Prompts para DeepSeek: menos adornos, más precisión
El generador de prompts para DeepSeek adapta tu petición a un modelo que destaca razonando: estructura en Markdown, requisitos concretos y una instrucción para pensar paso a paso y entregar la respuesta final bien separada. Resulta especialmente útil para matemáticas, programación, lógica y análisis de datos.
Tu prompt optimizado
Abrir en: ChatGPT · Claude · Perplexity
Prompts recientes (guardados en este navegador)
🔒 Funciona en tu navegador. No guardamos tu texto en nuestros servidores.
Cómo usarlo
Plantea el problema completo
Incluye todos los datos, las restricciones y el resultado que esperas. DeepSeek razona mejor cuando no tiene que adivinar.
Elige Avanzado o Experto
DeepSeek ya está seleccionado. Ambos niveles añaden la instrucción de razonar paso a paso; Experto suma un control de calidad.
Indica el formato del resultado
Código, tabla o JSON si vas a reutilizar la respuesta en otro sitio.
Pega todo en un solo mensaje
Copia el prompt completo en DeepSeek. Es mejor un mensaje con todo que varias instrucciones repartidas.
Cómo pedirle algo a un modelo que razona
Los modelos de razonamiento como DeepSeek R1, o el modo de pensamiento profundo de la app de DeepSeek, dedican una fase interna a analizar el problema antes de responder. Eso cambia algunas reglas habituales del prompting. Las recomendaciones que publicó DeepSeek para R1 son pocas y muy concretas: incluir todas las instrucciones en el mensaje del usuario en lugar de en un system prompt y, en problemas matemáticos, pedir que razone paso a paso y deje la respuesta final claramente marcada. También indicaron que el modelo rinde de forma más estable sin ejemplos previos (zero-shot) que con varios ejemplos.
Por eso el generador, con DeepSeek como destino, mantiene todo en un único bloque y añade la línea «Razona el problema paso a paso antes de escribir y presenta solo la respuesta final pulida». En el nivel Experto suma «Razona con cuidado paso a paso y muestra la respuesta final claramente separada».
Ejemplo: un problema con datos
Prompt en nivel Avanzado con el tipo de tarea «Datos y análisis» (requisitos resumidos):
## Rol Eres un analista de datos que convierte números en decisiones claras. ## Contexto Tienda online con 3 productos. Margen por unidad: A 4 USD, B 7 USD, C 12 USD. Ventas del mes: A 900, B 400, C 150. Presupuesto de publicidad para el próximo mes: 1000 USD. ## Tarea Analiza qué producto conviene promocionar y cómo repartir el presupuesto. ## Requisitos - Indica el método que usas - Destaca los 3 hallazgos más importantes - Menciona las limitaciones de los datos ## Control de calidad Razona el problema paso a paso antes de escribir y presenta solo la respuesta final pulida.
Fíjate en que todos los números están en el prompt. Con un modelo que razona, un dato que falta no suele generar una pregunta, sino una suposición que arrastra durante todo el cálculo; por eso conviene pedirle que declare sus supuestos.
Errores comunes con DeepSeek
- Repartir las instrucciones. Poner las reglas en un mensaje y la tarea en otro diluye la información. Junta todo en un solo prompt.
- Sobrecargar de ejemplos. Con modelos de razonamiento, describir bien el formato suele funcionar mejor que pegar varios ejemplos; si los usas, que sean pocos y breves.
- Confundir el razonamiento con la respuesta. El texto de «pensamiento» que muestra la app es un borrador; lo que debes revisar y usar es la respuesta final.
- Pedir datos de actualidad sin búsqueda. Si la pregunta depende de información reciente, activa la búsqueda web si está disponible o aporta tú los datos.
Otros modelos con el mismo formato
Qwen, Llama y Mistral reciben el mismo tratamiento en el generador de prompts: Markdown más la instrucción de razonamiento. Si quieres comparar DeepSeek con ChatGPT en una tarea de programación, genera la misma idea en el generador para ChatGPT y compara los resultados. Y para estimar cuánto costará procesar un prompt largo por la API, usa el contador de tokens con los precios actuales de tu proveedor.
Consejos pro
- En el nivel Experto, borra la línea de ejemplo si no tienes uno: con modelos de razonamiento, un formato bien descrito suele bastar.
- En problemas matemáticos, pide que marque la respuesta final de forma inequívoca, por ejemplo en una línea que empiece por
Resultado:. - Si la respuesta es código, pide también los casos de prueba que ha usado para comprobarlo.
- Si el razonamiento se alarga sin llegar a nada, reformula el problema con datos más precisos en lugar de pedirle que «piense más».
- Pide que enumere sus supuestos al principio: así detectarás enseguida si ha entendido mal el planteamiento.
Preguntas frecuentes
¿Por qué el prompt pide razonar paso a paso?
Porque en tareas de lógica, matemáticas o código, pedir un razonamiento ordenado y una respuesta final separada mejora la precisión y te permite revisar cómo llegó al resultado.
¿Debo usar un system prompt con DeepSeek?
Para su modelo de razonamiento R1, DeepSeek recomendó poner todas las instrucciones en el mensaje del usuario. Con otros modelos o integraciones puede funcionar bien, pero si tienes dudas, junta todo en un solo prompt.
¿Funciona con la app y con la API?
Sí. El prompt es texto normal: pégalo en la app de DeepSeek o envíalo como mensaje del usuario a través de la API.
¿Sirve el mismo prompt para Qwen o Llama?
Sí. En el generador principal, Qwen, Llama y Mistral usan el mismo formato que DeepSeek.
¿Este sitio está relacionado con DeepSeek?
No. Es un proyecto independiente; DeepSeek se menciona solo para indicar compatibilidad.
Herramientas relacionadas
Actualizado: