Fable 5, Sonnet 4.6 y Opus 4.8.

La diferencia entre un prompt mediocre y uno que funciona se mide en iteraciones. Uno genérico te lleva cinco intentos y respuestas a medias. Uno bien armado da el resultado correcto a la primera. Esta guía reúne la estructura, los errores comunes, los templates probados y los ajustes por versión que marcan esa diferencia.

¿Cómo funciona un prompt en Claude y por qué es distinto a ChatGPT?

Claude interpreta las etiquetas XML como estructura real, no como texto decorativo. Esa es la diferencia técnica central con ChatGPT y la razón por la que un prompt de uno no rinde igual en el otro.

Claude es el modelo de IA de Anthropic. Hoy tenés cuatro opciones: Haiku 4.5 (rápido y económico, ideal para clasificación y extracción simple), Fable 5 (tareas de mediano peso con mejor costo-efectividad), Sonnet 4.6 (equilibrio entre velocidad y capacidad, recomendado para la mayoría de los casos) y Opus 4.8 (el más potente, para razonamientos complejos). Todos aceptan la misma estructura de prompt; cambia la tolerancia a la ambigüedad.

ChatGPT lee una etiqueta XML como texto adicional. Claude, en cambio, reconoce <instructions> como un delimitador que separa lo que es una regla de lo que es dato. Esto evita confusiones cuando le pasás código, transcripciones o información que podría “contaminar” las instrucciones. Por eso los prompts para Claude no son compatibles directamente con los de ChatGPT. Para profundizar en el modelo más potente, consultá nuestra guía sobre Claude Opus 4.6.

La ventana de contexto de 200.000 tokens permite meter documentos enteros sin resumir. Podés pasar un contrato de 80 páginas, un codebase completo o una conversación larga sin perder coherencia en el final. Otros modelos aceptan contextos largos técnicamente, pero pierden precisión hacia el final. Claude mantiene el hilo.

Un cambio importante en la serie 4.x: Claude ya no infiere tanto como las versiones anteriores. Antes podías ser vago y el modelo adivinaba. Ahora necesitás ser explícito. No es un defecto: es una decisión de diseño que reduce alucinaciones, pero exige prompts mejor estructurados. Para más detalle, consultá nuestra guía de Claude Sonnet 4.6.

¿Cuál es la estructura de un prompt efectivo para Claude?

Anthropic recomienda cuatro bloques independientes, separados por etiquetas XML: instrucciones, contexto, tarea y formato de salida. Ese orden y esa separación no son sugerencias: son la diferencia entre respuestas genéricas y resultados precisos. Cada bloque cumple una función específica, y esas mismas cuatro piezas son las mejores instrucciones para Claude en cualquier caso de uso: cambian los contenidos, nunca la arquitectura.

Bloque 1: Instrucciones (qué rol tiene Claude)

Definís quién es Claude para esta tarea, qué reglas sigue, qué tono usa, en qué lenguaje responde y cómo marca hallazgos importantes. Una instrucción clara no necesita ser larga: la precisión importa más que el volumen.

<instructions>Sos un revisor de código senior especializado en Python 3.11+ y FastAPI. Revisás pull requests buscando bugs lógicos, problemas de performance y violaciones de PEP 8. Respondé en español. Si encontrás un bug que puede tirar a producción, marcalo con [CRÍTICO].</instructions>

Ese prompt de cuatro líneas le dice a Claude exactamente quién es, su especialidad, el idioma y cómo priorizar. Comparalo con “revisá este código”: ahí Claude responde genérico porque no sabe qué rol cumplir ni qué buscar.

Bloque 2: Contexto (información que necesita)

Todo lo que Claude necesita para hacer bien el trabajo: documentos, código, datos, ejemplos históricos, reglas de negocio. La regla de oro es ubicar los documentos largos al principio del prompt. Claude procesa mejor la información cuando el contexto abre la consulta.

Si le pasás un documento de 15 páginas, que esas 15 páginas abran el prompt, no que cierren. Ese cambio de orden mejora de forma notable la calidad de la respuesta.

