Los Mejores Prompts para Claude: Templates y Ejemplos que Funcionan

Respuesta rápida: Un prompt para Claude 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 una mayor claridad y precisión. La clave de un prompt efectivo para Claude radica en una estructura clara con cuatro bloques: instrucciones, contexto, tarea y formato de salida.

Actualizado el 05/08/2026 — Este artículo fue actualizado con información reciente, secciones nuevas sobre generadores de prompts, más ejemplos prácticos y respuestas a las preguntas más comunes en búsqueda.

Un prompt para Claude es el texto que mandás al modelo para obtener una respuesta específica. No es solo una pregunta — es una instrucción estructurada que define qué rol tiene Claude, qué información tiene disponible, qué debe hacer exactamente y cómo debe entregar la respuesta. La diferencia entre un prompt mediocre y uno que funciona es la diferencia entre una respuesta genérica que necesita 5 iteraciones y una respuesta exacta a la primera. Para más detalles, consultá nuestra Claude para Excel y PowerPoint en la oficina.

Un prompt efectivo para Claude tiene cuatro componentes clave: instrucciones claras sobre qué rol cumple Claude, contexto con toda la información que necesita, la tarea específica a realizar y el formato exacto en que querés la respuesta. Claude procesa mejor cuando ese orden se respeta y cada bloque está separado con etiquetas XML. Sin esa estructura, el modelo elige una interpretación genérica y necesitás múltiples intentos para ajustar.

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

Claude es el modelo de IA de Anthropic. Tenés tres versiones: Haiku 4.5 (rápido y económico, mejor para tareas simples como clasificación), Sonnet 4.6 (equilibrio entre velocidad y capacidad, recomendado para la mayoría de casos) y Opus 4.8 (el más potente, para razonamientos complejos). La diferencia clave con ChatGPT y Gemini no es poder bruto sino cómo interpretan las instrucciones.

ChatGPT lee una etiqueta XML como texto adicional. Claude, en cambio, reconoce <instructions> como un delimitador estructural que separa lo que es una regla de lo que es contexto. Esto evita confusiones cuando le pasás código, transcripciones o datos que podrían “contaminar” las instrucciones si no estuvieran claramente delimitados. Por eso los prompts para Claude se ven distintos — no son compatibles directamente con prompts de ChatGPT. Para más detalles, consultá nuestra guía sobre Claude Opus 4.6.

La ventana de contexto de 200.000 tokens de Claude permite meter documentos enteros sin resumir. Eso significa que 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 — Claude mantiene el hilo.

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

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

Anthropic recomienda una estructura de cuatro bloques independientes, separados por etiquetas XML. Ese orden y esa separación no son sugerencias — son la diferencia entre respuestas genéricas y resultados excepcionales. Cada bloque cumple una función específica.

Bloque 1: Instrucciones (qué rol tiene Claude)

Definís quién es Claude para esta tarea, qué reglas debe seguir, qué tono usar, qué lenguaje, y cómo marcar hallazgos importantes. Una instrucción clara no requiere 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 4 líneas le dice a Claude exactamente quién es, su expertise, qué lenguaje usar y cómo priorizar hallazgos. Comparalo con “revisá este código” — 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 documentos largos al principio del prompt. Claude procesa mejor la información cuando el contexto viene primero.

Si le pasás un documento de 15 páginas, que las 15 páginas abran el prompt. No que estén al final. Ese cambio de orden mejora significativamente 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>, <entrada> funcionan igual. Lo importante es que Claude vea una delimitación clara. Los tags anidados permiten una estructura jerárquica de tu información.

Bloque 3: Tarea (qué tiene que hacer)

Qué querés que haga, específicamente. La diferencia entre un prompt que funciona y uno que falla es la claridad de la tarea. “Revisá este código” es débil. “Revisá este endpoint de FastAPI buscando vulnerabilidades de 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 3 párrafos al inicio”.

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

Especificá cómo querés que te devuelva la respuesta: JSON, markdown, tabla, lista numerada, prosa. Si no lo especificás, Claude elige por vos.

Un tip exclusivo de Claude: podés “pre-llenar” la respuesta del asistente con el inicio del formato deseado. Por ejemplo, si querés JSON, empezá el campo de respuesta con { y Claude continuará desde ahí. ChatGPT y Gemini no permiten eso nativamente.

Errores comunes al escribir prompts para Claude

Estos errores degradan la calidad de los resultados. Identificarlos te ahorra semanas de iteraciones fallidas.

