Prompt chaining como línea de ensamblaje
Contenido del curso
Prompt chaining como línea de ensamblaje
Contenido del curso
Gabriel Obregón
Marcela López
Mateo Montoya Henao
Robert Naranjo
Alejandro Nieto
Juan Carlos Gutiérrez Ayala
Carlos Machado
Héctor Alonso Padilla Ramírez
Edgar Villatoro Pérez
Brenda Iliana Gallegos López
Christian Rangel
Kenneth Angulo L
Yonier Julián Arias Pérez
Ariana Daniela Perez Gonzalez
Andrea Carolina Izaguirre Salazar
Emmanuel Rodríguez
Andrés López de Mesa Trujillo
Julian Mauricio Perez Mora
Tomas Carrasco Fuentes
Emmanuel Rodríguez
Daniel Alfredo García Serna
GISELLE ABIGAIL SORTO OVISPO
Catalina Betancur Betancur
kevin leonardo sinza salcedo
Emmanuel Rodríguez
🧠✨ PROMPT CHAINING
🔍 ¿QUÉ ES?
Prompt chaining = encadenar prompts como una línea de ensamblaje. Cada paso (o estación) tiene una tarea concreta y su resultado alimenta al siguiente.
🎯 Ideal para:
🧩 OBJETIVO GENERAL
➡️ Dividir una tarea grande en partes pequeñas, claras y manejables.
➡️ Controlar el contexto y evitar errores.
➡️ Aumentar precisión y coherencia en los resultados.
⚙️ CÓMO FUNCIONA
🔹 1. Define estaciones: cada una con su objetivo y salida.
🔹 2. Crea un prompt nuevo: un chat por estación.
🔹 3. Encadena resultados: salida del paso N → entrada del paso N+1.
💬 Cada estación se puede mejorar sin alterar las demás.
🔄 DIFERENCIAS CON OTRAS TÉCNICAS
🧩 Chain of Thought: Razonamiento paso a paso dentro de un único prompt.
🔁 Self-Consistency: Promedia varias respuestas para hallar un consenso.
⚙️ Prompt Chaining: Divide la tarea en prompts separados, optimiza el contexto y refina los resultados paso a paso.
🚧 PROBLEMAS QUE EVITA
🚫 Saturación de la ventana de contexto
🚫 Olvido de instrucciones previas
🚫 Confusión por exceso de archivos adjuntos
🚫 Dificultad para seguir el hilo lógico
🧠 TÉCNICAS ÚTILES EN CADA ESTACIÓN
🗂️ Usa etiquetas → “Hallazgos”, “Resumen”, “Datos”.
📋 Pide formatos específicos → listas, categorías, número de palabras.
🗣️ Repite el objetivo e idioma al inicio de cada prompt.
📎 Copia solo lo necesario al siguiente paso.
Gracias Gabriel, muy útiles estos apuntes. ¿Los hiciste con Claude?
✨ Resumen Visual de la Clase: Prompt Chaining ✨
1. La Idea Central (El Core 💡):
Divide tareas complejas en pasos independientes para optimizar el uso de modelos de lenguaje generativo.
2. Puntos Clave (En viñetas 📌):
3. El Ejemplo o Dato Crucial 🚀:
Generar un resumen de un informe sobre cambio climático en 3 pasos: extraer puntos clave, clasificarlos y resumir en 100 palabras.
4. Conexión o Siguiente Paso 🔗:
Este enfoque ayuda a estructurar proyectos complejos, facilitando la creación de contenido y estrategias de marketing efectivas.
Explicación sencilla y cotidiana sobre Prompt Chaining
Imagina que le pides a un asistente que te organice un viaje de negocios a Monterrey.
El output (resultado) del prompt 1 se vuelve el input (contexto) del prompt 2. La calidad del resultado final es 100 veces superior.
A no ser que estés programando, difícilmente vas a saturar la ventana de contexto de Gemini; es 7.8 veces más grande que la ventana de contexto de ChatGPT.
Y NotebookLM a día de hoy (9/26/2025) sigue siendo la mejor opción para abstraer información sobre un documento adjunto.
