PUNTOS CLAVE
- 10 Prompts estructurados para diagnóstico, optimización y seguridad.
- El contexto forense (stack trace completo) es crítico para el éxito.
- Uso estratégico: GPT-5 para lógica compleja, Claude para patrones de errores.
- Evita el «Spaghetti Code» generado por IA revisando siempre la seguridad.
En lugar de gastar 45 minutos en foros uniendo respuestas obsoletas de 2019, ahora podemos obtener soluciones específicas en segundos. Pero hay una condición: necesitas darle a la IA la evidencia forense correcta. Si le das basura, obtendrás basura.
A continuación, te dejo los 10 prompts de depuración esenciales que transformarán tu flujo de trabajo, divididos en diagnóstico, rendimiento y seguridad.
#Prompts de Diagnóstico de Errores (#1-3)
El objetivo aquí es la precisión quirúrgica. No basta con pegar el error; debes forzar a la IA a actuar como un consultor experto.
##1: El Diagnosticador Experto
Úsalo cuando te enfrentes a un mensaje de error desconocido. Este prompt obliga al modelo a rastrear la causa raíz antes de sugerir parches.
Act as an expert debugging consultant specializing in [language/framework].
CONTEXT:
- Language/Framework: [e.g., Python 3.11 with FastAPI 0.110]
- Error Type: [e.g., TypeError]
- Full Error Message: [Paste exact error including line numbers]
- Stack Trace: [Paste complete trace bottom-up]
- Relevant Code: [Paste 15-30 lines around error]
TASK - Analyze using this process:
Step 1: IDENTIFY FAILURE POINT (Exact line, value causing error)
Step 2: TRACE ROOT CAUSE (Work backwards from error line)
Step 3: PROPOSE SOLUTIONS (3 ranked solutions)
OUTPUT FORMAT:
## Root Cause Analysis
## Solution 1: [Title] (90% likely)
## Solution 2: [Title] (70% likely)
## Verification Checklist
##2: Cazador de Errores de Tipo (TypeError/NoneType)
Este prompt se centra en la seguridad de tipos y validación.
Incluye siempre el tipo esperado Y el tipo real recibido (ej. Esperado: Dict, Recibido: NoneType). Esto ayuda a la IA a entender la discrepancia exacta.
You are a senior [language] debugging specialist focusing on type safety.
CONTEXT:
- Error: '[exact error text]'
- Code: [paste context]
- Expected type: [e.g., Dict[str, Any]]
- Actual type received: [e.g., NoneType]
- Source: [API/DB/User Input]
TASK - Analyze mismatch:
Step 1: ROOT CAUSE (External input vs Internal logic?)
Step 2: FAILURE SCENARIO (Why didn't checks catch this?)
Step 3: DEFENSIVE FIXES (Immediate, Proper Validation, Type System Improvement)
##3: Análisis de Bugs Intermitentes (Race Conditions)
Para esos errores que «solo ocurren en producción». Este enfoque sistemático busca patrones en el entorno y la carga.
You are a production debugging expert.
CONTEXT:
- Symptom: [Specific failure]
- Frequency: [e.g., Random, Load-based]
- Environment Diff: [Prod vs Local specs]
- Logs: [Paste timestamped error logs]
TASK:
Step 1: PATTERN DETECTION (Time clusters? Input correlation?)
Step 2: HYPOTHESIS GENERATION (Root cause + Probability %)
Step 3: DIAGNOSTIC STRATEGY (How to confirm/rule out)
#Prompts de Rendimiento y Optimización (#4-7)
Cuando el código funciona pero es inaceptablemente lento, necesitas un ingeniero de rendimiento, no solo un corrector de sintaxis.
##4: Identificación de Cuellos de Botella
Usa este prompt para identificar si el problema es algorítmico o de micro-optimización.
Act as a performance engineer specializing in [language].
CONTEXT:
- Target function: [code]
- Scale: [e.g., 1M records]
- Current vs Target Speed: [X ms vs Y ms]
TASK:
Step 1: HOT PATH ANALYSIS (Most CPU/RAM intensive ops)
Step 2: OPTIMIZATION STRATEGIES (Quick wins vs Algorithmic changes)
Step 3: BENCHMARKING PLAN
##5: Fugas de Memoria (Memory Leaks)
Ideal para cuando tu servidor o aplicación empieza a consumir RAM linealmente hasta colapsar.
Act as a memory management expert.
CONTEXT:
- Symptoms: [e.g., Heap grows linearly]
- Code: [Paste closures, event listeners, loops]
TASK:
Step 1: LEAK IDENTIFICATION (Where are refs held?)
Step 2: SURGICAL FIX (Release memory)
Step 3: PREVENTION PATTERN
##6: Optimización SQL
Las consultas lentas matan aplicaciones. Provee el EXPLAIN output para resultados reales.
You are a database performance expert ([DB Version]).
CONTEXT:
- Table size: [Row count]
- Query: [Paste SQL]
- EXPLAIN Output: [Paste plan]
- Current Indexes: [List definitions]
TASK:
1. ANALYZE BOTTLENECKS (Full scans, N+1, inefficient JOINs)
2. PROPOSE 3 STRATEGIES (Ranked by impact)
3. RECOMMEND INDEXES (Create statements + Justification)
#Prompts de Seguridad (#8-10)
La IA debe ser tu primer filtro de seguridad, no el último.
##8: Escaneo de Vulnerabilidades (OWASP)
Ideal para revisiones pre-deployment. Pide demostraciones de explotación para entender la gravedad.
Act as a cybersecurity professional conducting static analysis.
CONTEXT:
- Code: [Paste code]
- Focus: [XSS, SQLi, CSRF]
TASK:
1. VULNERABILITY DETECTION (Untrusted input to sensitive sink)
2. EXPLOIT DEMO (How to trigger it)
3. OWASP MITIGATION (Standard fix)
##9: Auditoría de SQL Injection
Verifica específicamente si tus entradas están parametrizadas correctamente.
Act as a database security specialist.
CONTEXT:
- DB Driver: [e.g., pg-node]
- Input Source: [e.g., req.body.id]
- Code: [Code block]
TASK:
1. INPUT TRACING (Source to Query)
2. CHECK PARAMETERIZATION (Identify string contacts)
3. SECURE REWRITE
«Las herramientas impulsadas por IA detectan entre el 60-70% de los problemas de seguridad en mi experiencia. Atraparon una referencia directa a objeto insegura que pasé por alto el mes pasado. Pero para sistemas en producción, la revisión humana sigue siendo obligatoria.»
| Caso de Uso | Modelo Recomendado | Por Qué |
|---|---|---|
| Reconocimiento de patrones de error | Claude 3.5 Sonnet / Opus | Excelente en análisis de stack traces largos. |
| Razonamiento Lógico / Sistemas de Tipos | GPT-4o / GPT-5 (Preview) | Superior en inferencia lógica compleja y CS teórica. |
| Consultas SQL | Claude 3.5 Sonnet | Conocimiento SQL profundo y preciso. |