Ingeniería de Prompts para Automatizaciones con IA

La ingeniería de prompts es el proceso de diseñar instrucciones precisas para que un modelo de IA produzca outputs predecibles y reutilizables. No es encontrar la frase mágica que impresiona a ChatGPT — es diseñar un sistema de instrucciones que funcione igual la primera vez que la décima mil.

En automatizaciones, la diferencia es crítica: un prompt que «casi siempre funciona» rompe tu workflow cada pocas ejecuciones. Un prompt bien diseñado produce el mismo formato de salida el 99,9% de las veces, con datos distintos.

Todo prompt que funciona en producción tiene cinco componentes. Puedes omitir alguno en casos simples, pero cuando un workflow falla de forma inconsistente, casi siempre falta uno de estos cinco elementos.

# ROL
Eres un extractor de datos estructurados especializado en documentos comerciales.

# TAREA
Extrae los campos indicados del siguiente email de solicitud de presupuesto.

# CONTEXTO (datos dinámicos del workflow)
Email recibido:
{{$json.emailBody}}

# FORMATO
Responde SOLO con este JSON, sin texto antes ni después:
{
  "nombre": "",
  "empresa": "",
  "producto_solicitado": "",
  "cantidad": null,
  "fecha_entrega": ""
}

# RESTRICCIONES
- Si un campo no aparece en el email, devuelve null (no inventes datos)
- Las fechas en formato DD/MM/YYYY
- Sin bloques markdown ni caracteres extra fuera del JSON

n8n divide el prompt en dos campos en el nodo de Anthropic: System Message y Human Message. Esta separación no es cosmética — define cómo el modelo prioriza las instrucciones y es clave para la consistencia en producción.

System prompt vs. User prompt en el nodo Claude

Cómo pasar datos del workflow al prompt

Las variables de n8n se inyectan con la sintaxis {{$json.campo}} dentro del Human Message. Para datos de nodos anteriores: {{$node['NombreNodo'].json.campo}}. Nunca metas datos dinámicos en el System Message — rompería el prompt caching.

// SYSTEM MESSAGE (estático — se cachea automáticamente)
Eres un clasificador de emails de soporte.
Clasifica cada email y responde SOLO con JSON:
{
  "tipo": "consulta|queja|tecnico|cancelacion",
  "urgencia": "alta|media|baja",
  "resumen": "[máximo 15 palabras]"
}
Sin texto antes ni después del JSON.

// HUMAN MESSAGE (dinámico — varía en cada ejecución)
Email recibido:
{{$json.emailBody}}

De: {{$json.from}}
Asunto: {{$json.subject}}

Tres técnicas concentran el 80% del valor en prompting para automatizaciones: few-shot para consistencia de formato, Chain of Thought para extracción compleja, y control estricto de JSON para integración con otros nodos.

Few-shot: ejemplos dentro del prompt

El few-shot consiste en incluir 2-5 ejemplos de input/output esperado dentro del prompt. En automatizaciones es la técnica con mejor retorno: reduce los errores de formato hasta un 60% en tareas de clasificación y extracción, según benchmarks de Anthropic (2024).

Clasifica el sentimiento de reviews de producto.
Responde SOLO con: positivo | negativo | neutro

Ejemplos:
Input: "Llegó antes de lo esperado y funciona perfecto"
Output: positivo

Input: "Producto correcto pero el embalaje llegó dañado"
Output: neutro

Input: "No funciona, he intentado devolverlo y no responden"
Output: negativo

Ahora clasifica:
Input: {{$json.review}}
Output:

Chain of Thought para extracción compleja

El Chain of Thought (CoT) instruye al modelo a razonar paso a paso antes de dar la respuesta final. Es útil cuando el dato a extraer requiere inferencia: calcular una fecha relativa, interpretar un importe ambiguo o deducir una categoría de producto de una descripción libre.

Extrae la fecha de entrega solicitada en este pedido.
El email puede expresarla de forma relativa ("para el viernes",
"urgente", "antes de fin de mes").

Hoy es {{$now.format('DD/MM/YYYY')}}.

Razona así:
1. Identifica cómo expresa la fecha el cliente
2. Convierte la expresión relativa a fecha absoluta
3. Devuelve el resultado

Responde con este formato:
RAZONAMIENTO: [tu análisis en 1-2 frases]
FECHA: [DD/MM/YYYY o null si no se menciona]

Email: {{$json.emailBody}}

Control de formato JSON estricto

El problema más común en n8n es que Claude devuelve el JSON envuelto en bloques markdown («`json … «`), lo que rompe el JSON.parse(). Hay dos soluciones: prohibirlo explícitamente en el prompt, o usar un nodo Set para limpiar la respuesta con regex.

// En el nodo Set de n8n, campo "Expression":
{{ $json.message.content[0].text.match(/\{[\s\S]*\}/)[0] }}

// Esto extrae el JSON aunque Claude lo envuelva en markdown

Un prompt no está listo para producción hasta que ha pasado por un ciclo de validación con datos reales. El 90% de los fallos en workflows de IA se detectan en las primeras 20 ejecuciones de prueba — si no las haces, los detectas en producción.

Cómo detectar un prompt inestable

Un prompt es inestable cuando produce outputs distintos con el mismo input. Las señales: el formato cambia entre ejecuciones, aparecen campos extra no solicitados, o el modelo «inventa» datos cuando no tiene información suficiente.

Métricas básicas para medir calidad

Para workflows de extracción, registra en Google Sheets: tasa de parse exitoso (JSON válido), tasa de campos null inesperados y tasa de ejecuciones que requirieron revisión manual. Con 100 ejecuciones de muestra tienes datos suficientes para decidir si el prompt está listo.

Estos son los seis errores de prompting que más workflows rompen en producción. Todos tienen solución en el prompt, sin cambiar de modelo ni de plataforma.

El prompt caching es la capacidad de Anthropic para reutilizar la parte estática de un prompt sin recalcularla en cada ejecución. En workflows de alto volumen es la optimización con mayor impacto en costes: un sistema prompt de 2.000 tokens que se ejecuta 1.000 veces al día pasa de costar 6$/día a 0,60$/día.

Cómo funciona en n8n

El caching se activa automáticamente cuando el System Message supera los 1.024 tokens y su contenido no cambia entre ejecuciones. Por eso la separación System/Human Message es crítica: el System Message estático se cachea, el Human Message dinámico no.

✅ SE CACHEA (System Message — estático)
Rol + instrucciones fijas + schema JSON + restricciones + ejemplos few-shot

❌ NO SE CACHEA (Human Message — dinámico)
{{$json.emailBody}}, {{$json.datos}}, {{$now}}

// Regla práctica: si el texto cambia entre ejecuciones → Human Message
// Si el texto es siempre igual → System Message