Prompts para DeepSeek en español: biblioteca lista para copiar y pegar (V4 Flash)

Esta biblioteca reúne ocho prompts para DeepSeek adaptados al español para el trabajo real en el chat: redactar, programar, analizar datos, investigar, traducir y explotar los documentos larguísimos que caben en un contexto de un millón de tokens. Incluye también las técnicas de prompting que DeepSeek documenta para la generación V4 y los guardarraíles que evitan que un modelo rápido y barato invente datos con soltura.

Todos los prompts funcionan en ilisai, donde DeepSeek V4 Flash es un modelo seleccionable del chat con créditos incluidos en todos los planes, empezando por los 400 créditos mensuales del plan Gratis (sin cuenta de DeepSeek ni clave de API), y en cualquier API que ofrezca el modelo. Cuando una técnica depende de un parámetro de la API, el prompt lo indica y da la alternativa para el chat.

El modelo detrás de los prompts

DeepSeek V4 Flash es el modelo eficiente de la generación V4 de DeepSeek: 284.000 millones de parámetros totales con 13.000 millones activos, ventana de contexto de un millón de tokens, modo de razonamiento activado por defecto, uso de herramientas y pesos abiertos bajo MIT. La preview salió el 24 de abril de 2026 y la versión oficial el 31 de julio de 2026 (lo recogió Caixin Global). Nuestro artículo del modelo cubre la arquitectura, la integración en ilisai y por dónde pasan tus prompts; para escribir prompts basta con saber que el modelo es tan barato que puedes iterar sin mirar el contador, que lee libros enteros de contexto y que solo acepta texto — sin imágenes ni archivos, todo entra por copiar y pegar.

Cómo escribir prompts para DeepSeek V4 Flash en 2026

Plantea una sola tarea con el formato de salida explícito, deja que el modo de razonamiento por defecto haga su trabajo y mete el material en la ventana de contexto en lugar de resumirlo. Tres datos de la documentación oficial de DeepSeek concretan el detalle.

El razonamiento viene de serie. En la API de DeepSeek, el modo de razonamiento está activado por defecto con esfuerzo alto, y V4 Flash aplica los tres niveles (bajo, alto, máximo) tal cual (guía de thinking mode). No hacen falta conjuros tipo «piensa paso a paso»: el modelo ya razona antes de responder. Lo que tú controlas desde el prompt es sobre qué razona: la tarea, las restricciones y qué cuenta como terminado.

En modo razonamiento, los mandos de muestreo no hacen nada. La documentación de DeepSeek indica que el modo razonamiento ignora temperature, top_p, presence_penalty y frequency_penalty. Consecuencia práctica: todo depende del prompt. Si quieres una respuesta escueta, pide una respuesta escueta; si quieres un formato fijo, enséñale el formato.

Con el razonamiento apagado, la temperatura sí manda. Para el uso sin razonamiento en la API, la guía de parámetros de DeepSeek asigna la temperatura según la tarea:

Cada prompt de abajo lleva su ajuste recomendado. En ilisai no hay parámetros que tocar —usas el modelo con los valores por defecto de su plataforma de inferencia— y las instrucciones dentro de cada prompt están escritas para sostenerse solas.

Dos hábitos marcan la diferencia con cualquier ajuste. Una tarea por prompt, con el formato de salida detallado: un modelo que sigue bien las instrucciones premia las instrucciones precisas. Y aprovecha la ventana de contexto: pegar el documento entero gana a pegar un resumen, porque así el modelo puede citar sus fuentes en lugar de fiarse de las tuyas.

Un apunte para quien programe contra la API con herramientas: en los escenarios con llamadas a herramientas, el reasoning_content que devuelve el modelo debe reenviarse en los turnos siguientes, o la API responde con un error 400 (misma guía de thinking mode). En el chat esto no existe; la exigencia solo aparece cuando llamas a la API por tu cuenta.

