Lectura completa
Chain of Thought
Chain of Thought es una estrategia de prompting que pide pasos intermedios de razonamiento antes de la respuesta final. Puede ayudar a abordar tareas complejas al separar el problema en partes y revisar el camino seguido. Esos pasos escritos sirven para orientar una solución; no son una prueba de todo lo que ocurre dentro del modelo.
Por ejemplo, para calcular 2x2+20^3 podemos pedir que el modelo identifique las operaciones, resuelva primero la potencia y compruebe el resultado. También podemos pedir que revise remitente, asunto y señales sospechosas antes de clasificar un correo como spam. En ambos casos, la instrucción solicita una secuencia de trabajo previa a la conclusión.
Prompt para un cálculo por etapas
Cuánto es 2x2+20^3?
Resuelve el problema por etapas: identifica los datos, elige la operación y comprueba el resultado antes de responder.Prompt para clasificar un correo
Antes de decidir si este correo es spam, revisa el remitente, el asunto y las señales de una oferta sospechosa. Explica y razona tu decisión.Thinking mode
Muchos modelos actuales incorporan una fase de razonamiento o thinking mode. Pueden planificar y revisar antes de responder, incluso cuando la persona no pide los pasos en el prompt. La aplicación que ejecuta al agente determina qué parte de ese proceso se muestra: un plan, un resumen o solo la respuesta final.
DeepSeek-R1 puede presentar razonamiento entre las etiquetas <think> y </think>. OpenAI no expone los reasoning tokens crudos; según la configuración puede entregar un resumen o solamente la respuesta. La visibilidad del proceso depende del modelo y de la aplicación.
Ejemplo ilustrativo de salida con etiqueta think
<think>
El usuario pide 2x2+20^3.
Primero la potencia: 20^3 = 8000.
Despues 2x2 = 4.
4 + 8000 = 8004.
</think>
8004En GitHub Copilot se puede probar la misma pregunta y observar la interfaz: qué texto muestra sobre su trabajo y cómo presenta el resultado 8004. La captura de la clase sirve para comparar esa presentación con el ejemplo de etiquetas anterior.
Pregunta para probar en GitHub Copilot
Cuánto es 2x2+20^3?Meta prompting
Meta prompting consiste en usar un LLM para generar o mejorar otros prompts. Es frecuente pedir a un modelo más capaz que prepare una instrucción detallada para otro modelo. El resultado de este primer paso es un prompt, no la solución de la tarea final.
Imaginemos que queremos resumir noticias. El prompt inicial solo dice "Resume esta noticia: {articulo}". Un meta prompt puede pedir al modelo que conserve esa tarea y agregue una estructura con tipo de noticia, resumen, etiquetas y análisis de sentimiento.
Prompt inicial para resumir noticias
Resume esta noticia: {articulo}Meta prompt para mejorar el resumen
Mejora el siguiente prompt para generar un resumen mas detallado.
Respeta las buenas practicas de prompt engineering.
Asegurate de que la estructura sea clara e intuitiva y que
contenga el tipo de noticia, etiquetas y analisis de sentimiento.
Resume esta noticia: {articulo}
Devuelve solo el prompt.La salida puede ser una instrucción que pida, en orden, la categoría de la noticia, un resumen claro, palabras clave y una explicación breve del sentimiento. Después se coloca el artículo real en {articulo} y se usa ese segundo prompt para resumir. Así distinguimos el momento de diseñar la instrucción del momento de ejecutarla.
Ejemplo de prompt producido
Lee la siguiente noticia y entrega un resumen completo que incluya:
1. Tipo de noticia: especifica la categoria del articulo.
2. Resumen: escribe los puntos principales con una estructura clara.
3. Etiquetas: lista palabras clave relevantes.
4. Analisis de sentimiento: indica si el tono es positivo, negativo o neutro y explica brevemente.
Noticia:
{articulo}Prompt chaining
Prompt chaining separa una instrucción grande en varias instrucciones más pequeñas. Cada respuesta produce un resultado intermedio que podemos revisar y usar en el siguiente prompt. En el ejemplo de esta clase, la persona encadena las etapas manualmente y puede ajustar la solicitud entre una y otra.
Consideremos el diseño de una clase de Educación Física de 45 minutos para 7° básico, con 35 estudiantes, niveles distintos de condición física, una cancha y pocos materiales. Una instrucción única podría pedir objetivos, tiempos, adaptaciones, monitoreo y revisión crítica de una sola vez. Podemos dividir ese trabajo en análisis, diseño, adaptación y evaluación.
