Técnicas de prompting avanzadas: Chain-of-Thought, Self-Consistency y más

Los modelos de lenguaje modernos tienen capacidades que no se activan con prompts simples. Las técnicas avanzadas de prompting son métodos para extraer razonamiento más profundo, reducir errores y mejorar la consistencia en tareas complejas.

Esta guía cubre las técnicas con evidencia empírica de que funcionan y explica cuándo aplicar cada una.

Chain-of-Thought (CoT)

Qué es: Pedir al modelo que razone paso a paso antes de dar la respuesta final. En lugar de ir directamente a la conclusión, expone el proceso de razonamiento.

Por qué funciona: Los LLMs generan tokens secuencialmente. Cuando el modelo escribe los pasos intermedios, esos pasos se convierten en contexto para los siguientes tokens, mejorando la precisión en tareas que requieren razonamiento encadenado.

Ejemplo — Sin CoT:

¿Cuánto es 15% de 847?

Respuesta: 127.05

Ejemplo — Con CoT:

¿Cuánto es 15% de 847? Razona paso a paso.

Paso 1: 15% = 15/100 = 0.15
Paso 2: 847 × 0.15
Paso 3: 847 × 0.1 = 84.7
         847 × 0.05 = 42.35
         84.7 + 42.35 = 127.05
Respuesta: 127.05

Variante — Zero-shot CoT: Simplemente añadir "Piensa paso a paso" o "Razona antes de responder" al prompt activa el razonamiento encadenado sin necesidad de ejemplos explícitos.

Cuándo usar CoT:

• Matemáticas y cálculos
• Razonamiento lógico y resolución de problemas
• Análisis multi-paso
• Clasificación con criterios complejos

Cuándo NO usar: Tareas de formato simple (extraer un dato, clasificar en categorías claras, traducir). El razonamiento añade tokens y latencia sin beneficio.

Few-Shot Chain-of-Thought

Combina ejemplos few-shot con razonamiento. Cada ejemplo incluye el proceso de razonamiento, no solo la respuesta.

Clasifica si esta política es adecuada para una empresa fintech.

Política: "Los empleados pueden usar dispositivos personales para acceder a sistemas internos"
Razonamiento: Los dispositivos personales no están bajo el control de la empresa. No tienen MDM instalado, pueden no tener cifrado, y no siguen las políticas de seguridad corporativas. En fintech, donde la regulación exige controles estrictos sobre el acceso a datos financieros, esta política introduce riesgo regulatorio.
Veredicto: No adecuada

Política: "El acceso a sistemas de producción requiere MFA y está registrado con timestamp, IP y usuario"
Razonamiento: Esta política cumple dos requisitos fundamentales: autenticación robusta (MFA) y trazabilidad completa. Permite auditorías y cumple con estándares como PCI-DSS y SOC 2 que exigen control de acceso y logging.
Veredicto: Adecuada

Política: [POLÍTICA A EVALUAR]
Razonamiento:

Self-Consistency

Qué es: Generar la misma respuesta múltiples veces con temperatura > 0 y tomar la más frecuente (voting). Reduce el efecto de las respuestas incorrectas por azar.

Cuándo usar: Preguntas con respuesta objetiva única (cálculos, razonamiento lógico, diagnósticos). No tiene sentido para tareas creativas o subjetivas.

from collections import Counter

def self_consistent_answer(prompt: str, n: int = 5) -> str:
    answers = []
    for _ in range(n):
        response = client.messages.create(
            model="claude-sonnet-4",
            max_tokens=500,
            messages=[{"role": "user", "content": prompt}],
            temperature=0.7,  # variabilidad para obtener respuestas distintas
        )
        answers.append(extract_final_answer(response.content))
    
    # La respuesta más común
    return Counter(answers).most_common(1)[0][0]

Coste: N llamadas al LLM por cada respuesta. Usar con moderación.

Tree-of-Thoughts (ToT)

Qué es: Extensión de CoT donde el modelo explora múltiples caminos de razonamiento en paralelo (un árbol), evalúa cada rama y continúa por las más prometedoras.

Cuándo usar: Problemas de planificación, puzzles, problemas de optimización donde hay que evaluar múltiples estrategias.

Problema: [descripción del problema]

Genera 3 enfoques distintos para resolver este problema. Para cada uno:
1. Describe brevemente la estrategia
2. Lista sus ventajas
3. Lista sus inconvenientes
4. Puntúa su viabilidad del 1 al 10

Luego elige el enfoque con mayor puntuación y desarróllalo en detalle.