Error 1: No separar instrucciones de contexto

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

Cómo arreglarlo: Usá etiquetas XML para separar. Instrucciones en <instructions>, contenido en <context>. Esa separación evita ambigüedades.

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 notablemente la calidad.

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. “Escribí una guía práctica de decorators para desarrolladores junior, 2000 palabras, tono conversacional, ejemplos copy-paste” da menos margen para error.

Error 4: No definir el rol de Claude

Qué pasa: Claude responde como asistente genérico en vez de como la persona especializada que necesitabas.

Cómo arreglarlo: Empezá con “Sos un [rol específico]”. “Sos un auditor de seguridad con 15 años de experiencia en inyección SQL”. Eso cambia el tono y profundidad automáticamente.

Error 5: Copiar prompts de ChatGPT sin adaptar

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

Cómo arreglarlo: Explicita lo que antes era implícito. Agrega ejemplos, detalla edge cases, especifica qué NO querés que haga Claude.

Error 6: Ignorar el orden de tokens

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

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

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

Las etiquetas XML son la herramienta más subutilizada para optimizar Claude. 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 seguir 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 textual. Es la diferencia entre “devolvé JSON” y mostrarle 3 ejemplos de JSON válido con la estructura exacta que necesitás.

Extended thinking (pensamiento extendido)

Cuando activás el pensamiento extendido a través de la API, Claude genera un bloque de razonamiento interno antes de responder. Esto mejora notablemente los resultados en matemáticas, lógica formal, problemas multi-paso y debugging complejo.

El trade-off es que consume más tokens y tarda más en llegar. No lo necesitás para redactar un email, pero para resolver un bug sutil o analizar un argumento lógico complejo, la mejora en precisión es notable.

Encadenamiento de prompts (prompt chaining)

En vez de pedirle a Claude que haga todo en un solo prompt monstruoso, dividís la tarea en pasos. Primero le pedís que analice. 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 vez de un único prompt “Analiza este paper de ML, extrae conclusiones, propone aplicaciones prácticas”, hacés tres prompts: (1) “Resumí los hallazgos”, (2) “¿A qué industrias se aplican?”, (3) “¿Cómo las implementarías en [tu caso]?”. Cada uno usa el output del anterior como contexto. El resultado es más coherente y específico.

Cómo crear y mejorar un prompt paso a paso

La mayoría de usuarios escribe un prompt una sola vez y espera que funcione. La realidad es que incluso buenos prompts necesitan iteración. Acá está el método que funciona en producción.

Paso 1: Escribí un prompt inicial básico

No necesita ser perfecto. Incluye instrucción, contexto y tarea. Ejecutalo y observá el output. ¿Qué salió bien? ¿Qué no? Tomá nota específica — no “la respuesta no es buena”, sino “Claude incluyó recomendaciones que no pedí”.

Paso 2: Identificá el problema específico

Sé específico. “Claude incluyó recomendaciones que no pedí” o “El código es lógicamente correcto pero ineficiente” o “La redacción es demasiado técnica para la audiencia”. Un problema identificado es mitad de la solución.

Paso 3: Refiná UN elemento a la vez

Si la respuesta tiene múltiples problemas, no cambies todo el prompt de una vez. Modifica una cosa: estructura, formato, rol, contexto. Ejecuta de nuevo. ¿Mejoró? Si sí, mantené ese cambio. Este enfoque es más lento pero identificá qué cambios realmente funcionan.

Paso 4: Agregá ejemplos si falta consistencia

Si Claude a veces hace lo correcto y a veces no, agrega 2-3 ejemplos anidados en etiquetas XML de cómo debería responder. Los ejemplos son más fuertes que las instrucciones. Claude aprende del patrón mejor que de una descripción.

Paso 5: Testea con variaciones

Una vez que tenés un prompt que funciona, probalo con variaciones: contextos más largos, casos edge, datos distintos. ¿Sigue funcionando? Si falla, agregá guardrails (“si sucede X, entonces no hagas Y”).

Tiempo estimado: un buen prompt toma 15-30 minutos en armar iterativamente. Una vez que funciona, lo reutilizás 100 veces, amortizando esa inversión inicial.

Templates listos para usar: código, análisis y redacción

Estos templates están probados en producción. Las variables entre llaves son lo que reemplazás con tu contenido.

