Encadenamiento de prompts: divide tareas de IA en pasos
Un único prompt gigante rara vez clava una tarea compleja. Encadenar prompts más pequeños, cada uno pasando el testigo al siguiente, es más fiable y mucho más fácil de depurar.
Pídele a un modelo que "lea estos diez tickets de soporte, encuentre los tres problemas que más se repiten, redacte una solución para cada uno y escriba un correo de resumen para el equipo", y recibirás algo que roza las cuatro tareas sin clavar ninguna. Los hallazgos son superficiales, las soluciones genéricas y el correo parece relleno. El modelo no es el eslabón débil. Le entregaste cuatro tareas cosidas en un solo aliento y las promedió todas. Divide esa petición en una secuencia de prompts más pequeños, donde cada uno hace un único trabajo y alimenta al siguiente, y la calidad sube rápido. Eso es el encadenamiento de prompts, y es la forma más fiable de sacarle trabajo de verdad a una IA en cualquier cosa complicada.
Por qué un único prompt gigante se desmorona
Un modelo tiene un presupuesto fijo de atención para cada respuesta. Cuando metes investigación, estructura, tono y formato en una sola instrucción, reparte ese presupuesto en migajas y se compromete con todo de una sola pasada. No hay ningún punto en el que se detenga, revise el resultado intermedio y corrija el rumbo. Una mala lectura de la fuente al principio envenena en silencio todo lo que viene después.
Lo notas sobre todo en tareas con estos rasgos:
- Varias subtareas distintas que merecen toda la atención por separado
- Pasos que dependen del resultado de pasos anteriores
- Un punto donde un pequeño error inicial se acumula hasta convertirse en uno enorme al final
- Necesidades de formato que chocan entre sí (un análisis largo y luego una respuesta ajustada de una línea)
Un único bloque de salida tampoco te deja nada que inspeccionar. Si el resumen está mal, no sabes si falló la investigación, la estructura o la redacción. Miras un plato terminado sin idea de qué ingrediente estaba en mal estado. Si todavía estás asentando lo básico, la guía de fundamentos combina bien con todo lo que viene a continuación.
La idea central: el paso N alimenta al paso N+1
El mecanismo es casi vergonzosamente simple. Divides una tarea en pasos ordenados. La salida del paso N se convierte en la entrada del paso N+1. Cada prompt parte de un resultado limpio y verificado en lugar de tu deseo original y difuso.
Como cada paso produce un resultado concreto, obtienes puntos de control gratis. Un paso de investigación te entrega notas para hojear; un paso de esquema te entrega una estructura que aprobar antes de que exista una sola frase del borrador. El encadenamiento de prompts convierte un salto opaco en una serie de brincos cortos y verificables, y el modelo solo tiene que acertar en cada brinco en vez de acertar en todo a la vez.
Encadenar y la cadena de pensamiento no son lo mismo
Se confunden constantemente. La cadena de pensamiento vive dentro de una sola respuesta: le pides al modelo que razone paso a paso antes de responder, y todo ese pensamiento ocurre en una única llamada. El encadenamiento de prompts vive a lo largo de varias respuestas: ejecutas llamadas separadas y encaminas la salida de una hacia la siguiente.
Se complementan sin fricciones. Un mismo eslabón de tu cadena puede usar por dentro la cadena de pensamiento, razonando hasta llegar a la salida de ese paso. Recurre al razonamiento cuando lo difícil es *pensar*; recurre al encadenamiento cuando lo difícil es el *alcance*. Para la parte de razonamiento, mira la guía de cadena de pensamiento, y la herramienta de prompts de cadena de pensamiento puede montarte esa estructura de razonar y comprobar para cualquier paso individual.
