KERNEL en cinco minutos: por qué un buen prompt se parece sospechosamente a una especificación técnica

El autor explica KERNEL, un marco comunitario para escribir prompts, a su madre en cinco minutos, dándose cuenta de que suena como una especificación técnica. KERNEL significa Mantenlo simple, Fácil de verificar, Resultados reproducibles, Alcance limitado, Restricciones explícitas y Estructura lógica. El marco fue creado por un autor que analizó más de mil prompts y afirma que el éxito en el primer intento aumentó del 72% al 94%, el uso de tokens disminuyó un 58% y el tiempo hasta obtener un resultado útil se redujo un 67%, aunque el autor de este artículo se muestra escéptico sobre esas cifras sin una metodología publicada. El artículo señala que los buenos prompts a menudo parecen tareas técnicas bien redactadas, y que aunque técnicas como 'piensa paso a paso' pueden ayudar, los modelos de razonamiento modernos ya manejan eso internamente. La letra más controvertida es la R de Resultados reproducibles, que el autor reinterpreta no como salidas idénticas sino como requisitos reproducibles, permitiendo la comparación entre versiones de modelos y prompts. En producción, los prompts por sí solos no son suficientes; se necesitan evaluaciones (pruebas predefinidas) para medir el comportamiento del modelo, y parte de la lógica del prompt (como forzar la estructura JSON) se traslada mejor al código mediante esquemas. La elección del modelo también importa: diferentes LLM rinden de manera distinta con el mismo prompt, por lo que comparar modelos según criterios específicos es esencial. El autor utiliza SYNTX.AI para ejecutar múltiples LLM desde un solo espacio, y el artículo concluye que KERNEL sigue siendo útil como lista de verificación rápida, pero que los sistemas reales de LLM requieren ingeniería de contexto, incluyendo RAG, uso de herramientas y gestión de estado. La pieza termina con una nota promocional para SYNTX.AI y un código de promoción.