Prompt grande de partida
Actúa como profesor experto en Educación Física y diseña una clase de 45 minutos para 7° básico enfocada en resistencia cardiorrespiratoria.
El curso tiene 35 estudiantes, distintos niveles de condición física y motivación, una cancha multiuso y equipamiento limitado a conos, cuerdas y balones.
La clase debe ser segura, inclusiva, progresiva y mantener a la mayor cantidad de estudiantes activos. Incluye objetivos, actividades, tiempos, intensidad, adaptaciones para distintos niveles, formas de monitorear el esfuerzo y una evaluación simple.
Revisa críticamente la propuesta, identifica posibles problemas de implementación y corrígelos antes de entregar la versión final.Los cuatro pasos del encadenamiento
En el primer paso pedimos criterios sin diseñar todavía la clase. En el segundo usamos esos criterios para organizar inicio, desarrollo y cierre. En el tercero adaptamos las actividades a distintos niveles sin separar públicamente a los estudiantes. En el cuarto evaluamos la planificación y corregimos problemas. Cada prompt recibe el resultado que necesita de la etapa anterior.
Prompt 1: análisis
Analiza este contexto de una clase de Educación Física de 7° básico y define los principales criterios que deberían orientar su diseño.
Contexto: 35 estudiantes, 45 minutos, foco en resistencia cardiorrespiratoria, cancha multiuso, pocos materiales y niveles heterogéneos de condición física.
Prioriza entre 5 y 7 criterios relacionados con intensidad, seguridad, inclusión, participación y organización. No diseñes todavía la clase.Prompt 2: diseño
Usando los criterios anteriores, diseña una clase de 45 minutos dividida en inicio, desarrollo y cierre.
Para cada etapa indica duración, actividad, organización e intensidad esperada. Minimiza tiempos de espera y prioriza participación simultánea.Prompt 3: adaptación
Revisa la clase anterior y adapta sus actividades para estudiantes con baja, media y alta condición física.
Mantén los mismos objetivos y modifica variables como distancia, tiempo, velocidad o pausas. Evita separar públicamente a los estudiantes por nivel.Prompt 4: evaluación y ajuste
Evalúa críticamente la planificación anterior.
Identifica hasta 5 problemas potenciales de seguridad, carga, organización, participación o supervisión docente. Propón una corrección concreta para cada uno y entrega una versión final revisada.La secuencia de cuatro pasos es un ejemplo, no una receta fija. Su valor está en poder observar el resultado intermedio y decidir qué información pasa a la etapa siguiente.
Task decomposition y sub-agentes
Task decomposition pide al modelo dividir un problema complejo en un conjunto de tareas. Ese conjunto ayuda a mantener el foco durante sesiones largas y a conservar el avance. Las tareas pueden resolverse en secuencia; algunas pueden ejecutarse en paralelo si no dependen unas de otras.
Prompt para descomponer una tarea
Descompongamos este problema.
Para completar el objetivo, indica qué necesitamos saber.
Lista esas subtareas de la más simple hasta el objetivo original.Con agentes, la división puede conducir a delegación. Un sub-agente es un agente especializado que recibe una tarea acotada y el contexto necesario para resolverla; luego devuelve un resultado al agente principal. El principal decide qué tareas encargar, usa resultados intermedios para formular nuevas tareas y reúne la respuesta final.
Cada sub-agente trabaja en un ciclo independiente y maneja su propio historial. Al recibir solo la tarea y el contexto necesarios, mantiene acotado el contexto activo de su llamada. La coordinación sigue a cargo del agente principal: debe comprobar e integrar lo que recibió. Esta organización puede ahorrar contexto y costo, y ayudar a revisar una solución con tareas especializadas.
Chain of Verification
Chain of Verification, o cadena de verificación, separa la producción de una respuesta de su revisión. Primero un agente resuelve una tarea. En otra sesión se entrega su resultado junto con criterios y fuentes. La revisión identifica errores, afirmaciones sin evidencia y requisitos incumplidos. Después se corrige la respuesta o se justifica por qué se conserva.
El revisor contrasta una salida con la evidencia disponible y con un objetivo claro. La separación entre generar y revisar ayuda a enfocar cada ejecución en una tarea distinta. El veredicto todavía necesita interpretación: una objeción sin evidencia suficiente no obliga a cambiar el resultado.
Adversarial review
En una adversarial review, un segundo agente intenta encontrar fallas en el trabajo o los hallazgos de un primero. El primero propone hallazgos con evidencia. El segundo cuestiona cada uno, busca omisiones y pide más evidencia. Una persona o un agente árbitro decide qué hallazgos aceptar, modificar o descartar. Usar modelos distintos puede reducir puntos ciegos compartidos.
