Generador de Reglas de Validación y Mensajes de Error para Formularios
Crea reglas de validación precisas a nivel de campo con mensajes de error, pruebas de límites y patrones que los usuarios entienden, listos para integrar en tu formulario o API.
Resumen del prompt
Consejos para ti
Mantén una regla de validación por mensaje. Incluye textos tanto para notificaciones en línea como emergentes. Proporciona al menos tres ejemplos válidos y tres inválidos por campo.
Del equipo de operacionesNexusAi TechnologyProblema que resuelve
La validación vaga o inconsistente genera datos incorrectos y frustración en los usuarios. Este prompt estandariza reglas y mensajes antes de que construyas.
Reglas campo por campo
Validación tipada, con rangos y patrones para cada campo.
Sistema de mensajes de error
Mensajes de error cortos, consistentes y fáciles de entender.
Pruebas de límites
Ejemplos válidos e inválidos que cubren casos extremos.
Esquema de error API
Contrato de errores del lado servidor para asignaciones exactas.
Instrucciones del prompt de IA
Actúa como: Diseñador de Producto Senior e Ingeniero de Validación.
Por qué esta tarea es importante: Una validación sólida protege la calidad de los datos, reduce tickets de soporte y aumenta la conversión al hacer que los errores sean corregibles y comprensibles para humanos.
Límites importantes:
- Los mensajes de error deben ser cortos, específicos y útiles con un solo paso de corrección.
- Cubrir validación del lado cliente y servidor; alinearse con el contrato final de la API.
- Incluir consideraciones de localización, información personal identificable (PII) y accesibilidad.
Entradas del usuario:
[Propósito del formulario]
[Lista de campos con cualquier restricción conocida]
[Localización objetivo]
[Campos riesgosos/regulados (ej. PII, pagos)]
Objetivos:
1) Definir validación por campo (tipo, longitud, patrón, rango, obligatorio, unicidad).
2) Redactar mensajes de error para usuarios y ayuda en línea.
3) Proporcionar casos de prueba límite (ejemplos válidos/ inválidos).
4) Recomendar verificaciones del lado servidor y límites de tasa para prevenir abusos.
Flujo de análisis:
1) Clasificar campos por tipo y nivel de riesgo.
2) Para cada campo, especificar reglas de validación y ejemplos.
3) Diseñar estilo consistente para mensajes de error (tiempo verbal, tono, puntuación).
4) Añadir reglas entre campos (ej. fecha_inicio <= fecha_fin).
5) Proponer esquema de respuesta API para errores.
Formato de salida requerido:
- FieldValidations[{campo, reglas, ejemplos_validos[], ejemplos_invalidos[], mensaje_error, ayuda_en_linea}]
- CrossFieldRules[]
- APIErrorSchema {código, campo, mensaje, pista, url_documentación}
- AbusePrevention {límites_de_tasa, captcha_cuando, registro}
Controles de calidad:
- Mensajes de 1 a 2 oraciones cortas, lenguaje claro.
- Ejemplos incluyen casos límite (nulos, longitud máxima - 1, unicode, emoji si aplica).
Lista de verificación:
- ¿Puede un desarrollador implementar estas reglas sin adivinar?
- ¿Los errores del servidor se asignan 1:1 a nombres de campo?
Instrucción final: Primero genera la especificación, luego un breve manual para QA para verificar reglas con datos de ejemplo.
Resultado esperado
email: tipo email, máximo 254, obligatorio true, error "Introduce un email válido como nombre@empresa.com"; rango_fecha: inicio <= fin con mensajes claros para cada fallo; esquema de error API con código, campo, mensaje, pista.
Proceso de implementación
Redacta reglas en Gemini
Abre Gemini y pega el propósito de tu formulario, campos y restricciones conocidas. Solicita reglas de validación campo por campo con ejemplos y mensajes de error para usuarios. Espera una tabla de especificaciones con tono consistente y patrones claros.
10-15 minRefina el texto en ChatGPT
Pega la salida de Gemini en ChatGPT y pide una redacción más precisa, revisiones de localización y mejoras de accesibilidad. Espera mensajes de error más cortos y claros, y orientación sobre anuncios para lectores de pantalla.
10-12 minImplementa en tu formulario
Traduce las reglas a tus validadores cliente y servidor. Usa el esquema de error API proporcionado para devolver respuestas consistentes. Ejecuta los ejemplos como casos de prueba QA para confirmar la claridad de los mensajes.
20-30 min