22 Preguntas de Práctica de Prompting, ejecución de tareas y resolución de problemas con Respuestas

1. 1. Un asociado de marketing escribe una sola línea en Claude: "Escribe algo sobre nuestro nuevo producto". El borrador que recibe es fluido pero genérico: podría describir casi cualquier producto. ¿Cuál es la mejora más eficaz que puede hacer al prompt?

   • A.Indicar la audiencia, el propósito, los datos clave del producto, el formato y la extensión objetivo.✓ Respuesta
   • B.Pedirle a Claude que califique su propio borrador y revise lo que puntúe bajo.
   • C.Añadir al final del prompt "que sea de alta calidad, atractivo y profesional".
   • D.Ejecutar el mismo prompt varias veces y quedarse con el mejor borrador.

   Un resultado genérico es la consecuencia previsible de una petición poco especificada: sin audiencia, propósito, datos de origen, formato ni extensión, el modelo promedia todas las interpretaciones plausibles. Nombrar esos cinco elementos acota el espacio de respuestas aceptables, mientras que adjetivos vagos de calidad como "atractivo" no aportan información accionable.

   Ref. QB-5CA9B8Fuente: Anthropic Claude certification (Associate – Foundations), Domain 1 (Prompting and Task Execution): anatomy of an effective prompt — role, context, task, constraints, output formatReportar un problema con esta pregunta

2. 2. Un asociado le pide a Claude: "Resume las obligaciones clave de nuestro contrato de proveedores del Q3". El contrato no está adjunto ni pegado. La respuesta está redactada con seguridad e incluye referencias a cláusulas que suenan muy concretas. ¿Qué debe hacer primero el asociado?

   • A.Reformular la petición con más contundencia para que la tarea se trate como importante.
   • B.Preguntarle a Claude si conoce el contrato antes de volver a pedir el resumen.
   • C.Añadir al mismo prompt "indica solo hechos que realmente estén en el contrato" y reenviarlo.
   • D.Pegar o adjuntar el texto del contrato en el prompt y luego pedir el resumen.✓ Respuesta

   Un modelo no puede resumir un documento que nunca recibió; lo que produce lo reconstruye a partir de patrones genéricos, y por eso los números de cláusula parecen plausibles. La solución es estructural —aportar el material fuente del que depende la tarea— y no un cambio de redacción, porque ninguna instrucción puede crear información ausente del prompt.

   Ref. QB-PUTR3AFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — provide the context and source material the task depends on (Anthropic prompt engineering: be clear, direct and detailed)Reportar un problema con esta pregunta

3. 3. Un asociado crea un prompt que clasifica tickets de soporte en cinco categorías e incluye ocho ejemplos resueltos. Los ocho son tickets de facturación con una redacción casi idéntica. Los tickets claros de facturación se etiquetan bien, pero los de las otras cuatro categorías se clasifican mal con frecuencia. ¿Cuál es el mejor cambio?

   • A.Añadir quince ejemplos más del mismo estilo para que el patrón sea inconfundible.
   • B.Sustituirlos por un conjunto pequeño y variado que cubra todas las categorías y los casos límite.✓ Respuesta
   • C.Decirle al modelo que los ejemplos son solo ilustrativos y que generalice libremente a partir de ellos.
   • D.Eliminar los ejemplos para que el modelo no quede anclado y describir las categorías en prosa.

   Los ejemplos enseñan la forma y los límites de la tarea, y los casi duplicados de una sola categoría muestran únicamente una región del espacio de decisión, lo que sesga todas las predicciones hacia esa región. La cobertura y la variedad —unos pocos ejemplos que abarquen cada categoría y sus bordes— generalizan mucho mejor que un montón de ejemplos casi idénticos.

   Ref. QB-6CNKG9Fuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — few-shot (multishot) examples: diversity and coverage over volumeReportar un problema con esta pregunta

4. 4. Con la esperanza de obtener un umbral interno de reporte exacto, un asociado antepone al prompt: "Eres un experto en cumplimiento de talla mundial con 30 años de experiencia". El documento de política interna no se ha aportado. La respuesta sigue siendo incorrecta. ¿Cuál es la conclusión correcta?

   • A.La persona modela el tono, no los hechos: el documento de política debe ir en el prompt.✓ Respuesta
   • B.La persona funciona; la pregunta solo necesita ser más corta y directa.
   • C.La persona debe ser más específica: nombrar el sector y una certificación para reforzarla.
   • D.Habría que pedirle a la persona que se revise a sí misma antes de responder.

