Si alguna vez pegaste un error en un asistente de IA y recibiste un "prueba esto" que no funcionó, seguido de otro "prueba esto otro", ya conoces el problema: el modelo salta directo a la solución sin entender la causa. El resultado es un ciclo de parches al azar.
La buena noticia es que se arregla casi siempre con la forma en que pides las cosas. En este artículo te muestro dos prompts que uso para depurar y por qué funcionan.
El error más común: pedir el arreglo primero
Un prompt como "arregla este error: TypeError..." invita al modelo a adivinar. No sabe tu versión del lenguaje, ni qué esperabas, ni qué ya intentaste. Y como le pediste un arreglo, te dará uno, aunque no tenga suficiente información.
La alternativa es separar diagnóstico de solución y obligar a que el razonamiento ocurra antes del código.
Prompt 1: diagnóstico a partir del stack trace
Actúa como desarrollador senior de [LENGUAJE]. Te paso un error y su stack trace:
[ERROR_Y_STACK_TRACE]
Y el código relevante:
[CÓDIGO]
Explica en orden: 1) qué significa el error, 2) la línea exacta donde se origina
y por qué, 3) las 3 causas más probables ordenadas por probabilidad, 4) cómo
confirmar cada una con un experimento mínimo. No propongas el arreglo hasta
haber razonado la causa.
Fíjate en tres detalles:
- Pide hipótesis ordenadas, no una sola respuesta. Así ves el razonamiento y puedes descartar rápido lo que no aplica a tu caso.
-
Pide un experimento por hipótesis. Un
print, un assert o un test mínimo te dan evidencia real en lugar de confianza ciega. - Prohíbe el arreglo prematuro. Esa última frase cambia mucho la calidad de la respuesta.
Reemplaza los marcadores con información completa: el stack trace entero (no solo la última línea) y el código de las funciones que aparecen en la traza.
Prompt 2: cuando llevas horas atascado
A veces el problema no es el error, sino que ya perdiste el método. Para esos momentos:
Llevo [TIEMPO] atascado con este problema: [DESCRIPCIÓN]. Ya probé:
[LO_QUE_YA_PROBÉ]. No me des la solución directamente: ayúdame a construir un
plan de depuración con hipótesis numeradas, el experimento que confirma o
descarta cada una y el orden óptimo para ejecutarlos.
La clave está en [LO_QUE_YA_PROBÉ]. Si no lo incluyes, el asistente te recomendará exactamente lo que ya hiciste. Si lo incluyes, se ve obligado a buscar en otra dirección. Y pedir "el orden óptimo" hace que priorice primero los experimentos baratos.
Buenas prácticas que aplican a cualquier prompt de depuración
- Incluye versiones: del lenguaje, del framework y del sistema operativo. Muchos bugs dependen de ellas.
- Di qué esperabas y qué obtuviste. "No funciona" no es un síntoma.
- Reduce el código al mínimo que reproduce el problema. Muchas veces encontrarás el bug tú mismo en ese proceso.
- Nunca pegues secretos: tokens, contraseñas o variables de entorno reales. Reemplázalos por valores ficticios.
- Verifica antes de confiar. Ejecuta el experimento propuesto; no aceptes una explicación solo porque suena convincente.
Con este enfoque, la IA deja de ser una máquina de parches y se convierte en un compañero que piensa contigo el problema.
¿Te sirvió? Estos dos prompts son parte de 100 Prompts para Programadores (en español): paga lo que quieras, desde 2 USD. Más recursos gratis en GitHub.
Top comments (0)