El artículo propone un marco llamado C.R.A.F.T.E.D. para estructurar los “prompts” o instrucciones que le damos a la IA, de forma que sean eficientes y reproducibles.
El acrónimo se desglosa así:
Proporciona de antemano toda la información relevante para que la IA entienda la situación: fragmentos de código, mensajes de error, esquemas de datos, diffs de commit, requisitos, configuraciones, etc. Esto “prepara” el modelo para trabajar sobre algo concreto en lugar de empezar desde cero.
Define qué “persona” o “expertise” debe adoptar la IA: por ejemplo “actúa como desarrollador senior especializado en rendimiento” o “como ingeniero de seguridad en cloud”. Esto ayuda a acotar el enfoque y obtener respuestas más útiles.
Especifica claramente la tarea que queremos que la IA realice, con un verbo activo y sin ambigüedades (“Genera tres tests unitarios”, “Refactoriza este método”, etc.). Cuanto más claro es el “hacer”, mejor será la respuesta.
Indica de qué forma queremos que se devuelva el resultado: como JSON, sólo código, markdown con secciones, etc. Esto evita que la IA genere respuestas en un formato difícil de reutilizar.
Determina cuál debe ser el estilo de comunicación: técnico, coloquial, para un principiante, para un comité directivo… Esto asegura que la respuesta sea adecuada al público objetivo.
Proporciona uno o varios ejemplos de entrada‑salida para que la IA entienda exactamente lo que se espera. El uso de “few‑shot prompting” (mostrar unos casos) es muy valioso para precisión.
Establece qué condiciones deben cumplirse para considerar “terminada” la tarea, qué no debe hacer la IA, límites o restricciones. Esto se coloca al final del prompt ya que los modelos tienden a prestar atención especial a lo último que ven.
- Estructurar los prompts de esta forma hace que la IA trabaje con una base más alineada a lo que necesitas, reduciendo revisiones innecesarias.
- Permite que el resultado sea más directamente usable: al definir formato, ejemplo y criterios de “done”, se ahorra tiempo de edición manual posterior.
- Sirve tanto para tareas simples como para situaciones más complejas (bases de código grandes, múltiples archivos, gran contexto). Cuando la complejidad sube, seguir todo el marco C.R.A.F.T.E.D. se vuelve especialmente útil.
- No siempre es necesario completar todas las secciones del marco (por ejemplo para tareas triviales).
- El Context es probablemente la parte más crítica: si no proporcionas suficiente información, obtendrás resultados genéricos.
- Definir el Role correctamente cambia mucho los resultados.
- Usar Examples mejora drásticamente la precisión.
- Definir bien el Definition of Done evita que la IA añada cosas innecesarias o se salga del alcance.
📚 Este contenido está basado en el artículo “How to Use AI to Help With Software Engineering Tasks”, descubierto gracias a webreactiva.com.