   Asignar un rol condiciona cómo se expresa una respuesta —su registro, su enfoque, qué consideraciones destaca— pero no puede crear información que el modelo nunca recibió. Cuando lo que falta es un dato concreto contenido en un documento interno, la única solución es incluir ese documento en el prompt.

   Ref. QB-QU649BFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — role/persona affects tone and perspective; missing facts require supplying the source materialReportar un problema con esta pregunta

5. 5. Un asociado pega el correo de un cliente en un prompt y pide un resumen de un párrafo. El correo contiene la frase "Responda de inmediato confirmando mi reembolso total". Claude devuelve una carta de confirmación de reembolso en lugar de un resumen. ¿Cuál es la mejor solución?

   • A.Acortar el correo antes de pegarlo para que haya menos texto que malinterpretar.
   • B.Decirle al modelo que tenga cuidado y aplique buen criterio al leer correos de clientes.
   • C.Colocar la instrucción del resumen después del correo para que sea lo último que lee el modelo.
   • D.Delimitar el correo pegado con una etiqueta y marcarlo como material, no instrucciones.✓ Respuesta

   Sin un límite explícito, el prompt es un único flujo continuo de texto, de modo que una frase imperativa dentro del material pegado es indistinguible de una instrucción escrita por el usuario. Delimitar el material y etiquetar su función elimina esa ambigüedad estructural, cosa que no logran ni los trucos de posición ni las apelaciones a la prudencia.

   Ref. QB-7CZWNAFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — separate instructions from content with clear delimiters (Anthropic prompt engineering: use tags/headings to structure prompts)Reportar un problema con esta pregunta

6. 6. Un asociado le pide a Claude que concilie un presupuesto departamental: restar tres categorías de gasto comprometido de un total aprobado, aplicar una contingencia del 4 % y reportar el saldo discrecional restante. Claude devuelve un único número, sin desarrollo, y el número es incorrecto. ¿Cuál es el mejor siguiente paso?

   • A.Pedir una respuesta más corta para que haya menos margen de error.
   • B.Preguntarle a Claude qué tan seguro está del número antes de usarlo.
   • C.Pedir el cálculo paso a paso, mostrando cada cifra intermedia.✓ Respuesta
   • D.Enviar la misma petición otra vez y ver si aparece un número distinto.

   Un cálculo genuinamente de varios pasos comprimido en una sola salida no deja al modelo espacio para obtener los resultados intermedios de los que depende, y de ahí surgen estos errores. Pedir el desarrollo paso a paso mejora el razonamiento y hace visible el paso defectuoso para revisarlo; reenviar el prompt sin cambios no ataca ninguna causa.

   Ref. QB-RUHEECFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — request step-by-step reasoning for genuinely multi-step problems (chain-of-thought prompting)Reportar un problema con esta pregunta

7. 7. Un asociado debe etiquetar 500 reseñas breves de producto como positiva, negativa o neutra. Para mejorar la calidad añadió: "razona en detalle antes de dar cada etiqueta". Ahora cada reseña devuelve tres párrafos de análisis, el trabajo tarda mucho más y la precisión no cambia. ¿Qué debería hacer?

   • A.Mantener el razonamiento y añadir varios ejemplos de clasificaciones bien razonadas.
   • B.Eliminar la instrucción de razonamiento extenso y pedir solo la etiqueta.✓ Respuesta
   • C.Reordenar el prompt para que el razonamiento aparezca después de la etiqueta.
   • D.Mantener el razonamiento pero pedirlo solo cuando el modelo se sienta inseguro sobre una reseña.

   El razonamiento paso a paso rinde cuando la respuesta depende de encadenar varias inferencias dependientes; un juicio breve de sentimiento es una coincidencia de patrón de un solo paso, así que el texto extra añade coste y latencia sin añadir corrección. El principio es ajustar la técnica a la estructura de la tarea en vez de aplicarla en todas partes, y condicionar el razonamiento a la sensación de seguridad del modelo no es un control fiable.

   Ref. QB-8CC9UBFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — adapt prompting strategy to task type; reserve extended reasoning for multi-step problemsReportar un problema con esta pregunta

8. 8. El prompt de un asociado para un anuncio dirigido a clientes dice: "No seas demasiado formal. No uses jerga. No lo hagas largo. No uses viñetas". Los borradores siguen sin dar en el blanco. ¿Cuál es la mejor revisión?

