Encontré una frase que potenció enormemente la calidad de mis resultados con IA. Antes de decirte cuál es, échale un vistazo a estos dos sitios web generados con prompts casi idénticos.
Supongo que te gustó más el diseño de Marginalia que el de Folio. Estos son los prompts que usé para cada uno:
Crea una app responsiva de lista de lectura. Los usuarios deben poder agregar libros, marcarlos como leídos y filtrar entre leídos y no leídos. Guarda la lista para que persista al recargar la página. Haz que funcione en escritorio y móvil.
Eres el mejor diseñador UX/UI del mundo.
Crea una app responsiva de lista de lectura. Los usuarios deben poder agregar libros, marcarlos como leídos y filtrar entre leídos y no leídos. Guarda la lista para que persista al recargar la página. Haz que funcione en escritorio y móvil.
Con solo agregar esa única frase diciéndole al modelo que es el mejor del mundo en algo, la diferencia fue enorme. Se nota en la elección de tipografías, la distribución de la página, el uso del color, el espaciado entre secciones y la jerarquía en la UX.
Ambos usaron GPT-6 Astra Ultra, en carpetas vacías, construidos al mismo tiempo y sin conocimiento del otro. Revisé las trazas para asegurarme de que no hubiera contaminación. Algunos detalles de diseño menores cambiaban entre ejecuciones, pero la frase adicional ganó siempre.
Llevo un buen tiempo haciendo esto en casi todos mis prompts. Le digo a Claude o a Chat que es el mejor diseñador del mundo, un arquitecto de software experto, el escritor más reconocido del planeta, el inversionista más inteligente, etc. He notado mejoras enormes en la calidad del código, en la cantidad de bugs que detecta y en la claridad de los textos que genera.
Así que intenté automatizarlo
Siempre me pareció tedioso agregar esto manualmente, así que decidí crear una skill para ahorrar pulsaciones de teclado y tener que supervisar menos. Una skill es simplemente un conjunto de instrucciones que tu agente puede reutilizar. Puedes encontrarla en GitHub, e incluí las instrucciones de instalación al final. Resulta que crear la skill fue mucho más complejo de lo que esperaba.
En mi primer intento, le pedí a Astra que generara una skill capaz de reproducir de forma confiable la diferencia que vi entre Folio y Marginalia. Le indiqué que presentara al modelo como el mejor del mundo en cualquier especialidad que requiriera la tarea. Le di ambos prompts y lo dejé trabajar. Fracasó.
Astra decidió armar un conjunto de instrucciones épico por lo complicado, y el prompt que yo quería quedó sepultado entre tantas indicaciones. Revisé la traza de razonamiento y, debido a toda esa complejidad, las instrucciones se ignoraron por completo.
Pero me daba demasiada pereza escribir la skill yo mismo. Así que le pedí a Astra que lo intentara de nuevo, esta vez diciéndole que no dejara de iterar hasta poder demostrar una mejora evidente al usar la skill. La verdad es que me impresionó bastante el ciclo que creó: había múltiples subagentes para editar la skill, probarla y revisar los resultados de cada prompt. Incluso creó contenedores separados para ejecutar cada prueba. Era escéptico sobre usar escalada de colinas (hill climbing) para una tarea de prompting tan simple, pero lo dejé seguir. Después de 20 minutos recibí una notificación de que había llegado a la cima de la colina, y el resultado de la prueba fue perfecto.
Sin embargo, había un problema: escondido dentro de la skill había un prompt diseñado específicamente para este ejemplo. Esto fue lo que dijo Chat cuando lo confronté: "Tienes razón, sobreajusté una skill de propósito general a nuestro caso de prueba de UI". Así que eliminamos el lenguaje específico de la tarea y la skill volvió a ser inútil.
¿A qué le estaba prestando atención el modelo?
Tenía dos hipótesis sobre por qué funcionaba mi enfoque de "el mejor del mundo":
- El estándar más alto empujaba al modelo a hacer más iteraciones
- El rol de diseñador UI/UX enfatizaba la importancia de acertar con el diseño
Volví a revisar las trazas de razonamiento de mis ejecuciones que dieron mejores resultados y encontré evidencia de ambas cosas. Había tanto una fase de diseño adicional como más razonamiento invertido en general. La skill que construí optaba por llamar al rol "ingeniero front end", por lo que se dedicaba más tiempo a la robustez de la aplicación y a los casos extremos que podrían causar bugs. Ambos roles eran importantes, pero la IA elegía enfocarse en la corrección técnica y en cumplir exactamente con los requisitos de los prompts originales. ¿Cómo podía llevarla más allá?
Entonces decidí hacerme dos preguntas:
Si se cumplieran todos los requisitos literales, ¿cómo podría el resultado aun así fallar en su uso previsto?
