Qwen 3.5-Plus se presentó como herramienta para prompts paso a paso y automatización de tareas rutinarias

En un artículo sobre ingeniería de prompts, el autor muestra cómo transformar una red neuronal de generadora de respuestas "mediocres" en una herramienta para el trabajo rutinario regular. Usando Qwen 3.5-Plus como ejemplo, analiza el ciclo completo: desde la aclaración de la tarea hasta un prompt de trabajo listo para usar.

Por qué funciona esto

La idea central del texto es que una red neuronal no entiende una tarea "humanamente" — selecciona la respuesta más probable dentro de un vasto espacio semántico. Si la solicitud es vaga, el modelo producirá casi inevitablemente un resultado seguro, bien escrito, pero de escasa utilidad. Por eso el autor sugiere no pedirle a la IA que "lo haga bonito", sino ir reduciendo progresivamente el campo de elecciones: definir un rol, objetivo, restricciones y secuencia de acciones. Cuanto más preciso sea el marco, menor será la aleatoriedad en la respuesta final.

Se hace especial hincapié en el contexto de trabajo. Para tareas recurrentes, el autor recomienda usar proyectos, carpetas de chat o al menos un mensaje inicial fijado con instrucciones. Esto es necesario no por comodidad de interfaz, sino para aislar diferentes tipos de trabajo. Por ejemplo, para evitar que un escenario de preparación de materiales educativos se mezcle con tareas de código, planificación de vacaciones o correspondencia personal. Este enfoque reduce el ruido y hace que las respuestas del modelo sean más estables de sesión en sesión.

Tres capas del prompt

El esquema práctico del artículo se construye en torno a tres capas. La primera es el contexto general: qué rol debe desempeñar el modelo y qué resultado se necesita. La segunda es la lógica paso a paso: en qué orden la IA debe trabajar la tarea y dónde debe solicitar aclaraciones. La tercera son las reglas de interacción: exactamente cómo mostrar el resultado, qué presentar en cada mensaje y en qué formato entregar el material finalizado.

En esencia, esto es un intento de reemplazar una solicitud grande y vaga por un proceso controlado.

• Rol: quién exactamente tenemos ante nosotros — un editor, un metodólogo, un analista
• Objetivo: qué resultado se considera exitoso
• Pasos: en qué orden se procesa la tarea
• Formato: cómo mostrar el progreso y la respuesta final

"Muestra solo el paso actual.

Muestra el progreso en cada mensaje."

El autor enfatiza especialmente que el rol debe definirse de manera específica, no en términos generales. No solo "eres un asistente", sino por ejemplo "eres un metodólogo y editor de material educativo". Esto le da al modelo un contexto profesional más estrecho y facilita mantener el estilo requerido. Además, es útil prescribir las reglas de salida de antemano: evitar listas innecesarias, dividir el texto en bloques, mostrar por separado los fragmentos cuestionables, no cambiar la terminología sin necesidad. Estas pequeñas restricciones a menudo tienen un efecto más fuerte sobre la calidad que intentar encontrar la "frase mágica perfecta".

Plantilla para la rutina

Como caso de estudio, el artículo examina a un profesor que prepara notas de clase y las transforma en una presentación siguiendo una plantilla estricta. El contenido de la lección en sí sigue siendo una tarea humana, mientras que el formateo, la estructuración y la transferencia del material a un formato repetible ya pueden delegarse al modelo.

Antes de ensamblar el prompt final, el autor sugiere primero pedirle a la IA que formule preguntas aclaratorias: esto facilita capturar los requisitos ocultos que generalmente se olvidan en la primera pasada. Para quienes tienden a procrastinar, este tipo de diálogo también reduce la barrera de entrada.

A partir de este diálogo, se ensambla un flujo de trabajo paso a paso:

• Análisis y filtrado del texto fuente
• Marcado del material según la plantilla
• Segmentación en diapositivas individuales
• Generación de notas del presentador
• Formateo final y revisión

Más allá de la lista de pasos en sí, importa la disciplina de ejecución. El autor aconseja pedirle al modelo que muestre solo el paso actual, que no se adelante y que recuerde en qué paso se encuentra. Si la tarea es larga, cada etapa puede trabajarse en mensajes separados o incluso en un nuevo chat si el contexto empieza a derivar. Dicho esto, el artículo no vende una receta universal para todos los casos: al contrario, muestra que el mismo marco debe adaptarse al proceso específico, al volumen de materiales y a los criterios de calidad del resultado.

Qué significa esto

El material ilustra claramente un cambio en el propio enfoque del trabajo con LLMs. El valor aquí no reside en un prompt afortunado y puntual, sino en diseñar un mini-proceso donde la red neuronal atraviesa etapas claras y opera dentro de reglas estrictas. Para los negocios, la educación y cualquier rutina de oficina, esta es una conclusión importante: los mejores resultados no provienen del modelo "más inteligente" por sí solo, sino de un contexto correctamente ensamblado que lo convierte en una herramienta predecible.