Patrones que vale la pena robar
Casi todas las cadenas útiles son variaciones de un puñado de formas:
- Investigar, esquematizar, redactar y editar para textos largos
- Extraer, transformar y resumir para datos de origen desordenados
- Generar, criticar y revisar para una calidad que puedas defender
- Descomponer, resolver cada parte y sintetizar para problemas con varias piezas
Aquí tienes la cadena de escritura como tres prompts etiquetados. Fíjate en cómo cada uno nombra su entrada y su salida:
El patrón de generar, criticar y revisar es igual de portátil y funciona con casi cualquier resultado que te importe:
El patrón de descomponer, resolver y sintetizar encaja con problemas que se dividen en partes independientes que abordas de una en una:
Estos son el tipo de ejemplos de encadenamiento de prompts que puedes adaptar en cinco minutos. Cambia el tema, conserva la forma.
Cómo diseñar cada eslabón y su traspaso
Un buen eslabón tiene tres cosas fijadas antes de ejecutarlo: un único trabajo, una entrada definida y un formato de salida especificado. Si un paso intenta hacer dos cosas, divídelo. Si no eres capaz de describir qué debe traspasar, aún no estás listo para escribir el siguiente prompt.
El formato de salida es donde las cadenas viven o mueren, porque esa salida es la entrada del siguiente paso. Los traspasos en prosa pierden información y son difíciles de interpretar. Los traspasos estructurados, no. Pide JSON y el siguiente paso recibe campos limpios en lugar de párrafos que tiene que reinterpretar:
Ahora el paso dos recibe ese array y lo transforma sin adivinar dónde termina un elemento y empieza el siguiente. La herramienta de prompts JSON te ayuda a fijar un esquema, y una vez que un eslabón funciona más o menos, el optimizador de prompts afina su redacción para que la salida se mantenga consistente ejecución tras ejecución.
Hacerlo a mano frente a automatizarlo
Puedes ejecutar una cadena entera a mano en una ventana de chat. Envía el prompt uno, lee el resultado, pégalo en el prompt dos, y así sucesivamente. Este es el ritmo adecuado para trabajos puntuales y primeros experimentos. Ves cada resultado intermedio y puedes arreglar un paso defectuoso al instante, antes de que se propague. Herramientas como un generador de prompts de Claude te ayudan a redactar cada eslabón rápidamente mientras experimentas.
Cuando una cadena demuestra ser útil y necesitas ejecutarla cien veces, pásala a código. Un script llama al modelo para el paso uno, captura la salida y la pasa de forma programática al paso dos. Aquí es donde el prompting en varios pasos deja de ser un hábito manual y se convierte en una pequeña tubería. El coste es real: la automatización aparta tus ojos del medio, así que tienes que añadir comprobaciones que antes hacía gratis una persona. Lo manual es para explorar; lo automático es para el volumen una vez que la forma está asentada.
Dónde se rompen las cadenas y cuándo saltárselas
Las cadenas fallan en puntos concretos y predecibles. Un paso devuelve un JSON mal formado y el siguiente se atasca. Un eslabón alucina un detalle y todos los pasos posteriores lo tratan como un hecho. La latencia y el coste se acumulan porque ahora haces varias llamadas en lugar de una. Protege las costuras:
- Valida cada traspaso antes de pasarlo adelante; rechaza y reintenta las salidas defectuosas
- Mantén la fuente original disponible para los pasos posteriores, para que los errores no viajen sin control
- Añade un paso de verificación que audite el resultado casi final contra tus criterios
- Registra las salidas intermedias para ver qué eslabón se rompió, no solo que algo falló
Y a veces no deberías encadenar en absoluto. Buscar un solo dato, una clasificación breve, una reescritura rápida, una respuesta de un párrafo sin dependencias internas: un único prompt es más rápido, más barato y menos frágil. Recurrir al encadenamiento de prompts en una tarea que cabe en un prompt limpio solo añade llamadas y puntos de fallo sin ninguna ganancia. La habilidad está en saber qué tareas tienen de verdad pasos separables y dependientes. Para una orquestación más pesada y el criterio que hay detrás, la ingeniería de prompts avanzada profundiza en dónde el encadenamiento justifica su coste.