Prompt para el agente crítico
Eres el crítico de una revisión de código. El cambio se mantiene congelado: no lo edites durante esta conversación.
## Solicitud original
{solicitud_original}
## Diferencia que se revisa
{diff}
## Revisión más reciente
{revision}
Evalúa dos cosas: ¿cada hallazgo corresponde a un error real? ¿La revisión omitió algún error real? Cita archivo:línea o un fragmento del diff.
Termina con exactamente un veredicto:
AGREE
DISAGREE_EVIDENCE: <cita de código que contradice un hallazgo>
DISAGREE_CONCERN: <duda que todavía necesita evidencia>Zero shot prompting
En zero shot prompting damos una instrucción directa para una tarea sin mostrar ejemplos resueltos. Debemos especificar lo que esperamos recibir, en especial el formato y la extensión, para que el modelo pueda responder sin pedir más datos. En clase usamos cuatro tareas: clasificar, resumir, traducir y proponer nombres.
Zero shot: clasificar
Clasifica este mensaje como Spam o No spam.
Responde solo con la etiqueta, sin preguntas ni explicaciones.
Mensaje: {mensaje}Zero shot: resumir
Resume esta noticia en dos frases.
Entrega solo el resumen, sin preguntas ni texto adicional.
Noticia: {articulo}Zero shot: traducir
Traduce este texto de inglés a español.
Entrega solo la traducción, sin preguntas ni texto adicional.
Texto: {texto}Zero shot: proponer ideas
Propón 5 nombres para una cafetería temática de gatos en Ñuñoa.
Entrega solo la lista numerada, sin preguntas ni explicaciones.Few shot prompting
En few shot prompting incluimos algunos pares de entrada y salida junto a la instrucción. El modelo observa el patrón y lo aplica a un caso nuevo. Los ejemplos ayudan a fijar formato, tono y criterio. La diferencia con zero shot es la presencia de casos resueltos en el mismo contexto.
Volvemos a las cuatro tareas anteriores para comparar. En clasificación agregamos mensajes ya etiquetados. En resumen mostramos noticias con su resumen. En traducción damos pares de frases. En nombres de cafetería mostramos temas y nombres propuestos. El caso nuevo va al final de cada prompt.
Few shot: clasificar
Eres el moderador del canal del curso IIC103G. Clasifica cada mensaje como Spam o No spam. Responde solo con la etiqueta.
Spam ofrece premios, pide datos o introduce urgencia comercial. No spam son dudas, avisos y coordinación.
Mensaje: "Gana un premio gratis aquí, haz clic ahora" -> Spam
Mensaje: "Nos juntamos mañana a las 10 en la sala 3?" -> No spam
Mensaje: "Oferta exclusiva, transfiere tus datos hoy" -> Spam
Mensaje: {mensaje} ->Few shot: resumir
Resume cada noticia para estudiantes de primer año en una frase de máximo 25 palabras. Mantén datos clave y tono neutro. Entrega solo el resumen.
Noticia: "El equipo local ganó 3 a 0 en el estadio nacional" -> "Victoria clara del equipo local por 3 a 0."
Noticia: "Lluvia intensa provocó cortes de luz en la capital" -> "Temporal con lluvia intensa y cortes de luz."
Noticia: {articulo} ->Few shot: traducir
Traduce del inglés al español manteniendo el tono original. Conserva nombres propios y entrega solo la traducción.
Texto: "Good morning, how are you today?" -> "Buenos días, cómo estás hoy?"
Texto: "See you soon at the meeting" -> "Nos vemos pronto en la reunión"
Texto: {texto} ->Few shot: proponer ideas
Propón un nombre corto y cercano para una cafetería de barrio en Ñuñoa. Entrega solo el nombre y evita palabras en inglés.
Tema: gatos -> "El Rincón del Bigote"
Tema: lluvia -> "Café Paraguas"
Tema: libros -> "La Esquina Lectora"
Tema: {tema} ->La información también ocupa contexto
Un agente que responde preguntas sobre un manual necesita información del documento además de una buena instrucción. Copiar el manual completo en cada pregunta puede llenar el contexto con páginas irrelevantes. La pregunta "¿Cómo activo el temporizador?" requiere una parte pequeña y precisa. Una búsqueda previa puede localizar fragmentos pertinentes y entregarlos al agente para mantener el contexto enfocado.