<context><codigo_actual>{código existente}</codigo_actual><especificacion>{qué debe hacer}</especificacion><historial>{intentos previos que fallaron}</historial></context>

El nombre del tag no importa: <documento>, <datos> o <entrada> funcionan igual. Lo importante es que Claude vea una delimitación clara. Los tags anidados permiten armar jerarquías dentro de tu información.

Bloque 3: Tarea (qué tiene que hacer)

Qué querés que haga, específicamente. La claridad de la tarea separa un prompt que funciona de uno que falla. “Revisá este código” es débil. “Revisá este endpoint de FastAPI buscando inyección SQL, manejo incorrecto de excepciones y usos incorrectos de async/await” es un prompt que funciona.

Cuanto más específica la tarea, mejor. No “escribí algo sobre Python”, sino “escribí una guía práctica de decorators en Python 3.11 para desarrolladores junior que vienen de Java, 2000 palabras, tono conversacional, con ejemplos copy-paste y resumen de tres párrafos al inicio”.

Bloque 4: Formato de salida (cómo querés la respuesta)

Especificá cómo querés la respuesta: JSON, markdown, tabla, lista numerada o prosa. Si no lo definís, Claude elige por vos.

Un tip exclusivo de Claude: podés “pre-llenar” la respuesta del asistente con el inicio del formato deseado. Si querés JSON, arrancá el campo de respuesta con { y Claude continúa desde ahí. ChatGPT y Gemini no permiten eso de forma nativa.

¿Cómo hacer un prompt para Claude paso a paso?

Para hacer un prompt para Claude escribí los cuatro bloques con etiquetas XML, cargalo con contexto real, ejecutalo y corregí un solo elemento por iteración. Un prompt productivo toma entre 15 y 30 minutos de ajustes, y después lo reutilizás cientos de veces.

• Paso 1 — Definí rol y tarea en una frase: Antes de escribir, articulá “quiero que Claude actúe como [rol] y haga [tarea] con [material]”. Si no sale en una oración, la tarea todavía está difusa.
• Paso 2 — Armá el esqueleto de cuatro etiquetas: Abrí <instructions>, <context>, <task> y <output_format>. Ese molde sirve para cualquier caso de uso.
• Paso 3 — Cargá contexto real, no descripciones: Pegá el documento, el código o los datos completos. Decir “un informe de ventas” no sirve; el informe sí.
• Paso 4 — Especificá el formato de salida: JSON, tabla, lista o prosa. Si no lo definís, Claude decide por vos y probablemente elija distinto a lo que necesitás.
• Paso 5 — Ejecutá y anotá el fallo específico: No “la respuesta es mala”, sino “incluyó recomendaciones que no pedí” o “el tono es demasiado técnico para mi audiencia”.
• Paso 6 — Cambiá UN elemento por iteración: Rol, formato, orden del contexto o ejemplos. Si modificás todo junto, nunca sabés qué cambio funcionó.
• Paso 7 — Testeá con casos borde y sumá guardrails: Probá con datos distintos y agregá reglas del tipo “si sucede X, entonces no hagas Y”.

Un ejemplo rápido de iteración. Prompt inicial: “Revisá este código y decime si está bien”. Resultado: una lista genérica de observaciones. Problema detectado: Claude no sabe qué criterios aplicar. Corrección: rol de reviewer senior, criterios explícitos (bugs lógicos, seguridad OWASP, performance) y formato de hallazgos por severidad. Segunda ejecución: hallazgos accionables y ordenados. Tres minutos de ajuste, diferencia completa en el resultado.

Si Claude a veces acierta y a veces no, el problema casi siempre es falta de ejemplos. Agregá dos o tres ejemplos anidados en XML con la entrada y la salida esperada. Los ejemplos enseñan mejor que cualquier descripción textual.

Errores comunes al escribir prompts para Claude

Seis errores concentran la mayoría de los malos resultados: mezclar instrucciones con contexto, desordenar la información, ser vago, omitir el rol, copiar prompts de ChatGPT sin adaptarlos e ignorar el peso del orden. Identificarlos te ahorra semanas de iteraciones fallidas.