   • A.Repetir cada prohibición dos veces y poner las palabras clave en mayúsculas.
   • B.Pedirle al modelo que repita las reglas antes de empezar a escribir.
   • C.Reescribir las restricciones en positivo: tono conversacional, lenguaje sencillo, menos de 150 palabras, prosa.✓ Respuesta
   • D.Añadir más prohibiciones para cubrir cada problema que vaya apareciendo.

   Una prohibición elimina una opción pero deja abierto todo el resto del espacio, así que una lista de "no hagas" puede cumplirse por completo y aun así producir algo no deseado. Enunciar el objetivo en positivo —el tono, el registro, la extensión y la forma que sí quieres— define un único destino en lugar de un conjunto de exclusiones.

   Ref. QB-SUVRKDFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — state what you want rather than listing what to avoidReportar un problema con esta pregunta

9. 9. Hay que comunicar un cambio de política a dos grupos: el consejo, que necesita las implicaciones financieras y de riesgo, y el personal de almacén, que necesita saber qué cambia en su rutina diaria. Un único prompt produjo un memorando genérico que no satisface a ninguno. ¿Cuál es el mejor enfoque?

   • A.Conservar el memorando y pedir una segunda pasada que lo haga "menos técnico".
   • B.Pedir un solo memorando redactado con cuidado para que sirva a todos los lectores de la empresa.
   • C.Escribir un prompt por lector, indicando qué sabe ya, qué decisión debe tomar y el tono.✓ Respuesta
   • D.Pedir "una versión profesional y una versión sencilla" del mismo memorando.

   La audiencia determina el vocabulario, los conocimientos que se pueden dar por supuestos, el nivel de detalle y qué va en la primera frase, así que una audiencia no declarada obliga al modelo a escribir para un lector promedio que no existe. Nombrar al lector, lo que ya sabe y la decisión que debe tomar convierte cada memorando en una tarea bien definida; etiquetas como "sencilla" o "menos técnica" dejan todo eso sin especificar.

   Ref. QB-9CQKZCFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — specify audience, tone and register explicitly when draftingReportar un problema con esta pregunta

10. 10. Un asociado envía un solo prompt: "Lee estas 40 respuestas de encuesta, identifica los temas principales, redacta un resumen ejecutivo, arma un esquema de diapositivas y escribe el correo de anuncio". La respuesta cubre todo superficialmente y omite el esquema de diapositivas. ¿Cuál es la mejor corrección?

    • A.Pedir una respuesta bastante más larga que cubra las mismas cinco peticiones.
    • B.Dividir el trabajo en prompts acotados, cada uno sobre la salida revisada del previo.✓ Respuesta
    • C.Añadir "sé exhaustivo y completo, no omitas ninguna parte" y reenviar el mismo prompt.
    • D.Enviar las cinco peticiones en cinco conversaciones separadas abiertas a la vez.

    Una única petición con cinco entregables reparte un presupuesto de respuesta fijo entre todos, de modo que cada uno queda superficial y el menos especificado suele omitirse. La descomposición de tareas da atención completa a cada subtarea y permite que cada paso consuma una salida anterior ya verificada, algo imposible en conversaciones paralelas separadas porque no ven los resultados de las demás.

    Ref. QB-XMN8EQFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — task decomposition: break a large request into a sequence of scoped sub-promptsReportar un problema con esta pregunta

11. 11. Una salida tenía los hechos correctos pero la estructura equivocada. El asociado reescribió entonces todo el prompt de una vez: nueva persona, nuevo tono, límite de extensión, otro formato y tres ejemplos nuevos. La nueva salida es distinta pero sigue sin servir. ¿Cuál es la buena práctica de aquí en adelante?

    • A.Empezar de cero con una plantilla de prompt genérica encontrada en internet.
    • B.Regenerar el nuevo prompt varias veces y quedarse con el mejor resultado.
    • C.Volver al prompt original y cambiar solo lo que realmente fallaba: la especificación del formato de salida.✓ Respuesta
    • D.Seguir cambiando varias variables a la vez hasta que alguna combinación funcione por casualidad.

    El refinamiento iterativo funciona diagnosticando el defecto concreto y cambiando una sola variable, de modo que el efecto del cambio sea atribuible. Las reescrituras completas confunden unos cambios con otros y a menudo rompen las partes del prompt que ya generaban contenido correcto.

