Contenido del curso
Técnica Chain of Thought para prompts más efectivos
¡Mejora la calidad de tus interacciones con inteligencia artificial usando la técnica Chain of Thought! Esta metodología de prompting, conocida también como "cadena de pensamiento", permite que los modelos de lenguaje procesen preguntas complejas a través de pasos secuenciales, realizando un razonamiento que lleva a respuestas más precisas y consistentes.
¿Qué es Chain of Thought?
Chain of Thought implica estructurar las instrucciones dadas al modelo para que éste "piense paso a paso" antes de dar una respuesta final. Esta técnica surgió incluso antes de la existencia de modelos con capacidad para razonar y continúa siendo efectiva para mejorar las respuestas en modelos actuales como GPT-4.
¿Cómo beneficia a los modelos actuales?
Los nuevos modelos de razonamiento, como GPT-4, han incorporado esta técnica para automatizar el proceso lógico interno. Estos modelos ahora toman más tiempo en responder porque ejecutan una secuencia lógica explícita que justifica el resultado final.
¿En qué situaciones es útil usar Chain of Thought?
Se recomienda aplicar esta técnica especialmente cuando:
Ejemplo práctico con GPT-4
Al introducir una pregunta como: "Le das una patada a una pelota, esta se aleja cinco metros pero regresa hacia ti sin intervención ajena, ¿por qué?", un modelo común podría dar respuestas poco acertadas, como indicar que la pelota es un boomerang. Sin embargo, al incluir "piensa paso a paso", como parte de Chain of Thought, el modelo realiza una deducción lógica y precisa: has lanzado la pelota hacia arriba y la gravedad la devuelve directamente hacia ti.
Aplicar Chain of Thought en escenarios reales
Para implementarlo con éxito en contextos reales, como por ejemplo la creación de publicaciones en redes sociales a partir de documentos complejos, es posible definir claramente un paso a paso orientado a resultados óptimos:
¿Qué caracteriza a un tweet exitoso con esta técnica?
Con estas pautas, se puede recomendar al modelo:
¿Ya has probado utilizar Chain of Thought en prompts para inteligencia artificial? ¡Cuéntanos cómo te ha funcionado esta técnica!
Juan Carlos Quishpe
Estudiante
Jose Ricardo Dueñas Suarez
Estudiante
Humberto Cruz
Estudiante
Gabriel Obregón
Estudiante
Alejandro Sánchez Pabón
Estudiante
BALFRE VAZQUEZ CASTREJON
Estudiante
Lourdes Gallardo
EstudianteLuis Alejandro Sarmiento
Estudiante
Manuel Schaller
Estudiante
Julio Reyes
Estudiante
Isaac David Hernández Vallejo
Estudiante
Julio Cesar Romero
Estudiante
Javier Ramos
Estudiante
Alieth Vásquez
Estudiante
Carlos Fabrishio Venegas Arana
Estudiante
Andres David Martinez Torres
Estudiante
Gustavo Alexander Alcántara Aravena
EstudianteAlieth Vásquez
Estudiante
Paola Segura
Estudiante
Edisson Payés
Estudiante
Edgar Pérez
EstudianteIntroducción al Chain of Thought (Cadena de Pensamiento) Chain of Thought es una técnica de prompting que surgió antes de que existieran modelos capaces de razonar. Se utiliza para que los modelos sigan una secuencia lógica de pasos al responder, en lugar de dar una respuesta directa basada solo en probabilidades.
Diferencia entre respuesta directa y razonada Un ejemplo práctico muestra cómo una pregunta sin guía produce una respuesta errónea (como suponer que una pelota es un boomerang). Pero al añadir la instrucción “piensa paso a paso”, el modelo puede construir una respuesta lógica basada en contexto, como considerar una pendiente en el terreno.
Ventajas del razonamiento en modelos avanzados Los modelos con razonamiento avanzado, como GPT-4, integran este paso a paso de forma nativa. No necesitan que se les diga explícitamente que razonen, porque ya lo hacen internamente al construir sus respuestas.
