El recorrido de la ruta 3: desde los patrones que orientan cada solicitud, pasando por el ciclo de cuatro fases, hasta la biblioteca lista para copiar y ejecutar.
Mapa de la ruta
Contenido detallado
🎯 Los patrones de prompting
Los hábitos que diferencian una solicitud cualquiera de una que da buenos resultados: definir el objetivo (no los pasos), especificar la salida, planificar antes de ejecutar, dar feedback en lugar de corregir, tratar a la IA como especialista, evitar los errores que más cuestan tokens y usar la lista de verificación de los 12 consejos.
Describe el resultado deseado en vez de dictar la secuencia técnica: "identifica preguntas técnicas y redacta la respuesta", no "usa un nodo IF con regex".
Libera a la IA para usar todo su repertorio; su camino suele ser mejor que el tuyo.
Outcome > instrucción; no microgestionar; la IA elige la ruta.
Indicar exactamente el formato y el destino: «75 perfiles», «.docx en la carpeta saídas», «tabla con columnas fecha, tema, resumen».
Una salida vaga genera un resultado vago y más idas y vueltas (más tokens).
Cantidad exacta; formato; nombre del archivo; carpeta de salida.
Empezar en el modo de planificación: la IA investiga, hace preguntas y propone un plan; solo después de que lo apruebes, construye.
Corriges el rumbo en el plan (barato), no a mitad del build (caro).
Investigar → preguntas → plan → aprobar → bypass para ejecutar.
Devolver comentarios específicos («me gustó la estructura, pero el tono es demasiado formal») en lugar de una corrección seca («está mal»).
El feedback hace que la IA ajuste el razonamiento; una corrección seca solo remienda el resultado.
Específico; qué te gustó + qué cambiar; alimenta el ciclo de mejora.
Hablar con la IA como con un desarrollador experimentado: defines el objetivo y el contexto, y ella elige herramientas, escribe y depura.
Microgestionar limita la IA a lo que sabe; delegar libera todo su potencial.
Gerente vs. desarrollador; delegar el resultado; confiar en la experiencia.
Patrones que queman tokens: reutilizar una conversación inflada, no definir qué significa «listo», dejar los servers MCP encendidos, corregir lo mismo tres veces.
El token es un costo; y un contexto inflado degrada la calidad (context rot).
Una tarea por sesión; definir «listo»; /clear cuando te atasques.
La consolidación: 12 buenas prácticas (plan mode, objetivo claro, definir cuándo está listo, gestionar el contexto, feedback, secretos en .env, probar con varias entradas…).
Se convierte en una lista mental que aplicas antes de cada build.
12 consejos; mirar el build pronto; guardar las skills probadas; empezar de cero.
🔄 El ciclo Plan → Build → Troubleshoot → Optimize
Las cuatro fases de todo build: planificar (investigación + preguntas + plan), construir (crear y validar), lo que la IA NO hace (credenciales, mapeo), depurar (devolver el error con contexto), optimizar (mejorar en lenguaje natural), verificar de verdad y hacer una copia de seguridad antes de cambiar algo.
La IA investiga los nodos/patrones adecuados, hace preguntas aclaratorias y propone un plan para que lo apruebes.
Es la fase menos costosa para cambiar de idea; alinearse aquí evita retrabajo.
Plan Mode; preguntas aclaratorias; aprobar el plan.
La IA construye el workflow/proyecto y valida por su cuenta lo que puede; si hay bypass, lo ejecuta sin interrumpirte.
Observas desde temprano para aprender e interrumpir si se desvía del rumbo.
Autovalidación; bypass permissions; supervisar la compilación.
Algunas etapas son manuales: crear credenciales OAuth, crear la hoja de cálculo de destino, mapear campos.
Conocer el límite evita esperar que la IA haga lo que solo tú puedes hacer.
OAuth manual; crear destino; mapear valores; la clave nunca va en el chat.