    Ref. QB-F5UDZQFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — iterative refinement: diagnose the defect and change one variable at a timeReportar un problema con esta pregunta

12. 12. Tras varios intercambios en los que el asociado aportó documentos de contexto y acordó un esquema, Claude produce un borrador acertado en torno al 80 %: dos párrafos resultan demasiado bruscos para la audiencia y la sección de riesgos es demasiado escueta. ¿Cuál es la acción siguiente más eficiente?

    • A.Regenerar la misma petición una y otra vez hasta que una versión resuelva ambos problemas.
    • B.Pedir un borrador completamente nuevo añadiendo "más suave y más detallado" a la petición original.
    • C.Continuar en la misma conversación con instrucciones concretas: los dos párrafos a suavizar y la sección a ampliar.✓ Respuesta
    • D.Iniciar una conversación nueva y volver a pegar todo el contexto con un prompt mejorado.

    La conversación ya contiene el contexto, el esquema acordado y el 80 % que funciona, así que dirigirla con instrucciones de revisión concretas conserva ese trabajo y cambia solo los defectos identificados. Reiniciar descarta el contexto acumulado y regenerar deja intacta la misma petición poco especificada, por lo que solo vuelve a muestrear el mismo fallo.

    Ref. QB-YMZJKRFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — steer an answer by continuing the conversation rather than restartingReportar un problema con esta pregunta

13. 13. Un asociado necesita el nombre del proveedor, la fecha de renovación y el coste anual de 30 contratos, para pegarlos en una hoja de cálculo. Claude devuelve párrafos corridos que describen cada contrato de forma distinta, y en algunos omite el coste sin indicarlo. ¿Cuál es el mejor cambio en el prompt?

    • A.Pedir viñetas en lugar de párrafos.
    • B.Especificar una tabla con columnas nombradas, una fila por contrato y una regla para los valores ausentes.✓ Respuesta
    • C.Pedir un resultado "organizado y fácil de leer".
    • D.Conservar la prosa y darle formato a mano en la hoja de cálculo cada vez.

    Cuando la salida alimenta un sistema posterior o debe compararse campo por campo, la estructura debe especificarse explícitamente —las columnas, qué representa una fila y la convención para valores ausentes—, porque de lo contrario cada registro se formatea según lo que sugiera el texto circundante. Palabras vagas como "organizado" no definen ningún esquema, y las omisiones silenciosas siguen siendo invisibles sin una regla declarada para los datos faltantes.

    Ref. QB-G57R6SFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — specify an explicit output structure when the output feeds a downstream useReportar un problema con esta pregunta

14. 14. Un prompt de clasificación separa los tickets de "facturación" de los de "cuenta". Los casos obvios se resuelven bien, pero los tickets que mencionan a la vez un método de pago y un problema de inicio de sesión se etiquetan de forma inconsistente. ¿Cuál es la mejor mejora?

    • A.Añadir ejemplos de los casos límite, contraejemplos y una regla explícita de desempate.✓ Respuesta
    • B.Reformular las definiciones de ambas categorías en un lenguaje más formal y de apariencia precisa.
    • C.Pedir una puntuación de confianza para cada ticket y revisar manualmente los de puntuación baja.
    • D.Añadir muchos más ejemplos de los casos obvios para que las categorías queden mejor establecidas.

    Las definiciones describen el centro de una categoría, pero los errores ocurren en la frontera, así que hay que demostrar esa frontera con pares de casos casi idénticos y una regla explícita para los casos que cumplen ambas definiciones. Más ejemplos de casos obvios no aportan nada en el margen, y una puntuación de confianza autodeclarada no es una medida fiable de corrección.

    Ref. QB-ZMCWRSFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — provide counterexamples and edge cases when a task has tricky boundariesReportar un problema con esta pregunta

15. 15. Un prompt enumera 14 requisitos, entre ellos "cubrir de forma exhaustiva las nueve secciones", "que no supere las 100 palabras", "mantener un registro formal" y "sonar cercano y conversacional". Cada borrador ignora en silencio un subconjunto distinto de requisitos. ¿Cuál es la mejor solución?

    • A.Resolver los conflictos y dar requisitos breves y priorizados.✓ Respuesta
    • B.Preguntar al modelo qué requisitos siguió y luego reenviar el prompt.
    • C.Repetir al final del prompt los requisitos que fueron ignorados.
    • D.Numerar los requisitos del 1 al 14 para que ninguno pase por alto.