Aplicación del razonamiento en matemáticas Resolver una ecuación matemática requiere un proceso ordenado: paréntesis, multiplicación/división y luego suma/resta. Este mismo razonamiento estructurado es el que Chain of Thought intenta emular en modelos LLM al enfrentarse a problemas complejos.
Uso de documentos como contexto En lugar de solo incluir información en el prompt, se puede adjuntar un archivo (como un paper académico) para que el modelo lo analice y genere conclusiones. Esto es útil para tareas como crear contenido en redes sociales basado en investigaciones.
Generación de contenido con base en Chain of Thought Al pedirle al modelo que actúe como un Social Media Manager, se puede estructurar un flujo de trabajo claro:
Características de un tweet efectivo Un buen tweet basado en Chain of Thought:
Importancia de estructurar las instrucciones en el prompt Al definir claramente rol, instrucciones, reglas y resultados esperados, se mejora significativamente la calidad de la respuesta. Esto simula buenas prácticas al delegar tareas, eliminando ambigüedades y guiando al modelo hacia el objetivo deseado.
Limitaciones del enfoque estructurado Aunque la estructura garantiza precisión, también puede limitar la creatividad. Si se busca exploración o brainstorming, es mejor permitir mayor libertad al modelo.
gracias
Les comparto dos técnicas de Prompt Chaining:
EJEMPLO SOCIAL MEDIA MANAGER VISTO EN CLASE (usando técnicas Chain of Thought )
Con el prompt que creamos, dimos instrucciones claras y reglas precisas. Cumplimos con el rol asignado. Estas instrucciones fueron más detalladas de lo que inicialmente esperábamos, pero eso nos permitió obtener un resultado mucho más evidente. Aunque el modelo de razonamiento (como ChatGPT O1) ya intenta pensar paso a paso, las instrucciones que le dimos le indicaron exactamente qué pasos debía seguir.
Aplicación de aprendizajes previos: técnica Few-Shot
En este tipo de prompt también podemos incluir aprendizajes anteriores. Por ejemplo, usar la técnica Few-Shot, que consiste en dar ejemplos de lo que es un buen tuit y lo que es un mal tuit. Esto es útil cuando nos cuesta encontrar las palabras adecuadas para describir lo que queremos.
Beneficios y limitaciones
Como en todo lo que hemos visto, esto tiene ventajas y desventajas.
Ventajas:
Desventajas:
Una reflexión sobre cómo delegar tareas
Estas técnicas, como Chain of Thought y otras formas de prompting, nos enseñan una lección sobre cómo delegar bien una tarea, ya sea a una persona o a un modelo de lenguaje (LLM). Lo importante es reducir la ambigüedad de lo que pedimos, ser claros con lo que esperamos como resultado, y definir bien las reglas: qué está bien, qué está mal, qué se acepta y qué no.
¿Cuándo conviene usar este enfoque?
Si el resultado que buscamos es claro y específico, este tipo de prompt detallado funciona muy bien. Pero si lo que queremos es un ejercicio de creatividad o brainstorming, un enfoque menos estructurado puede ayudarnos a explorar ideas que no se nos habrían ocurrido.
DETALLE DEL EJEMPLO:
Modelo usado ChatGPT o1 (modelo de razonamiento) con pdf adjunto.
Prompt:
Actúa como Social Media Manager.
<instrucciones>
¿Qué haría un social media manager con este paper para crear el tweet?
1. Analizar el documento adjunto, y crea una lista de las conclusiones más relevantes del documento.
2. Buscar situaciones de la vida real donde las conclusiones que obtuviste del paso 1, sean relevantes. Y con esto, enlaza las conclusiones a cómo ayudarían a una persona a crear mejores prompts
3. Genere tres tweets para escoger cual es el mejor.
4. Optimice las opciones de tweets a qué sea algo qué las personas quieran re-postear, dar like o responder
</instrucciones>
<reglas>
- El tweet no debe citar al documento directamente, debe funcionar sin el contexto del documento adjunto.