Error 1: No separar instrucciones de contexto

Qué pasa: Juntás la instrucción con el contenido en un solo párrafo. Claude confunde qué es una regla y qué es dato.

Cómo arreglarlo: Usá etiquetas XML. Instrucciones en <instructions>, contenido en <context>. La separación elimina la ambigüedad.

Error 2: Contexto sin orden

Qué pasa: Documentos largos al final del prompt. Claude los procesa, pero con menos atención que si estuvieran primero.

Cómo arreglarlo: Contexto primero, instrucciones después. Ese cambio de orden mejora la calidad de forma inmediata.

Error 3: Instrucciones vagas

Qué pasa: “Escribí algo interesante sobre Python”. Claude tiene libertad total y elige un ángulo que quizás no es el que necesitabas.

Cómo arreglarlo: Especificá ángulo, largo, tono y audiencia. “Guía práctica de decorators para juniors, 2000 palabras, tono conversacional, ejemplos copy-paste” deja poco margen de error.

Error 4: No definir el rol de Claude

Qué pasa: Claude responde como asistente genérico en vez de como el especialista que necesitabas.

Cómo arreglarlo: Arrancá con “Sos un [rol específico]”. “Sos un auditor de seguridad con 15 años de experiencia en inyección SQL”. El tono y la profundidad cambian solos.

Error 5: Copiar prompts de ChatGPT sin adaptar

Qué pasa: Los prompts que funcionan en ChatGPT no siempre rinden en Claude. ChatGPT infiere más contexto implícito; Claude pide instrucciones más explícitas.

Cómo arreglarlo: Explicitá lo que antes era implícito. Sumá ejemplos, detallá casos borde y especificá qué NO querés que haga.

Error 6: Ignorar el orden de los tokens

Qué pasa: Asumís que todos los tokens del prompt pesan igual. No es así: Claude prioriza el inicio.

Cómo arreglarlo: Ordená el contexto por importancia. Los datos críticos van primero; los detalles secundarios, después.

Técnicas avanzadas: etiquetas XML, extended thinking y encadenamiento de prompts

Tres técnicas rinden por encima del resto cuando ya dominás la estructura básica: etiquetas XML personalizadas, extended thinking para razonamiento profundo y encadenamiento de prompts para tareas multi-paso. Las etiquetas XML son la herramienta más subutilizada: no son decorativas, cambian cómo el modelo interpreta tu prompt.

Etiquetas XML personalizadas para control fino

Podés usar cualquier nombre de tag que tenga sentido: <documento>, <reglas>, <ejemplo>, <entrada>, <salida_esperada>. Claude entiende tags descriptivos sin necesidad de un esquema predefinido.

<ejemplos><ejemplo><entrada>Texto del usuario</entrada><salida>Respuesta esperada</salida></ejemplo></ejemplos>

Cuando necesitás un formato exacto, incluí varios ejemplos anidados así. Claude aprende del patrón mejor que de una descripción. Es la diferencia entre decir “devolvé JSON” y mostrarle tres ejemplos de JSON válido con la estructura exacta que necesitás.

Extended thinking (pensamiento extendido)

Al activar el pensamiento extendido vía API, Claude genera un bloque de razonamiento interno antes de responder. La mejora es notable en matemáticas, lógica formal, problemas multi-paso y debugging complejo.

El trade-off: consume más tokens y tarda más. No lo necesitás para redactar un email. Para resolver un bug sutil o analizar un argumento lógico denso, la ganancia en precisión justifica el costo extra.

Encadenamiento de prompts (prompt chaining)

En vez de pedirle todo en un prompt monstruoso, dividís la tarea en pasos. Primero analizá. Tomás esa salida como contexto del segundo prompt, donde propone soluciones. En un tercero, implementa la mejor. Cada paso es más simple y los resultados mejoran.

Ejemplo real: En lugar de un único prompt “analizá este paper de ML, extraé conclusiones y proponé aplicaciones”, hacés tres: (1) “resumí los hallazgos”, (2) “¿a qué industrias se aplican?”, (3) “¿cómo lo implementarías en mi caso?”. Cada uno usa el output del anterior como contexto. El resultado es más coherente y específico.