Cuando algo se rompe, copia el mensaje de error completo y dónde ocurrió, envíaselo a la IA y pídele que lo diagnostique y lo corrija.
Un error sin contexto se convierte en una conjetura; un error con contexto se convierte en una corrección rápida.
Mensaje + ubicación del nodo; «por qué pasó esto»; volver a ejecutar.
Con lo básico funcionando, mejoras por capas: manejar errores, mejorar la lógica, pulir la salida, acelerar; todo conversando.
"Funciona" se convierte en "funciona bien": casos límite, UX, eficiencia.
Iterar por capas; orden de prioridad; un cambio a la vez.
Probar con escenarios reales (incluidos casos límite y fuera de alcance), verificar cifras y hechos, exigir que el agente diga "no sé".
Un flujo «verde» puede dar la respuesta equivocada; las pruebas son lo que lo revela.
Escenarios reales; verificar los hechos; negarse a inventar; lista de verificación por prueba.
Antes de cualquier cambio, duplica o exporta (JSON) y establece una línea de base probada.
Reviertes sin perder lo que ya funcionaba y no culpas al cambio nuevo por un problema antiguo.
Export JSON; línea de base; reversible; flujo feliz preservado.
📚 Biblioteca de prompts listos (copy-run)
Cada tema es un prompt real, completo, con partes variables <assim>, objetivo y cómo verificarlo: setup y CLAUDE.md, conectar una herramienta mediante MCP, crear un workflow desde cero, depurar un error, los 6 enhancements, crear una skill, crear un agente programado y crear un frontend + auditoría de seguridad.
Un prompt para generar el CLAUDE.md (rol, contexto, preferencias, reglas) en la raíz de un proyecto nuevo.
Es el punto de partida de todo proyecto: el system prompt persistente.
Carpeta dedicada; Markdown; iterar el archivo conversando.
Prompt para instalar un servidor MCP (project-level), generar el .mcp.json y leer la clave del .env — nunca del chat.
Es cómo la IA obtiene «brazos»: extraer datos de la web, leer bases de datos, comunicarse con aplicaciones.
.mcp.json; project-level; clave en .env; /mcp para verificar.
Un prompt inicial completo que describe el resultado, la fuente de datos y el destino, y deja que la IA planifique la arquitectura.
"Un prompt para gobernarlos a todos": empezar bien ahorra idas y vueltas.
Outcome + fuente + destino; dejar que la IA pregunte; aprobar el plan.
Una plantilla de prompt para pegar el mensaje de error + ubicación + lo que esperabas, y pedir un diagnóstico, la causa y una solución.
Transforma "hubo un error" en una solicitud que la IA puede resolver rápidamente.
Error literal; contexto; "por qué"; sin cambiar nada más.
Seis prompts de mejora para un agente: alternativa cuando no hay coincidencias, filtro por tiempo, filtro de mensajes automáticos, tono de marca, nombre del cliente, indicador de confianza.
Es el salto de «funciona» a «funciona bien», aplicado por capas.
Error/lógica vs. calidad; anclar en el workflow existente; probar cada uno.
Un prompt para empaquetar una tarea repetitiva como una skill en el formato oficial (SKILL.md), invocable mediante slash command.
Dejas de volver a explicar: consistencia, ahorro de contexto, reutilización.
.claude/skills; nombre, descripción, argumentos, pasos; bajo demanda.
Prompt para crear una tarea programada (cron) que se ejecuta sola, investiga un tema fijo, sintetiza y escribe una línea en una hoja de cálculo.
Para que algo se ejecute sin ti, hace falta un build pensado para el «agentic gap».
Entradas fijas; salida estructurada; error + log desde el 1.er prompt.
Dos prompts: generar un frontend (con la skill de diseño) y, después, pedir una auditoría de seguridad rigurosa de la app.
Un app abierto implica un riesgo (alguien gasta tus tokens); una auditoría cierra las brechas.
Skill de diseño; rutas protegidas; secretos en env; RLS activa.