- Usa un lenguaje coloquial, y que personas que no son académicas puedan entenderlo.
</reglas>
¿Querés que analice el PDF también y te ayude a crear esos tweets?
Más comentarios reales, menos resumenes de la clase hechos con chatGPT, para eso lo hago yo mismo
Este modelo tambien es mas costoso por lo que integrarlo a una solucion B2C traeria costos mas altos
La técnica de Chain of Thought no se limita exclusivamente a modelos de razonamiento. Aunque es más efectiva en estos modelos debido a su capacidad para procesar instrucciones y realizar pasos lógicos, también puede ser utilizada en modelos que no tienen capacidades avanzadas de razonamiento. Sin embargo, la calidad de las respuestas puede variar y es posible que no se obtengan resultados tan precisos. La clave es cómo se estructuran los prompts y la claridad de las instrucciones proporcionadas, algo que se puede aplicar en diversos contextos dentro del prompting.
El enfoque de prompting más adecuado para fomentar la máxima creatividad en brainstorming es utilizar técnicas menos estructuradas, como el few-shot o enfoques más abiertos sin restricciones específicas. Esto se debe a que la creatividad puede verse limitada por instrucciones demasiado detalladas. En la clase se menciona que, aunque técnicas como el Chain of Thought son útiles para obtener respuestas más precisas y lógicas, para generar ideas innovadoras es preferible permitir que el modelo tenga mayor libertad y explore conceptos más variados.
Acabo de hacer la prueba con el acertijo de las 2 puertas y los 2 guardias:
Me encuentro en una habitación con dos puertas, cada una está custodiada por un guardia. Una puerta lleva a mi destino, mientras que la otra no me lleva a ningún lado. Sé que uno de ellos miente y el otro dice la verdad. Solo puedo hacer una preguntar a uno de los dos guardias para saber qué puerta debo abrir para llegar a mi destino. ¿Qué pregunta le harías? Piensa paso a paso <u>Respuesta de ChatGPT</u>: Este es un clásico acertijo lógico, y para resolverlo paso a paso debemos asegurarnos de que la pregunta revele la puerta correcta, sin importar si le hablamos al guardia que miente o al que dice la verdad.
Paso 1: Entender las condiciones
Hay dos puertas: una lleva a tu destino, la otra no.
Cada puerta tiene un guardia.
Un guardia siempre miente, el otro siempre dice la verdad.
Solo puedes hacer una pregunta a un solo guardia.
Paso 2: Objetivo
Formular una única pregunta tal que, independientemente de a quién le preguntes, su respuesta te permita saber qué puerta elegir.
Paso 3: Estrategia
Usamos una técnica de doble negación lógica. En lugar de preguntar directamente cuál es la puerta correcta, haremos una pregunta que involucre lo que el otro guardia diría. Así:
"Si yo le preguntara al otro guardia cuál es la puerta que lleva a mi destino, ¿qué puerta me señalaría?"
Paso 4: Lógica de la respuesta
Veamos qué pasa en cada caso:
Caso 1: Le preguntas al guardia que dice la verdad
Él te dirá lo que el otro (el mentiroso) diría.
Como el otro mentiría, el guardia veraz te dirá una mentira (por medio del otro).
Por tanto, la puerta que te indique no es la correcta.
Caso 2: Le preguntas al guardia que miente
Él mentirá sobre lo que el otro (el veraz) diría.
Como el otro te diría la verdad, pero este está mintiendo sobre ello, también te dará una respuesta falsa.
De nuevo, la puerta que te indique no es la correcta.
Paso 5: Conclusión
¡Ambos siempre te señalarán la puerta incorrecta!
Por tanto, elige la otra puerta.
✅ Pregunta correcta:
"Si yo le preguntara al otro guardia cuál es la puerta que lleva a mi destino, ¿qué puerta me señalaría?"
Y luego: abre la puerta contraria a la que te indique.