Cuando llevás estas cadenas a producción con la API, necesitás un servidor donde ejecutarlas. Para proyectos alojados en Argentina, los planes de hosting de Donweb cubren ese escenario con buen rendimiento local.

Los mejores templates de prompts para Claude AI listos para copiar

Estos seis templates de prompts para Claude AI están probados en producción. Reemplazá las variables entre llaves con tu contenido y ajustá tono o formato según tu caso. Cubren desarrollo, análisis y redacción, los tres usos más frecuentes.

Template: Generación de código robusto

<instructions>Sos un desarrollador senior en {LENGUAJE} {VERSIÓN}. Usás {FRAMEWORK} y seguís las convenciones del proyecto. Escribís código listo para producción. No hacés suposiciones: preguntás si algo es ambiguo.</instructions><context><codigo_existente>{CÓDIGO_O_SPECS}</codigo_existente><requisitos>{QUÉ_TIENE_QUE_HACER}</requisitos><restricciones>{LÍMITES_DE_PERFORMANCE_O_MEMORIA}</restricciones></context><task>Escribí {DESCRIPCIÓN}. Debe manejar estos casos borde: {CASOS_BORDE}. Incluí type hints, docstrings y logging.</task><output_format>Código listo para copiar. Decisiones de diseño como comentarios en línea.</output_format>

Template: Debugging (encontrar la causa raíz)

<instructions>Sos un debugger experto. Tu trabajo es encontrar la causa raíz, no poner parches. Sé escéptico de lo obvio.</instructions><context><codigo>{CÓDIGO_CON_BUG}</codigo><error>{MENSAJE_COMPLETO_O_COMPORTAMIENTO}</error><environment>{SO_VERSIONES_DEPENDENCIAS}</environment><pasos_reproduccion>{EXACTAMENTE_CÓMO_OCURRE}</pasos_reproduccion></context><task>Encontrá la causa raíz. Explicá por qué ocurre. Propone la corrección mínima.</task><output_format>Explicación en párrafos cortos, código corregido y por qué esa solución.</output_format>

Template: Code review profesional

<instructions>Sos el reviewer más exigente del equipo. Buscás bugs lógicos, vulnerabilidades del OWASP Top 10, problemas de performance, violaciones de convenciones y edge cases sin manejar.</instructions><context><codigo>{CÓDIGO_A_REVISAR}</codigo><normas>{CONVENCIONES_DEL_PROYECTO}</normas><cambios_anteriores>{VERSIÓN_ANTERIOR}</cambios_anteriores></context><task>Revisá el código. Reportá solo hallazgos reales, no sugerencias cosméticas.</task><output_format>Hallazgos por severidad: descripción en una línea, por qué es problema y solución concreta.</output_format>

Template: Redacción por secciones

<instructions>Sos un redactor especializado en {NICHO}. Tono: {TONO}. Audiencia: {AUDIENCIA}. Largo: {CANTIDAD_DE_PALABRAS}. Escribís directo, sin relleno.</instructions><context><datos>{FUENTES_DE_INFORMACIÓN}</datos><estilo>{EJEMPLOS_DE_POSTS_ANTERIORES}</estilo><briefing>{ÁNGULO_Y_PUNTOS_CLAVE}</briefing></context><task>Escribí la sección "{NOMBRE}" sobre {TEMA}. Abrí con un párrafo que responda completo y después desarrollá.</task><output_format>Prosa lista para publicar. Párrafos de máximo cuatro oraciones.</output_format>

Template: Resumen ejecutivo de documentos largos

<instructions>Sos un analista senior. Resumís documentos extensos sin perder datos críticos. No agregás nada que no esté en el texto.</instructions><context><documento>{DOCUMENTO_COMPLETO}</documento><audiencia>{QUIÉN_LO_LEE_Y_PARA_QUÉ}</audiencia></context><task>Resumí el documento en {N} puntos. Destacá decisiones, cifras y fechas. Marcá con [ATENCIÓN] riesgos o compromisos mencionados.</task><output_format>Lista numerada, máximo dos líneas por punto. Cerrá con un párrafo de tres oraciones con la conclusión principal.</output_format>

