Taller de Prompts
Por qué está escrito así
Toca un bloque para ver su párrafo
Eres un ingeniero de backend senior con amplia experiencia resolviendo problemas críticos de latencia y rendimiento en producción.
El siguiente código presenta una lentitud notable. El entorno de ejecución es {{entorno de ejecución}} y la escala de datos real es {{escala de datos}}.
No me des el código corregido directamente. Analízalo en el siguiente orden: 1) Los 3 principales candidatos a cuello de botella donde se pierde más tiempo, ordenados de mayor a menor probabilidad. 2) Por qué consideras cada uno como candidato: si se debe al número de iteraciones, estructuras de datos o E/S (base de datos, disco, red). 3) Cómo puedo comprobar yo mismo si esa es la causa real (qué métricas medir, dónde colocar logs/tiempos y qué valores observar). 4) Si las mediciones confirman la hipótesis, la estrategia de solución propuesta y el impacto estimado en rendimiento.
Omite microoptimizaciones que no tengan un impacto perceptible en la escala de datos indicada. Evita afirmaciones sin fundamento como "este método es más rápido". Si te falta información clave que no se ve en el código para decidir (índices en tablas, frecuencia de llamadas, existencia de caché), indícala en una lista.
Código: """ {{código fuente}} """
- Rol Quién responde ×1
- Información Lo que la IA necesita saber ×2
- Trabajo Qué hacer y cómo ×1
- Resultado Qué recibes y con qué forma ×1
Si pides optimizar código diciendo solo "hazlo más rápido", la IA empezará por lo cosmético: convertirá bucles en list comprehensions o fusionará variables. Sin embargo, el verdadero culpable suele ser una consulta a base de datos dentro del bucle (problema N+1). Optimizar sin medir genera cambios inútiles.
Leer la explicación completa · 3 párrafos
Al definir el rol como "ingeniero experto en diagnosticar lentitud", la perspectiva cambia: un revisor de código busca estilo y nombres de variables, mientras que alguien enfocado en rendimiento busca por dónde se escapa el tiempo.
Estructurar la respuesta en cuatro pasos es la clave: al forzar una lista priorizada, la IA debe justificar sus elecciones; al pedir un método de validación empírica, se separa la conjetura de la realidad (paso 3: medir antes de desplegar a ciegas).
En las restricciones, pedir que se omitan microoptimizaciones irrelevantes para esa escala y que se liste la información faltante evita que sugiera añadir índices sin saber si ya existen. Delimitar el código con """ previene confusiones con las instrucciones.
¿Términos desconocidos? Consulta Aha AI: chain-of-thought, hallucination
Comparado con un mal ejemplo
Este código va muy lento, optimízalo por favor for order in orders: ... (código)
Sin conocer el volumen de datos, la IA ofrece consejos genéricos. Sustituye listas por sets o reescribe bucles, pero el tiempo de ejecución sigue igual. Si el problema real es una consulta repetitiva a la base de datos, queda enterrado entre sugerencias menores sin justificación ni método para medirlo.
Variaciones
Cuando la lentitud está en la vista/pantalla
Útil cuando no se sabe exactamente qué parte del código falla. Permite acotar el embudo de diagnóstico antes de perder tiempo revisando código al azar.
Ver prompt
Nuestros usuarios reportan lentitud en una vista específica del servicio. El entorno de ejecución es {{entorno de ejecución}} y la escala de datos es {{escala de datos}}. Antes de mirar el código, elabora una lista de posibles orígenes divididos por servidor, base de datos, red y navegador. Indica el orden y la forma en que debo comprobar cada uno, empezando por los más fáciles de verificar.
Verificar efectos secundarios tras optimizar
Las optimizaciones de rendimiento a menudo introducen bugs sutiles. Es más seguro separar la revisión de velocidad de la revisión de corrección lógica.
Ver prompt
A continuación adjunto un código que he modificado por motivos de rendimiento. No evalúes si es más rápido, sino únicamente si la lógica o el comportamiento han cambiado con respecto al original. Revisa el orden de resultados, duplicados, manejo de errores y concurrencia. Proporciona ejemplos de entradas que puedan romper el código.
""" {{código fuente}} """
Notas por modelo
Si tienes métricas reales de tiempo de ejecución o profiling, inclúyelas. Sin números, la IA solo puede hacer conjeturas basadas en la forma del código.
Última actualización 2026-09-02 · ¿Has visto un error? Avísanos