Delimitadores: cómo ordenar la información de un prompt

Objetivo práctico

Al terminar esta lección sabrás usar delimitadores (corchetes, llaves, comillas, guiones, Markdown, XML) para separar con claridad distintas partes de un prompt largo, evitando que el LLM confunda instrucciones con datos.

Resultado que obtendrás

Un prompt de prueba que combina instrucciones y datos reales usando delimitadores claros, sin ambigüedad entre lo que el LLM debe hacer y la información que debe usar.

Dónde encaja dentro del sistema final

El Prompt Maestro de la siguiente lección combina instrucciones, datos del negocio y ejemplos de conversación en un único documento. Sin delimitadores claros, esa mezcla se vuelve confusa tanto para quien lo lee como, potencialmente, para el propio LLM.

Conocimientos previos

• Estructura de un prompt profesional (lección anterior).
• JSON (módulo 1.2, como referencia de un tipo de delimitador ya conocido).

Herramientas necesarias

• Un navegador con NVDA activo.
• Una cuenta activa de ChatGPT, Claude o Gemini.

Modelo mental

Piensa en un documento con distintas secciones claramente separadas por títulos, recuadros o comillas, frente a un documento donde todo está escrito seguido, sin ninguna marca que indique dónde termina una idea y empieza otra. El primero es mucho más fácil de leer e interpretar correctamente, tanto para una persona como para un LLM.

Explicación

Un delimitador es cualquier marca que separa visualmente y estructuralmente una parte de un texto de otra. En los prompts profesionales, los delimitadores más habituales son:

• Corchetes [ ] y llaves { }: para marcar un valor que se sustituirá por un dato real, por ejemplo [NOMBRE_DEL_NEGOCIO].
• Comillas: para delimitar un texto literal que no debe interpretarse como instrucción, por ejemplo una frase exacta que el agente debe decir.
• Guiones y Markdown (encabezados con almohadillas, listas con guiones): para separar secciones completas de un prompt largo, como los diez bloques de la lección anterior.
• XML (etiquetas como <datos>...</datos>): útil cuando se necesita una separación muy explícita entre bloques largos, por ejemplo entre las instrucciones generales y los datos concretos del negocio, especialmente en modelos que responden mejor a este tipo de estructura.

El uso de delimitadores no es sólo estético: reduce la ambigüedad. Un prompt que mezcla, sin ninguna marca, instrucciones del tipo «nunca reveles precios exactos» con datos del tipo «el precio de una revisión es 45 euros» puede generar confusiones sobre qué es una instrucción de comportamiento y qué es un dato a transmitir. Separar claramente ambos bloques con delimitadores reduce ese riesgo.

Preparación

Ten a mano el prompt de prueba que escribiste en la lección anterior.

Procedimiento paso a paso

1. Contexto: Vas a reorganizar tu prompt de prueba anterior usando delimitadores claros entre instrucciones y datos.

   Acción de teclado: Edita el documento de texto o el mensaje donde tienes tu prompt. Añade una línea con el texto «=== INSTRUCCIONES ===» antes del bloque de reglas, y una línea con «=== DATOS DEL NEGOCIO ===» antes del bloque de datos concretos.

   Respuesta esperada de NVDA: NVDA leerá cada línea con normalidad conforme la escribes.

   Qué significa: Estas marcas de texto, aunque sencillas, ya cumplen la función de delimitador: separan visual y estructuralmente dos tipos de contenido distintos.

   Acción siguiente: Envía el prompt reorganizado a tu LLM preferido y comprueba si sigue comportándose correctamente.

2. Contexto: Quieres comprobar que el LLM respeta de verdad la separación entre instrucciones y datos que acabas de marcar, no sólo que la muestra visualmente.

   Acción de teclado: Con el prompt reorganizado ya enviado, escribe una pregunta de prueba que pida al LLM que repita textualmente uno de los datos del bloque «=== DATOS DEL NEGOCIO ===» (por ejemplo, el precio de un servicio), sin incluir en la respuesta ninguna de las instrucciones del bloque «=== INSTRUCCIONES ===».

   Respuesta esperada de NVDA: NVDA leerá la respuesta del LLM con normalidad conforme se genera.

   Qué significa: Si el LLM devuelve únicamente el dato solicitado, sin mezclarlo con ninguna instrucción de comportamiento, la separación mediante delimitadores está funcionando correctamente.

   Acción siguiente: Si detectas confusión entre instrucciones y datos, refuerza la marca del delimitador (por ejemplo, sustituyendo las líneas «===» por etiquetas XML) y repite la misma prueba.

Errores frecuentes y diagnóstico

Un prompt largo mezcla instrucciones y datos sin ninguna separación clara, y el LLM parece «confundir» ocasionalmente una cosa con otra.

Cómo localizarlo: Falta de delimitadores claros entre bloques de distinta naturaleza.

Solución: Reorganizar el prompt con secciones claramente marcadas (por ejemplo, con encabezados Markdown o etiquetas XML) para cada tipo de contenido.

Comprobación final

Revisa tu prompt de prueba y confirma que cualquier persona (no sólo el LLM) podría identificar, de un vistazo, dónde terminan las instrucciones y dónde empiezan los datos concretos del negocio. Si la separación es clara, la comprobación es positiva.

Qué acabas de conseguir

Tienes la última pieza de vocabulario y técnica necesaria antes de construir el Prompt Maestro completo en la siguiente lección.

Ejercicio práctico

Reescribe tu prompt de prueba usando etiquetas XML simples (por ejemplo, <instrucciones> y <datos>) en lugar de líneas de texto con «===», y compara cuál te resulta más cómodo de leer con NVDA.

Resumen de lo imprescindible

• Un delimitador separa visual y estructuralmente distintas partes de un prompt.
• Los delimitadores más habituales son corchetes, llaves, comillas, guiones, Markdown y XML.
• Separar instrucciones de datos reduce la ambigüedad y el riesgo de comportamiento inconsistente.

Estoy preparado para continuar si puedo…

• Explicar para qué sirve un delimitador dentro de un prompt.
• Reorganizar un prompt mezclado en secciones claramente delimitadas.
• Elegir un tipo de delimitador adecuado según la complejidad del prompt.

Fuentes

• Prompt engineering — OpenAI (consultado el 2026-08-30)
• Prompting best practices — Anthropic (consultado el 2026-08-30)

Última actualización de esta lección: 2026-08-30.

Test de la lección

Para realizar el test y obtener Puntos de profesionalidad necesitas iniciar sesión o crear una cuenta.

Navegación

Lección anterior: Cómo leer respuestas largas con NVDA

Continuar con la siguiente lección: Construcción del Prompt Maestro del recepcionista

Descargar esta lección en PDF accesible