Ocho prompts para el trabajo real

Sustituye lo que va entre corchetes, pega y envía. Cada bloque indica su temperatura recomendada en la API para el uso sin razonamiento; en ilisai, pega el prompt tal cual.

1. De notas sueltas a un texto terminado

1Estás redactando [un correo / un comunicado / un informe breve] para [audiencia].
2
3Objetivo: [qué debe conseguir el texto].
4Tono: [dos o tres adjetivos, o pega una muestra que te guste].
5Registro: [tú / usted].
6
7Mis notas:
8[Pega tus notas sueltas, viñetas o la transcripción de un audio]
9
10Escribe el texto completo a partir de estas notas. Usa solo los datos que aparecen en ellas; si falta algo esencial (una fecha, una cifra, un nombre), escribe [FALTA: qué] en lugar de inventarlo. Hazlo tan corto como permita el contenido.
11
12Devuelve:
131. Tres opciones de asunto o título.
142. El texto completo.
153. Lo que hayas marcado como pendiente.

Ajustes recomendados. API: temperatura 1,3 (rango de conversación). La regla [FALTA] es el guardarraíl antialucinaciones más barato que existe: le da al modelo una salida explícita distinta de inventar. Y la línea de registro evita el vaivén tú/usted que delata un texto generado.

2. Editar un borrador para que suene a tu voz

1Eres el editor de cabecera de [marca o proyecto].
2
3Así escribimos (muestras reales):
4- «[frase 1]»
5- «[frase 2]»
6Nunca publicamos frases como:
7- «[contraejemplo]»
8
9El borrador:
10[Pega el borrador]
11
12Edita el borrador para ajustarlo a la voz, en todo el texto. Conserva cada dato y cada cifra tal cual; si una afirmación te parece dudosa, márcala con [REVISAR] en lugar de reescribirla o borrarla. Cambia solo lo que aleja el texto de la voz.
13
14Devuelve el texto editado completo y después una lista breve de los cambios de fondo y su porqué.

Ajustes recomendados. API: temperatura 1,3. Las frases de muestra enseñan una voz mejor que los adjetivos abstractos, y la convención [REVISAR] mantiene al editor lejos de los hechos.

3. Revisión de código con cobertura completa

1Revisa este código como ingeniero sénior.
2
3Contexto: este código [qué hace], corre en [runtime / framework / versiones] y el cambio busca [intención].
4
5[Pega el diff, la función o el archivo]
6
7Informa de todos los problemas que encuentres, incluidos los de gravedad baja y aquellos de los que no estés seguro — no filtres por importancia, eso lo hago yo. Para cada hallazgo indica: la línea o el bloque, qué está mal, por qué importa, una corrección propuesta y tu confianza (alta / media / baja). Cubre primero la corrección, luego los casos límite, luego la legibilidad.

Ajustes recomendados. API: temperatura 0,0, el ajuste que DeepSeek documenta para código. Pedirlo todo y filtrar tú gana a pedirle al modelo que priorice: los filtros de gravedad descartan hallazgos reales sin avisar.

4. Depurar con un límite claro

1Ayúdame a depurar.
2
3Esperado: [qué debería pasar]
4Real: [qué pasa, con el mensaje de error o la salida exactos]
5Entorno: [lenguaje, framework, versiones]
6Cambios recientes: [qué cambió antes de romperse, si se sabe]
7
8Tu entregable es un diagnóstico, no una reescritura. Propón las dos o tres causas más probables ordenadas por probabilidad y, para cada una, una comprobación que yo pueda ejecutar para confirmarla o descartarla. No reescribas mi código hasta que confirme una causa. Si la información de arriba no basta para ordenar causas, pide el dato concreto que falta.

Ajustes recomendados. API: temperatura 0,0. El límite (diagnóstico primero, cambios bajo demanda) obliga a reunir pruebas antes de actuar, que es justo donde descarrilan las sesiones de depuración con un modelo resolutivo.