Template: Generación de código robusto

<instructions>Sos un desarrollador senior en {LENGUAJE} {VERSION}. Usás {FRAMEWORK} y seguís convenciones del proyecto. Escribe código listo para producción. No hagas suposiciones — preguntá si algo es ambiguo.</instructions><context><codigo_existente>{CÓDIGO_O_SPECS}</codigo_existente><requisitos>{QUÉ_TIENE_QUE_HACER}</requisitos><restricciones>{LÍMITES_PERFORMANCE_MEMORIA}</restricciones></context><task>Escribí {DESCRIPCIÓN}. Debe manejar: {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>{OS_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 + por qué esa solución.</output_format>

Template: Code review profesional

<instructions>Sos el reviewer más exigente. Buscá: bugs lógicos, vulnerabilidades de seguridad (OWASP top 10), problemas de performance, violaciones de convenciones de código, edge cases no manejados.</instructions><context><codigo>{CÓDIGO_A_REVISAR}</codigo><normas>{CONVENCIONES_PROYECTO}</normas><cambios_anteriores>{CÓDIGO_ANTERIOR}</cambios_anteriores></context><task>Revisá el código. Reportá solo hallazgos reales, no sugerencias cosméticas.</task><output_format>Hallazgos en orden de severidad. Una línea de descripción + por qué es problema + solución concreta.</output_format>

Template: Redacción por secciones

<instructions>Sos un redactor especializado en {NICHO}. Tono: {TONO}. Audiencia: {AUDIENCIA}. Largo: {PALABRAS}. Escribí directamente.</instructions><context><datos>{FUENTES_INFORMACIÓN}</datos><estilo_blog>{EJEMPLO_POSTS_ANTERIORES}</estilo_blog><briefing>{ÁNGULO_Y_PUNTOS_CLAVE}</briefing></context><task>Escribí la sección "{NOMBRE}" sobre {TEMA}. Ángulo: {ÁNGULO}. Primero un párrafo que responda completamente, después desarrolla.</task><output_format>Prosa lista para publicar. Párrafos de máximo 4 oraciones.</output_format>

Prompts para programar con Claude: ejemplos que funcionan en producción

La programación es donde Claude muestra su mayor diferencial. Un tip que marca diferencia: especificá siempre la versión exacta del lenguaje y framework. “Python” no es lo mismo que “Python 3.11 con Pydantic v2 y SQLAlchemy 2.0”. Claude ajusta las respuestas a la API correcta de cada versión.

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 PostgreSQL 14+. Buscás problemas de índices, queries ineficientes y bloqueos. Propone soluciones concretas.</instructions><context><query>{TU_QUERY_LENTA}</query><explain_analyze>{OUTPUT_DE_EXPLAIN_ANALYZE}</explain_analyze><esquema>{DEFINICIÓN_TABLAS_E_ÍNDICES}</esquema><volume>{CANTIDAD_DE_FILAS}</volume></context><task>¿Por qué es lenta? ¿Qué índices faltan? ¿Hay forma de reescribir sin cambiar la lógica?</task>

La clave aquí es pasar el EXPLAIN ANALYZE real. Claude ve el plan de ejecución y detecta dónde está el scan secuencial innecesario.

Ajuste de prompts por versión de Claude

Las tres versiones aceptan la misma estructura, pero la complejidad y el tipo de tarea que toleran varía. Entender sus diferencias te permite optimizar costo vs. calidad.

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

Características: El más barato de los tres. Ideal para clasificación, extracción de datos, consultas simples. Procesa bien instrucciones claras y ejemplos directos.

Cómo ajustar prompts:

• Sé extremadamente específico: Haiku tiene menos “contexto implícito”. Especifica hasta lo obvio.
• Ejemplos son obligatorios: Si esperas un formato exacto, Haiku NECESITA 2+ ejemplos anidados. No sugiere formatos — sigue patrones.
• Tareas simples = un prompt: Evita chaining si no es necesario. Haiku es mejor en tareas puntuales.
• Contexto breve: Haiku es económico pero menos capaz con contextos muy largos. Resume si necesitas pasar muchos documentos.

Claude Sonnet 4.6: equilibrio recomendado para la mayoría

Características: Equilibrio entre velocidad y capacidad. Costo medio. Recomendado para redacción, análisis, debugging y tareas de mediano peso.

Cómo ajustar prompts:

• Prompts claros, no ultra-específicos: Sonnet tolera cierto grado de ambigüedad y la resuelve bien. Más flexible que Haiku.
• Contextos largos son OK: Sonnet maneja documentos extensos sin perder precisión.
• Ejemplos ayudan pero no son obligatorios: A diferencia de Haiku, Sonnet puede deducir un formato de una descripción textual.
• Chaining funciona bien: Si tu problema es multi-paso, Sonnet lo maneja sin problemas.