¿Qué haría que el público prefiriera un resultado igualmente correcto por encima de otro?
Qué fue lo que funcionó
El resultado fue el siguiente proceso de cuatro pasos, que define roles específicos para que la IA los asuma y luego la empuja a alcanzar un estándar de calidad superior:
- Define fortalezas distintivas antes de producir. ¿Qué haría que el resultado destaque? Los LLMs necesitan enfocarse en algo concreto para generar el mejor resultado. Decir simplemente "construye el mejor sitio web" no funciona tan bien como decir "diseña la mejor UX para este sitio web, presta atención al espaciado, la tipografía y los colores en la UI, y pruébalo como lo haría un usuario para asegurar que haya la menor fricción posible". Escribir manualmente ese último prompt es tedioso, pero usar un prompt que obligue al LLM a hacer una metaevaluación de los roles necesarios antes de avanzar parece dar resultados similares. Un empleado humano trabajaría igual: capacitarlo sobre qué buscar y cómo estructurar sus ideas lo hace más productivo. Necesitamos definir el lente a través del cual la IA verá la tarea, pero para que la skill sea generalizable, necesitamos que la IA decida cuál debe ser ese lente. Inevitablemente perderemos algo de rendimiento al cederle esta responsabilidad a la IA (que quizás no tenga en mente las intenciones exactas del usuario), pero los resultados que he obtenido probando la skill hasta ahora sugieren que nos acercamos bastante.
- Calibra el estándar con una referencia. Examina una referencia sólida y relevante, o crea una alternativa concreta pequeña. Esto le da a "excelente" algo tangible con lo que compararse. Después de lograr un resultado de prueba perfecto, la IA busca una referencia relevante o crea una alternativa. Para un sitio web, eso podría ser probar un nuevo layout. Con una alternativa contra la cual comparar, "hazlo excelente" significa muchísimo más.
- Evalúa la ejecución por separado de la corrección. Pregúntate: "¿Dónde es esto apenas aceptable, y qué refinamiento específico mejoraría más la experiencia del público?". Evalúa la composición completa y cómo funcionan sus partes en conjunto. Esto hace que los resultados sean más coherentes, ya sea la estructura de un ensayo o el tema general de un sitio web.
- Refina y conserva el mejor resultado. Más ediciones no significan automáticamente un mejor trabajo. La skill conserva la versión anterior, compara los cambios sustanciales y se queda con el mejor resultado. Si una edición empeora las cosas, se revierte. De lo contrario, todo ese esfuerzo extra puede dejar un desastre.
El resultado final usa muy bien los colores y las tipografías, con un espaciado visualmente atractivo. Redujo parte del ruido visual que no me gustaba de Marginalia (algo que verifiqué que fue una edición intencional en la traza de razonamiento), pero hizo un trabajo mucho mejor usando el color y el diseño de elementos en la barra lateral y los selectores que Folio.
¿Por qué esto no viene integrado en las herramientas?
Todo entorno de trabajo como Codex y Claude Code tiene que equilibrar calidad, velocidad y costo. En algún momento, el agente tiene que decidir que el trabajo está lo suficientemente bien.
Pero "lo suficientemente bien" todavía deja mucho margen de mejora. Sin importar qué herramienta use, todas se detienen antes de lo que yo quisiera. Prefiero gastar los tokens extra en obtener un mejor resultado. Y lo más importante: "mejor" necesita algo concreto detrás. ¿Cómo se ve un resultado sólido? ¿Qué parte del resultado sigue siendo apenas aceptable? ¿Y el último cambio realmente mejoró algo?
Pruébalo tú mismo
Empaqueté todo este proceso en Prompt Lab.
Para instalarlo, pega esto en Codex:
1$skill-installer Instala la skill desde https://github.com/coltonconley/prompt-lab/tree/main/skills/prompt-lab
Si la skill no aparece después de la instalación, reinicia Codex. Luego agrégala antes de tu tarea habitual:
1$prompt-lab2[Tu tarea, restricciones, público objetivo y resultado deseado]
No tienes que elegir los roles de experto ni redactar el proceso de revisión. Incluye el contexto y las restricciones que normalmente pondrías, especialmente cualquier detalle importante sobre para quién es el resultado. Y luego déjalo trabajar.
Mi sugerencia: pruébalo con algo que ya le hayas pedido a la IA y con lo que no quedaste conforme. Ejecuta la misma tarea en chats nuevos, con y sin la skill, usando el mismo modelo y configuración. Compara los resultados reales y evalúa si la mejora valió el tiempo extra.
Me interesan especialmente los ejemplos que vayan más allá del diseño web. Redacción, programación, análisis, lo que sea que realmente uses con IA. Si te funciona (o si no), responde con tu prompt y el antes y después. Cuantos más ejemplos tenga, mejor será la skill.