5. Un informe largo, anclado en citas literales

1Voy a pegar un documento largo. Trabaja en dos fases.
2
3Fase 1. Extrae las citas literales más relevantes para esta pregunta: [tu pregunta]. Numéralas. Si no hay citas relevantes, escribe «No hay citas relevantes» y detente.
4
5Fase 2. Responde a la pregunta usando solo las citas numeradas, citándolas por número. No añadas nada que no esté en el documento. Si una parte de la pregunta no puede responderse con el documento, di cuál.
6
7El documento:
8[Pega el informe, el contrato o la transcripción]

Ajustes recomendados. Aquí el modo de razonamiento se gana el sueldo: deja trabajar al modelo. Este es el prompt para el que se construyó el contexto de un millón de tokens: pega el informe entero, no un resumen, y la estructura de citas primero hace que cada conclusión sea rastreable hasta una línea que puedes comprobar.

6. Varios documentos, una comparación

1Voy a pegar [N] documentos, cada uno marcado con === DOCUMENTO k: título ===.
2
3Compáralos en: [las dimensiones que importan — p. ej. precio, alcance, obligaciones, riesgos].
4
5Reglas:
6- Atribuye cada afirmación a su documento («según el Documento 2»).
7- Donde los documentos discrepen, cita ambas partes literalmente.
8- Donde un documento calle sobre una dimensión, di «no lo cubre» — no rellenes el hueco con conocimiento general.
9
10Devuelve: una tabla comparativa y, después, las tres diferencias que más afectan a [tu decisión], cada una con sus citas.
11
12=== DOCUMENTO 1: [título] ===
13[Pega]
14=== DOCUMENTO 2: [título] ===
15[Pega]

Ajustes recomendados. Modo de razonamiento activado (el valor por defecto). El trabajo con varios documentos es donde el millón de tokens deja de ser una cifra de ficha técnica: tres contratos de proveedores o cinco artículos de investigación caben en una sola conversación, y la regla de atribución mantiene la comparación honesta.

7. Análisis de datos sin benchmarks inventados

1Analiza estos datos como un analista riguroso.
2
3Los datos (exportados de [herramienta], de [producto o campaña], periodo [fechas]):
4[Pega la tabla]
5
6El umbral que importa: [CPA objetivo, tasa de conversión, techo de churn…]. Esta semana tengo que decidir [la decisión].
7
8Reglas:
91. Evalúa las cifras contra el umbral usando solo los datos de arriba. No mezcles benchmarks externos en la evaluación ni en la recomendación; si merece la pena mencionar una referencia externa, ponla en una nota aparte etiquetada «referencia externa, verificar» sobre la que la recomendación no puede apoyarse.
102. Señala anomalías o huecos antes de sacar conclusiones. Si algo no puede responderse con estos datos, di exactamente qué falta.
11
12Devuelve: un resumen de tres frases, los hallazgos punto por punto, una recomendación con cifras concretas y la lista de datos que faltan.

Ajustes recomendados. API: temperatura 1,0, el ajuste que DeepSeek documenta para análisis de datos. Restringir el modelo al material aportado es el guardarraíl contra el fallo clásico: «benchmarks del sector» sacados de ninguna parte.

8. Traducir entre español e inglés sin perder el registro

1Traduce el texto de abajo de [español a inglés / inglés a español].
2
3Registro: [formal / informal; si el destino es español, indica tú o usted].
4Audiencia: [quién lo va a leer].
5
6Glosario — traduce siempre estos términos exactamente así:
7- [término] → [traducción]
8- [término] → [traducción]
9No traduzcas: nombres de producto, código, nada entre acentos graves.
10
11El resultado debe leerse como escrito directamente en la lengua de destino — reordena las frases donde la estructura original sonaría a calco. Después de la traducción, lista los términos que te hayan hecho dudar con las alternativas que barajaste.
12
13El texto:
14[Pega]

Ajustes recomendados. API: temperatura 1,3, el ajuste que DeepSeek documenta para traducción. El glosario hace el trabajo pesado: fija una única traducción para cada término recurrente y mantiene la terminología coherente a lo largo de todo el documento. Y la instrucción anticalco es la diferencia entre un texto en español y un texto en inglés con palabras en español.