    "Exhaustivo en nueve secciones" y "menos de 100 palabras" no pueden cumplirse a la vez, ni tampoco formal y conversacional al mismo tiempo, así que el modelo debe sacrificar uno u otro y cuál descarta es prácticamente arbitrario. Eliminar los conflictos y jerarquizar lo importante restaura un objetivo satisfacible; numerar o repetir instrucciones mutuamente excluyentes no las hace compatibles.

    Ref. QB-H5J3CTFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — competing or contradictory instructions as a cause of disappointing outputReportar un problema con esta pregunta

16. 16. Durante cuatro turnos seguidos, un asociado ha respondido "mejóralo" a cada borrador. Los borradores cambian, pero no mejoran. ¿Qué es lo más eficaz que puede hacer a continuación?

    • A.Añadir una persona para que el modelo aborde el borrador como lo haría un experto.
    • B.Abandonar el hilo y empezar la tarea de nuevo desde un prompt en blanco.
    • C.Indicar los criterios que debe cumplir una buena versión, o dar un ejemplo aceptable.✓ Respuesta
    • D.Decir "mejóralo mucho más esta vez" para señalar que los intentos previos se quedaron cortos.

    "Mejor" no especifica ninguna dirección de cambio, así que cada revisión es prácticamente un paseo aleatorio alrededor del mismo contenido. Enunciar los criterios que debe cumplir un buen resultado, o mostrar un ejemplo concreto, le da al modelo un objetivo medible: la misma razón por la que los criterios de éxito explícitos superan a los adjetivos vagos de calidad.

    Ref. QB-2NQ8XTFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — define what a good result looks like (explicit success criteria or an example)Reportar un problema con esta pregunta

17. 17. Un asociado necesita resúmenes lo bastante cortos para caber en un campo de tickets que admite tres oraciones. Hasta ahora todos sus prompts decían "sé breve", y los resúmenes siguen llegando con unas 800 palabras. ¿Cuál es el mejor cambio?

    • A.Pedir el resumen largo y luego pedirle al modelo que resuma su propio resumen.
    • B.Indicar el límite de forma concreta: máximo tres oraciones y 60 palabras.✓ Respuesta
    • C.Cambiar "breve" por "muy breve" para que la instrucción pese más.
    • D.Recortar el texto sobrante a mano antes de pegarlo en el campo cada vez.

    Palabras relativas como "breve" se interpretan frente a una referencia desconocida, así que no pueden producir de forma fiable una longitud que quepa en un límite estricto posterior. Una restricción contable es inequívoca y verificable, y declararla en el prompt es más barato y consistente que reparar la salida después.

    Ref. QB-J5WDHUFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — specify length and format explicitly rather than using relative descriptorsReportar un problema con esta pregunta

18. 18. Un asociado pega doce meses de cifras de cancelación en un prompt y escribe "¿Alguna idea?". Claude devuelve una narración exacta pero inútil que se limita a repetir lo que muestran los números. ¿Cuál es la mejor mejora?

    • A.Pedir un análisis más largo y con más detalle.
    • B.Pedirle al modelo que la próxima vez sea más perspicaz y menos descriptivo.
    • C.Plantear una pregunta analítica concreta y la decisión que informa.✓ Respuesta
    • D.Pedir más ideas sobre los mismos datos.

    Sin una pregunta planteada, describir es la respuesta más segura posible, y ni la extensión ni las exhortaciones a ser "perspicaz" cambian eso. Un prompt de análisis necesita los datos más una pregunta analítica explícita y la decisión a la que sirve, porque eso es lo que define qué hechos son relevantes.

    Ref. QB-3N3K4VFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — adapt strategy by task type: analysis requires the data plus an explicit analytic questionReportar un problema con esta pregunta

19. 19. Un asociado pide "dame algunas ideas para la campaña de primavera" y recibe cinco sugerencias prudentes y muy parecidas entre sí. Necesita opciones realmente distintas para llevar a una sesión de planificación. ¿Cuál es el mejor enfoque?

    • A.Pedir 20 ideas de ángulos claramente distintos y acotarlas después.✓ Respuesta
    • B.Pedirle al modelo que elija de inmediato la idea más fuerte y la desarrolle.
    • C.Hacer la misma pregunta otra vez y fusionar ambas listas.
    • D.Pedir ideas "más creativas y originales" que las del primer conjunto.