Claude Opus 4.8: para razonamientos complejos

Características: El más potente. Costo más alto. Ideal para razonamientos multi-paso, problemas complejos, análisis profundo.

Cómo ajustar prompts:

• Prompts pueden ser más complejos: Opus tolera instrucciones intrincadas y contextos confusos mejor que sus hermanos.
• Extended thinking vale la pena: Usa extended thinking con Opus para problemas de razonamiento genuinamente difíciles.
• Contextos largos + complejos: Opus es la única opción si pasás múltiples documentos largos que requieren análisis profundo.
• Chaining avanzado: Si tu aplicación necesita múltiples llamadas con lógica compleja, Opus es más confiable.

Generadores de prompts para Claude: herramientas que ahorran tiempo

Si escribir prompts desde cero es tedioso, existen herramientas que generan templates y estruturas. Algunas funcionan mejor que otras.

Herramientas oficiales de Anthropic

• Claude.ai (web): Interfaz oficial gratuita. Podés experimentar prompts sin API. No es un “generador” pero es donde probás antes de producción.
• Prompt Library (documentación oficial): Anthropic publica templates probados para casos comunes. Link en la web oficial. No es una herramienta generadora sino una biblioteca curada de ejemplos que funcionan.
• Claude API Cookbook: Repositorio GitHub oficial con ejemplos de código y prompts. Casos de uso reales, actualizado regularmente.

Herramientas de terceros

• Prompt engineering communities (Reddit, Discord): La mayoría no genera prompts automáticos sino que comparten ejemplos. Útil para encontrar templates que otros probaron.
• PromptFlow / LangChain: Frameworks de desarrollo que te ayudan a estructurar prompts complejos en código. No generan prompts automáticos pero facilitan gestión y versionado.
• Cuidado con los “AI prompt generators”: La mayoría son marketing. Generan prompts genéricos que rara vez son mejores que escribir uno vos mismo en 5 minutos.

Recomendación: Empieza con los templates oficiales de Anthropic. Modificalos según tu caso. Escribir un prompt de cero toma 10-15 minutos — lo que un “generador” ahorraría es despreciable. El valor real está en iterar y refinarlo.

Claude Skills: instrucciones persistentes sin repetir prompts

Desde julio 2026, Anthropic está lanzando Claude Skills en beta pública. Es una forma de enseñarle a Claude comportamientos duraderos sin repetir instrucciones complejas en cada prompt.

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

Casos de uso: Si escribís prompts complejos regularmente (redacción de informes, debugging de código específico, análisis de datos con procesos fijos), un skill te ahorra tiempo. Especialmente si varios usuarios necesitan usar el mismo prompt.

Limitación conocida (agosto 2026): Skills está en beta. La API todavía es experimental y no está completamente documentada. Para casos de producción críticos, mantené prompts versionados mientras Skills se estabiliza.

Troubleshooting: qué hacer cuando un prompt falla

Cuando Claude devuelve un resultado inesperado, el problema rara vez es “Claude está roto”. El 95% de las veces es el prompt. Acá está cómo diagnosticar.

Checklist diagnóstico

• ¿Separaste instrucciones de contexto?: Si están juntos en un párrafo, Claude confunde qué es regla y qué es dato. Usá etiquetas XML.
• ¿El contexto está primero?: Si pasaste un documento largo al final, movelo al inicio. Cambia la calidad significativamente.
• ¿Especificaste exactamente qué rol tiene Claude?: “Sos un X” con detalles. Si solo decís “ayudame con…”, Claude responde como asistente genérico.
• ¿La tarea es clara?: “Optimizá este código” vs “Optimizá este código para latencia de p99, considerando que se ejecuta 10k veces/segundo”. La segunda es clara.
• ¿Incluiste ejemplos si necesitabas un formato exacto?: Si querés JSON, mostrá 2-3 ejemplos válidos. No solo digas “devolvé JSON”.
• ¿Usaste la versión correcta de Claude?: Si es una tarea simple, Haiku basta (+ económico). Si es razonamiento complejo, Opus. Sonnet es seguro para la mayoría.
• ¿Hay contradicción en tus instrucciones?: Si decís “sé breve” pero el contexto requiere análisis profundo, Claude prioriza el contexto y devuelve algo largo.
• ¿Olvidaste guardrails?: Si Claude a veces hace algo que no querés, agregá “NO hagas X” explícitamente.
• ¿La respuesta es incompleta?: Probá pasar el prompt de nuevo pero con “continúa desde donde parou” o agregá más contexto sobre qué esperas.
• ¿Claude inventó datos?: Si pasaste un contexto incompleto, Claude rellena con alucinaciones. Incluí todas las fuentes que necesita.
• ¿El prompt es demasiado largo?: Contexto >100K tokens a veces causa “distracción”. Si tenés múltiples documentos, priorizá los 3 más importantes.
• ¿Probaste iterar?: Si nada de lo anterior funciona, cambía UN elemento a la vez y probá de nuevo. No cambies el prompt entero.

Preguntas frecuentes sobre prompts para Claude

¿Cuánto cuesta usar Claude? ¿Hay versión gratuita?

Claude.ai (web) tiene un plan gratuito con límite de mensajes por día. Para uso sin límites o en producción, necesitás pagar por tokens en la API de Anthropic. Haiku es el más económico (~0.80 USD / 1M input tokens). Para más detalles, consultá nuestra guía de precios de Claude API.

¿Qué diferencia hay entre usar Claude en web (claude.ai) y la API?

Claude.ai es la interfaz web gratuita/de pago por suscripción. La API es para desarrolladores que quieren integrar Claude en sus aplicaciones. En web, escribís el prompt y recibes la respuesta. En API, programás las llamadas en tu código y controlás parámetros como temperatura, tokens máximos y modelo exacto.

¿Los prompts de ChatGPT funcionan en Claude?

No siempre. ChatGPT requiere estructura diferente y tolera más ambigüedad. Si traes un prompt de ChatGPT, esperá adaptarlo: agregar etiquetas XML, ser más explícito en las instrucciones y incluir ejemplos si necesitás un formato exacto.

¿Claude recuerda la conversación entre mensajes?

Sí. Dentro de la misma conversación, Claude recuerda contexto anterior. Si abrís una conversación nueva, olvida todo. En producción vía API, cada llamada es independiente — si necesitás historial, tenés que pasarlo vos en el contexto de cada request.

¿Cómo hago un prompt para que Claude genere código específico de mi proyecto?

Pasale contexto real: (1) la estructura de tu proyecto, (2) ejemplos de código existente del mismo proyecto, (3) las dependencias exactas que usás (versiones), (4) la tarea específica. Eso hace que Claude genere código que se integra bien, no genérico.

¿Puedo confiar en que Claude devuelva resultados iguales si ejecuto el mismo prompt dos veces?

No garantizado. Claude tiene variabilidad inherente. Si necesitás reproducibilidad exacta, ajustá la temperatura de la API a 0 (hace respuestas más determinísticas pero menos creativas). Para prompts de producción, testea múltiples ejecuciones.

¿Cómo me aseguro de que Claude no invente datos?

Pasale SOLO las fuentes que son correctas. Si Claude no tiene el dato, va a inventar si le pedís que genere contenido. Siempre indicale: “Si no sabés algo, decí explícitamente que no sabés en vez de asumir”. Incluí guardrails en la instrucción: “No inventes datos. Si falta información, indicalo.”

¿Hay diferencia entre “prompt” y “promt”?

No. “Promt” es una ortografía incorrecta común en español (suele ser un typo). La forma correcta es “prompt”. Si buscas en Google “promt para claude” te va a redirigir a “prompt” automáticamente, pero es recomendable escribir correctamente para evitar confusiones.

¿Cuánto contexto puedo pasar a Claude sin que se ralentice?

Claude aguanta hasta 200.000 tokens. En la práctica, contextos de 50-100K tokens funcionan sin problemas. Arriba de 150K, a veces hay “distracción” — prioriza información del inicio y medio sobre el final. Regla: si pasás mucho contexto, ponelo ordenado por importancia.

¿Qué hago si Claude no entiende lo que le pido?

Probablemente tu prompt es vago. Reescribilo siendo más específico: agregá rol, contexto, ejemplos. Si sigue sin entender, probá iterar con mensajes de seguimiento: “No, me referí a X” o “Mejor dicho, quería que…”. Claude aprende rápido de correcciones directas en la misma conversación.

¿Cómo hago un prompt que sea reutilizable para un equipo?

Estructura el prompt con placeholders entre llaves: {VARIABLE}. Documentá qué va en cada placeholder. Guardalo en un archivo o un wiki compartido. Mejor aún, si tu equipo usa la API, crea un helper en código que interpole las variables antes de llamar a Claude. Así cada persona solo rellena variables, no escribe prompts desde cero.