Template: Extracción de datos a JSON

<instructions>Sos un extractor de datos. Devolvés únicamente JSON válido, sin texto alrededor ni explicaciones.</instructions><context><texto>{TEXTO_FUENTE}</texto><campos>{LISTA_DE_CAMPOS_REQUERIDOS}</campos></context><ejemplos><ejemplo><entrada>Factura Nº 1234 del 12/03/2026, total $45.000</entrada><salida>{"numero":"1234","fecha":"2026-03-12","total":45000}</salida></ejemplo></ejemplos><task>Extraé los campos pedidos del texto. Si un dato no existe, usá null. No inventes valores.</task><output_format>Solo el JSON, sin markdown ni comentarios.</output_format>

Prompts para programar con Claude: ejemplos que funcionan en producción

En programación, el detalle del contexto define el resultado. Un tip que marca diferencia: especificá siempre la versión exacta del lenguaje y el framework. “Python” no es lo mismo que “Python 3.11 con Pydantic v2 y SQLAlchemy 2.0”. Claude ajusta la respuesta a la API correcta de cada versión. Para ver el modelo aplicado a oficina y planillas, consultá nuestra guía de Claude para Excel y PowerPoint.

Ejemplo real: Debugging de FastAPI con traceback

Pasaste a Claude un error TypeError: 'NoneType' object is not subscriptable en una función de FastAPI que procesaba respuestas de una API externa. El prompt incluía: traceback completo, función problemática, schema de respuesta esperado y contexto de cómo se llamaba esa función. Claude identificó que el error ocurría cuando la API devolvía 204 No Content (body vacío) y faltaba un chequeo de response.json(). No sugirió un try/except genérico: propuso validar el status code primero, que era la solución correcta.

La diferencia entre ese resultado y uno mediocre fue incluir el contexto completo. Los detalles permiten a Claude ver la causa raíz, no solo el síntoma.

Ejemplo real: Optimización de query SQL PostgreSQL

<instructions>Sos un especialista en optimización de PostgreSQL 14+. Buscás problemas de índices, queries ineficientes y bloqueos. Proponés soluciones concretas.</instructions><context><query>{TU_QUERY_LENTA}</query><explain_analyze>{OUTPUT_DE_EXPLAIN_ANALYZE}</explain_analyze><esquema>{TABLAS_E_ÍNDICES}</esquema><volumen>{CANTIDAD_DE_FILAS}</volumen></context><task>¿Por qué es lenta? ¿Qué índices faltan? ¿Hay forma de reescribirla sin cambiar la lógica?</task>

La clave acá es pasar el EXPLAIN ANALYZE real. Claude ve el plan de ejecución y detecta dónde está el scan secuencial innecesario. Sin ese output, solo puede especular.

¿Qué versión de Claude conviene para cada tipo de prompt?

Depende de la tarea: Haiku 4.5 para clasificación simple, Fable 5 para tareas medias con mejor costo, Sonnet 4.6 para uso general y Opus 4.8 para razonamiento complejo. La estructura del prompt es la misma en los cuatro; cambia cuánta ambigüedad tolera cada modelo y cuánto detalle necesitás incluir.

Versión	Ideal para	Costo relativo	Clave en sus prompts
Haiku 4.5	Clasificación y extracción simple	El más bajo	Instrucciones ultra explícitas y ejemplos obligatorios
Fable 5	Tareas de mediano peso	Mejor costo-efectividad	Estructura estándar de cuatro bloques
Sonnet 4.6	Uso general: redacción, análisis, debugging	Medio	Estructura clara; tolera cierta ambigüedad
Opus 4.8	Razonamiento complejo multi-paso	El más alto	Prompts intrincados y extended thinking

Claude Haiku 4.5: rápido, económico, requiere prompts ultra claros

Es el más barato de los cuatro. Rinde en clasificación, extracción de datos y consultas simples. Así ajustás sus prompts:

• Sé extremadamente específico: Haiku maneja menos contexto implícito. Explicitá hasta lo obvio.
• Ejemplos obligatorios: Si esperás un formato exacto, Haiku necesita 2 o más ejemplos anidados. No deduce formatos: sigue patrones.
• Tareas simples, un solo prompt: Evitá el chaining si no es necesario. Rinde mejor en tareas puntuales.
• Contexto breve: Es económico pero menos capaz con contextos muy largos. Resumí si tenés que pasar muchos documentos.