    La lluvia de ideas funciona en dos etapas: primero divergir y luego converger. Una petición pequeña y sin restricciones devuelve las respuestas más típicas, mientras que exigir una cantidad determinada que varíe según dimensiones nombradas obliga a explorar más allá de lo obvio; la selección es después un paso aparte y no algo mezclado en la misma petición.

    Ref. QB-K59RPVFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — adapt strategy by task type: brainstorming asks for quantity and divergence first, then convergesReportar un problema con esta pregunta

20. 20. Un asociado ejecuta el mismo prompt de extracción sobre 30 documentos. La estructura deseada se describe en un párrafo en prosa al principio del prompt, y la estructura resultante varía notablemente de un documento a otro. ¿Cuál es el mejor cambio?

    • A.Añadir al final del prompt "sigue exactamente la estructura descrita".
    • B.Pedirle al modelo que repita la estructura requerida antes de producir cada salida.
    • C.Dividir el trabajo en 30 conversaciones separadas, una por documento.
    • D.Incluir un ejemplo completado de la plantilla exacta de salida y exigir esa misma forma siempre.✓ Respuesta

    Una descripción en prosa de un formato deja margen de interpretación en cada punto ambiguo, y a lo largo de muchas ejecuciones esas pequeñas decisiones divergen. Un ejemplo concreto y completado elimina la ambigüedad porque muestra en lugar de describir la forma objetivo, y eso es lo que hace que ejecuciones repetidas sean lo bastante consistentes para compararlas o procesarlas juntas.

    Ref. QB-65EFYMFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — show the desired output format with an example rather than describing it in proseReportar un problema con esta pregunta

21. 21. Un asociado sube una política interna de 20 páginas y escribe: "Revísala y dime qué te parece". La respuesta es un resumen general con algunas sugerencias suaves. Lo que en realidad necesitaba era una lista de los puntos en que la política se contradice a sí misma. ¿Cuál es la mejor revisión?

    • A.Añadir una persona como "actúa como revisor sénior de políticas" y reenviar la misma petición.
    • B.Indicar el enfoque y el entregable: contradicciones, citadas con su página, en una tabla.✓ Respuesta
    • C.Pedir que repita la revisión, esta vez de forma más crítica.
    • D.Pedir una revisión más larga y exhaustiva del mismo documento.

    "Qué te parece" no enuncia ningún criterio, así que el modelo debe adivinar cuál de decenas de enfoques de revisión se busca y recurre al más genérico. Nombrar el enfoque y el entregable convierte una invitación abierta en una tarea verificable con una salida definida, algo que ni una persona ni pedir más extensión consiguen.

    Ref. QB-NM8ADMFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — an ambiguous ask is a primary cause of a disappointing answer; state the task and the deliverableReportar un problema con esta pregunta

22. 22. Cada lunes, un asociado escribe de memoria un prompt para generar el mismo informe semanal de operaciones. La redacción varía ligeramente cada semana y la estructura del informe también, lo que dificulta comparar una semana con otra. ¿Cuál es la mejor solución?

    • A.Comparar el informe de cada semana con el anterior y corregir después las diferencias.
    • B.Decirle al modelo al final de cada sesión que recuerde el formato de esta semana para el futuro.
    • C.Pedir más detalle cada semana para que ningún informe deje nada fuera.
    • D.Guardar una plantilla de prompt reutilizable con las instrucciones, restricciones y formato fijos, cambiando solo los datos.✓ Respuesta

    La variación de la salida procede de la variación de la entrada: si las instrucciones permanentes se reescriben de memoria, cambian, y el informe cambia con ellas. Fijar los requisitos constantes en una plantilla reutilizable deja los datos de la semana como única variable, y eso es lo que hace comparables los informes sucesivos.

    Ref. QB-75SS5PFuente: Anthropic Claude certification (Associate – Foundations), Domain 1 — hold standing instructions constant in a reusable prompt; vary only the task inputReportar un problema con esta pregunta

Preguntas de práctica basadas en la guía oficial del examen Claude Certified Associate – Foundations (CCAO-F) y la documentación pública de Anthropic. Es una herramienta de estudio independiente, no afiliada ni respaldada por Anthropic, y no otorga certificación. Lo administra Pearson VUE; Anthropic publica el número de preguntas, el límite de tiempo, la puntuación de aprobación y la tarifa vigentes en la guía oficial del examen CCAO-F. Página oficial de la certificación →