Guardarraíles: evitar que un modelo rápido invente

DeepSeek V4 Flash está hecho para la velocidad y el volumen, y una respuesta que llega rápida y barata es fácil de dar por buena sin comprobarla. Cuatro rutinas de verificación funcionan desde el prompt, en cualquier chat: permiso para no saber, análisis restringido a las fuentes, anclaje en citas y verificación afirmación por afirmación.

• Dale permiso para no saber. Una línea («si no tienes información suficiente, dilo en lugar de suponer») le pide al modelo que reconozca lo que no sabe. Los prompts 1 y 7 la llevan incorporada.
• Restríngelo al material aportado. «Usa solo el documento de arriba; no añadas conocimiento general» separa lo que dicen tus datos de lo que cree el modelo. Con una ventana de un millón de tokens, pocas excusas quedan para no aportar el material.
• Citas antes que conclusiones. Con entradas largas, haz que el modelo extraiga primero citas literales y razone solo a partir de ellas (prompt 5). Cada afirmación pasa a ser comprobable contra una línea concreta en lugar de descansar en la confianza.
• Verifica afirmación por afirmación antes de publicar. Para un texto que va a salir con datos dentro, añade una segunda pasada: «lista cada afirmación verificable de este borrador; para cada una, busca una cita que la respalde en las fuentes que te he dado; marca el resto con [SIN FUENTE]».

Y una nota de calibrado: el modo de razonamiento mejora cómo el modelo trabaja un problema; no es un verificador de hechos. Una respuesta razonada con esmero sobre una premisa falsa sigue siendo falsa, y por eso los guardarraíles de arriba apuntan a las premisas.

Si tu trabajo con prompts va más allá del chat, la galería de prompts de imagen y vídeo reúne generaciones reales con el prompt exacto detrás de cada una.

Preguntas frecuentes

¿Cómo escribo un buen prompt para DeepSeek V4 Flash?

Plantea una sola tarea, aporta el contexto y el material relevantes, detalla el formato de salida e incluye una regla de honestidad («marca lo que falte en lugar de suponerlo»). Ahórrate el «piensa paso a paso»: el modo de razonamiento viene activado por defecto según la documentación de DeepSeek. Para trabajo con datos, pega el material fuente en lugar de describirlo: el contexto de un millón de tokens está para usarse.

¿Estos prompts funcionan en ilisai sin cuenta de DeepSeek?

Sí. DeepSeek V4 Flash es un modelo seleccionable del chat de ilisai, y los créditos incluidos en tu plan se gastan en él como en cualquier otro modelo del catálogo — sin cuenta de DeepSeek ni clave de API. ilisai ejecuta el modelo de pesos abiertos a través de Fireworks AI, un proveedor de inferencia estadounidense; el artículo del modelo detalla dónde se ejecuta el modelo y el tratamiento de datos.

¿Le escribo en español o en inglés?

En español. Escríbele en el idioma en el que quieras la respuesta y declara el registro (tú o usted) cuando el texto vaya a publicarse — el prompt 1 trae la línea preparada. Los ocho prompts de esta página están adaptados al español precisamente para eso.

¿Qué temperatura uso?

En la API con el razonamiento apagado: 0,0 para código y matemáticas, 1,0 para análisis de datos, 1,3 para conversación y traducción, 1,5 para escritura creativa (guía de parámetros de DeepSeek). En modo razonamiento la API ignora la temperatura por completo. En ilisai no hay mando de temperatura: las instrucciones internas de cada bloque te cubren.

¿Puedo adjuntar archivos o imágenes?

Con este modelo, no — DeepSeek V4 Flash solo acepta texto, e ilisai desactiva el botón de adjuntar cuando lo seleccionas. Pega el contenido directamente; en la ventana de contexto caben varios libros. Los prompts 5 y 6 están construidos justo sobre ese flujo.