Claude Fable 5: tareas de mediano peso con mejor costo-efectividad

Fable 5 es el modelo más nuevo de Anthropic, orientado a tareas de mediano peso donde la relación entre costo y resultado importa. Así ajustás sus prompts:

• Usá la estructura estándar de cuatro bloques: Fable 5 responde bien al molde instructions-context-task-output_format sin cambios especiales.
• Sumá ejemplos en tareas de formato: Como en Haiku, los ejemplos anidados aseguran consistencia en salidas estructuradas.
• Ideal para volumen: Redacción de secciones, análisis livianos y transformaciones de datos en cantidad.
• Compará contra Sonnet antes de decidir: Si la tarea no exige razonamiento profundo, Fable 5 suele cubrirla a menor costo.

Claude Sonnet 4.6: equilibrio recomendado para la mayoría

Equilibra velocidad y capacidad a costo medio. Es la opción por defecto para redacción, análisis, debugging y tareas de mediana complejidad. Así ajustás sus prompts:

• Claros, no ultra-específicos: Sonnet tolera cierto grado de ambigüedad y la resuelve bien. Más flexible que Haiku.
• Contextos largos sin problema: Maneja documentos extensos sin perder precisión.
• Ejemplos útiles, no obligatorios: Puede deducir un formato desde una descripción textual.
• Chaining fluido: Si tu problema es multi-paso, Sonnet lo maneja sin fricción.

Claude Opus 4.8: para razonamientos complejos

Es el más potente y el más caro. Brilla en razonamiento multi-paso, problemas difíciles y análisis profundo. Así ajustás sus prompts:

• Acepta prompts complejos: Tolera instrucciones intrincadas y contextos confusos mejor que sus hermanos.
• Extended thinking vale la pena: Activalo para problemas de razonamiento genuinamente difíciles.
• Múltiples documentos largos: Es la opción cuando pasás varios documentos extensos que requieren análisis cruzado.
• Chaining avanzado: Para aplicaciones con múltiples llamadas y lógica compleja, es el más confiable.

Generadores de prompts para Claude: cuáles sirven y cuáles no

Los generadores de prompts para Claude que valen la pena son los oficiales de Anthropic: el generador integrado en la consola de desarrolladores y la Prompt Library. La mayoría de los generadores de terceros produce plantillas genéricas que después terminás reescribiendo desde cero.

Herramientas oficiales de Anthropic

• Generador de prompts de la consola: Disponible en la consola de desarrolladores. Describís tu tarea y devuelve un borrador estructurado con etiquetas XML. Después lo refinás vos. Es el atajo más directo si no tenés experiencia en prompt engineering.
• Prompt Library (documentación oficial): Biblioteca curada de templates probados para casos comunes. No genera nada: te da ejemplos que ya funcionan para adaptar.
• Claude API Cookbook: Repositorio oficial en GitHub con ejemplos de código y prompts. Casos de uso reales, actualizado periódicamente.
• Claude.ai (web): Interfaz gratuita para experimentar sin API. No es un generador, pero es donde probás antes de llevar el prompt a producción.

Herramientas de terceros

• Comunidades (Reddit, Discord): Comparten ejemplos probados por otros usuarios. Útil para encontrar templates reales, no automáticos.
• LangChain / PromptFlow: Frameworks para estructurar y versionar prompts complejos en código. No generan prompts, pero ordenan su gestión en proyectos grandes.
• Cuidado con los “generadores de prompts” genéricos: La mayoría es marketing. Devuelven plantillas vagas que rara vez superan lo que escribís vos en cinco minutos.

Recomendación práctica: Arrancá con el generador de la consola o con la Prompt Library. Modificá el resultado según tu caso. Escribir un prompt desde cero toma 10 o 15 minutos; el valor real está en iterarlo, no en generarlo.