Los modelos como O3, O4, Gemini 2.5 Pro y Opus 4 han avanzado en su capacidad de razonamiento. Aunque Chain of Thought (cadena de pensamiento) puede no ser estrictamente necesario para ellos, sigue siendo útil en contextos complejos para mejorar la claridad y coherencia en las respuestas. Estos modelos son más eficientes en procesos lógicos, pero utilizar técnicas de prompting como Chain of Thought puede potenciar aún más su rendimiento, especialmente al abordar problemas que requieren análisis detallado.
Chain of Thought (CoT); no es solo pedir una respuesta; es pedir una ruta de razonamiento.
Chain of Thought Prompting
Técnica de razonamiento paso a paso para respuestas más precisas y coherentes.
🔹 1. ¿Qué es Chain of Thought (CoT)?
🔹 2. Beneficios en modelos actuales
🔹 3. Cuándo aplicarlo
🔹 4. Ejemplo práctico
Pregunta:
“Le das una patada a una pelota, se aleja 5 metros y regresa hacia ti sin intervención ajena, ¿por qué?”
🔹 5. Aplicación en escenarios reales
Ejemplo: Crear publicaciones en redes sociales desde documentos extensos.
🔹 6. Características de un buen contenido con CoT
💡 Tip final: Añadir “piensa paso a paso” al prompt no solo mejora la precisión, sino que te permite guiar el razonamiento del modelo para que llegue a la respuesta más lógica y útil.
clase imperdible para entender lo que está pasando en cuanto a los avances de la IA se dan
Zero-shot, few-shot y chain of thought son técnicas de prompting en IA, cada una con características distintas:
Zero-shot: El modelo responde a una pregunta sin ejemplos previos. Se basa en el contexto dado en el prompt sin información adicional.
Few-shot: El modelo utiliza unos pocos ejemplos en el prompt para guiar su respuesta. Esto ayuda a mejorar la precisión al mostrar cómo se debe estructurar la información.
Chain of thought: Se enfoca en hacer que el modelo razone paso a paso. Esta técnica mejora la capacidad del modelo para resolver problemas complejos al seguir un proceso lógico antes de dar una respuesta.
Cada técnica tiene sus aplicaciones dependiendo del nivel de detalle y la claridad que se requiera en la respuesta.
Respuesta de Gemini al dia de 13/01/2026
¿La clave para que una IA resuelva problemas complejos? ¡Que aprenda a razonar paso a paso! 🧠
Este paper de Google Research demuestra cómo el "Chain-of-Thought Prompting" eleva el potencial de los LLM en lógica y matemáticas. 🚀✨ #AI #LLM #Tech #Innovation
Chain of Thought (CoT) mejora la calidad de las respuestas de modelos de lenguaje al obligarlos a razonar paso a paso. Las ventajas incluyen:
Para desarrollar códigos poderosos, sigue estas buenas prácticas:
Estas prácticas mejoran la mantenibilidad y la eficiencia del código.
"Chain of Thought" (cadena de pensamiento) es una técnica de prompting en modelos de lenguaje que guía al modelo a razonar paso a paso para llegar a una respuesta. En lugar de generar respuestas de manera aleatoria, se le pide al modelo que descomponga el problema y analice cada parte antes de dar una conclusión. Esto mejora la calidad de las respuestas, especialmente en tareas que requieren lógica y razonamiento, como resolver acertijos o problemas matemáticos. Es esencial para obtener resultados más precisos y lógicos.
Para hacer clasificaciones en entrevistas de profundidad
Usando Chagpt 5 Instant: El mismo ejemplo con el Prompt "Le das una patada a una pelota, esta se aleja 5 metros, pero vuelve directamente a ti sin que nadie te la devuelva. ¿Por qué?",
Respuesta: Porque la pateaste hacia arriba. La pelota subió 5 metros, pero la gravedad la hizo volver directamente a ti sin que nadie la devolviera.
¿Cómo creen que el modelo interpreta la diferencia entre "instrucciones" y "reglas"? Para mi tienen el mismo objetivo en el contexto del prompting.