Limitación: Mucho más costoso en tokens. Solo tiene sentido para problemas genuinamente complejos donde la exploración de alternativas aporta valor real.

ReAct (Reasoning + Acting)

Qué es: El modelo intercala razonamiento (Thought) con acciones (Action) y observaciones del resultado (Observation). Es la base de la mayoría de frameworks de agentes.

Estructura del prompt:

Thought: [razonamiento sobre qué hacer]
Action: [herramienta o acción a ejecutar]
Observation: [resultado de la acción]
Thought: [razonamiento sobre el resultado]
Action: [siguiente acción]
...
Thought: [razonamiento final]
Answer: [respuesta basada en todo lo anterior]

Ejemplo:

Thought: El usuario pregunta por el precio actual de BTC. Necesito buscarlo.
Action: search("bitcoin price USD current")
Observation: Bitcoin (BTC): $67,234 USD (+2.3% en 24h)
Thought: Tengo el precio. El usuario también podría querer contexto del mercado.
Action: search("bitcoin market cap dominance today")
Observation: Market cap: $1.32T. Dominancia BTC: 54.2%
Thought: Tengo suficiente información para responder completamente.
Answer: El precio actual de Bitcoin es $67,234 USD...

ReAct mejora mucho la calidad de los agentes con herramientas porque hace el razonamiento explícito y verificable.

Prompting estructurado con XML

Claude (y en menor medida otros modelos) responde especialmente bien a instrucciones estructuradas con etiquetas XML. Mejora la capacidad del modelo de distinguir entre instrucciones y contenido.

<instrucciones>
  Eres un asistente de análisis de contratos. 
  Extrae los datos del contrato en formato JSON.
</instrucciones>

<formato_output>
{
  "partes": ["nombre empresa A", "nombre empresa B"],
  "fecha_inicio": "YYYY-MM-DD",
  "duracion_meses": número,
  "valor_total": número,
  "moneda": "EUR" | "USD" | "otra"
}
</formato_output>

<contrato>
{texto_del_contrato}
</contrato>

Role-playing avanzado

Más allá de "eres un experto en X", el role-playing avanzado define el contexto completo: qué sabe el personaje, qué no sabe, qué motivaciones tiene, cómo habla.

Eres María, consultora de implementación de ERP con 12 años de experiencia.
Conoces perfectamente SAP, Sage y Microsoft Dynamics.
No conoces herramientas de BI ni tecnologías cloud-native (Kubernetes, etc.).
Tu objetivo es ayudar a los clientes a entender los requisitos de implementación.
Cuando no sabes algo, lo dices directamente y recomiendas contactar con un especialista.
Tu tono es directo y práctico. Sin jerga innecesaria. Con ejemplos concretos.

Meta-prompting

Pedir al modelo que genere o mejore sus propios prompts.

Tengo este prompt para clasificar emails de soporte:
---
[prompt actual]
---

¿Qué problemas ves en este prompt? ¿Cómo lo mejorarías?
Genera una versión mejorada que resuelva los problemas que identifiques.

Es especialmente útil cuando tienes un prompt que funciona parcialmente pero no sabes exactamente por qué falla en ciertos casos.

Cuándo usar cada técnica

| Técnica | Cuándo | No cuándo | |---------|--------|-----------| | Chain-of-Thought | Razonamiento, matemáticas, análisis multi-paso | Clasificación simple, extracción de datos | | Few-Shot | Output con formato específico, estilo particular | Tareas generales donde zero-shot funciona | | Self-Consistency | Respuestas únicas correctas, razonamiento lógico | Tareas creativas, respuestas subjetivas | | Tree-of-Thoughts | Planificación compleja, exploración de alternativas | La mayoría de tareas — sobreingeniería | | ReAct | Agentes con herramientas | Tareas sin herramientas externas | | Prompting estructurado | Outputs complejos, distinguir instrucciones de datos | Prompts simples |

---

Recursos relacionados:

• Guía de prompt engineering — fundamentos antes de las técnicas avanzadas
• Cómo estructurar un system prompt profesional — aplicar estas técnicas en system prompts
• Evaluador de System Prompts — evalúa si tu prompt usa las técnicas correctas
• Generador de System Prompt — construye tu system prompt con estructura profesional