Claude Skills: instrucciones persistentes sin repetir prompts

Claude Skills, en beta pública desde julio de 2026, guarda instrucciones, ejemplos y contexto en un skill reutilizable. En vez de repetir el prompt completo en cada conversación, invocás el skill y el comportamiento persiste. Se crea y comparte desde Claude.com sin escribir código.

Cómo funciona: Entrenás un skill con instrucciones específicas, ejemplos y contexto. Después, en cada conversación nueva, le pedís a Claude “usa mi skill X” y aplica todas esas instrucciones sin que tengas que volver a escribirlas.

Cuándo conviene:

• Flujos repetitivos: Informes periódicos, debugging de un stack específico o análisis de datos con proceso fijo.
• Equipos: Varios usuarios necesitan el mismo comportamiento sin compartir prompts sueltos.
• Formatos estrictos: Cuando la salida tiene que ser idéntica en estructura cada vez.

Un matiz importante: armar un buen skill exige lo mismo que armar un buen prompt. Rol claro, contexto ordenado, ejemplos concretos. El skill no reemplaza la estructura: la conserva para que no la repitas manualmente en cada sesión.

¿Cuáles son los mejores prompts para Claude según tu objetivo?

Los mejores prompts para Claude comparten la misma estructura de cuatro bloques, pero cambian de énfasis según el objetivo. Esta tabla resume qué template usar y qué elemento pesa más en cada caso:

Objetivo	Template recomendado	Elemento crítico
Encontrar un bug	Debugging	Error completo + entorno + pasos de reproducción
Escribir código nuevo	Generación de código robusto	Versión exacta de lenguaje y framework
Revisar código de terceros	Code review profesional	Rol exigente + criterios OWASP
Resumir documentos largos	Resumen ejecutivo	Documento primero, instrucciones después
Redactar contenido	Redacción por secciones	Audiencia + tono + largo definidos
Extraer datos estructurados	Extracción a JSON	Ejemplos del formato exacto

Si recién empezás, elegí un solo template, ejecutalo con tu caso real e iterá siguiendo los siete pasos de la sección anterior. En menos de media hora tenés un prompt propio, probado y reutilizable.

Preguntas frecuentes sobre prompts para Claude AI

¿Qué es un prompt para Claude AI?

Es la instrucción estructurada que enviás al modelo de Anthropic para obtener una respuesta concreta. Define cuatro bloques: rol, contexto, tarea y formato de salida, idealmente separados con etiquetas XML.

¿Cómo hacer un buen prompt para Claude?

Definí el rol, cargá el contexto completo al inicio, especificá la tarea sin ambigüedades y cerrá con el formato de salida exacto. Después iterá cambiando un solo elemento por prueba.

¿Los prompts de ChatGPT funcionan en Claude?

No directamente. Claude exige instrucciones más explícitas y aprovecha etiquetas XML que ChatGPT trata como texto plano. Adaptá el prompt sumando ejemplos y explicitando lo que antes quedaba implícito.

¿Qué etiquetas XML entiende Claude?

Cualquier etiqueta descriptiva: no hay esquema obligatorio. Las habituales son <instructions>, <context>, <task> y <output_format>, y podés crear tags propios como <documento> o <ejemplo>.

¿Cuál es la mejor versión de Claude para prompts complejos?

Opus 4.8. Tolera instrucciones intrincadas, contextos largos y múltiples documentos, y rinde aún más con extended thinking activado.

¿Conviene usar un generador de prompts para Claude?

Los oficiales sí: el generador de la consola de Anthropic y la Prompt Library ahorran tiempo real. Los generadores genéricos de terceros suelen devolver plantillas vagas que terminás reescribiendo.

¿Cuánto contexto acepta un prompt en Claude?

Hasta 200.000 tokens por consulta: suficiente para documentos de decenas de páginas o codebases completos. Ubicá el material extenso al inicio del prompt para maximizar la precisión.

¿Qué es extended thinking y cuándo conviene activarlo?

Es un modo que genera razonamiento interno antes de responder. Conviene en matemática, lógica formal, problemas multi-paso y debugging complejo. No hace falta para redactar un email o clasificar datos simples.