Prompt chaining solo es efectivo cuando haces consultas cruzadas a Agentes. Fuera de eso es prácticamente ineficiente, tanto en el ecosistema de Google, como con ingeniería de prompting "avanzada".
De acuerdo con las mismas empresas que generan estos desarrollos digitales, Gemini 1.5 ofrece “megacontexto” (≈1–2M tokens) frente a 128K de GPT-4 Turbo; de ahí el ~7.8× que aparece en muchos sitios como referencia, al comparar 1M vs 128K. Por su parte, Claude 3 suele operar en ~200K (con buen rendimiento en lectura larga) y Perplexity ronda 200K, con modos de archivos que se acercan a ~1M. En la práctica, fuera de código o repositorios/documentos masivos, creo que sería muy poco cómun que una persona lograra saturar millones de tokens: pesa más el enrutamiento del contexto (chunking, ranking como se les conoce en el argot técnico) y la atenuación de señales al crecer el prompt. Si se le diseña bien, un RAG/índice supera “meterlo todo” y hace que la ventaja bruta de tamaño solo sea un factor decisorio en casos límite.
NotebookLM destaca para abstracción anclada a las fuentes que se le proporcionan (citas, multisource, resúmenes sólidos, incluso audio) y reduce alucinaciones, pero no sustituye a ChatGPT/Claude/Perplexity en creatividad y conversación general.
La técnica prompt chaining es efectiva cuando el flujo es lineal y determinístico (esquema→borrador→revisión); fuera de eso, suele volverse ineficiente por latencia y propagación de errores. Para tareas complejas, funcionan mejor enfoques basados en agentes con planificación, herramientas y RAG dinámico (paralelizan subtareas y verifican), donde el encadenado ocurre dentro del orquestador y no “a mano”. No he terminado de ver el curso, pero seguramente en una de las clases el profesor introducirá estas ideas para los que nos adentremos más en el tema.
Personalmente para programar He usado varios modelos y si he tenido conversaciones muy largas sin ser conciente de la ventana de contexto. Todos se han roto, alucinado y olvidado instrucciones en algún momento.
El dia de hoy aplicando lo de este curso en el trabajo, la presición subio demasiado. Ya con un solo uno o dos prompts bien estructurados he tenido excelentes resultados.
Aún tengo dudas cuando te enfrentas a un reto de ing de sotware grande que involucra decidir el diseño de un sistema que está estructurado por capas. Aveces me cuesta decidir por donde ir y los LLM me ayudan a dar dirección. SIn embargo voy a probar Prompt Chainig con uno de estos retos grandes que se me presentan ya que si converso mucho tiempo sobre un problema de este tipo con un solo chat se va por las ramas.
Resumen Gráfico, by Napkin AI
muy buenos resumentes visuales, gracias!
define y diferencia prompt chaining, chain of thought y self-consistency
La diferencia principal es que Prompt Chaining se enfoca en la ejecución secuencial de prompts para construir una solución, mientras que CoT y Self-Consistency se centran en mejorar el razonamiento interno del modelo para una misma tarea.
Esta técnica consiste en hacer un prompt diferente tomando como base el resultado del promt anterior.
📝 Resumen corto
Prompt chaining permite resolver tareas complejas dividiéndolas en pasos pequeños, claros y conectados. En lugar de pedirle todo al modelo en un solo prompt, se crea una cadena donde cada resultado se convierte en la entrada del siguiente. Esto ayuda a controlar la ventana de contexto, reducir alucinaciones y mejorar la calidad del resultado final.
🔍 Puntos importantes
💡 Frase para recordar
Prompt chaining convierte una tarea compleja en una cadena de pasos simples, donde cada resultado prepara el camino para el siguiente.
Si intentas resolver un problema multifacético con una sola instrucción gigante, te enfrentarás a lo que se conoce como degradación de atención. Los modelos de lenguaje tienden a enfocarse en el principio y el final de un texto largo, ignorando las instrucciones del medio. Es como pedirle a alguien que vaya al supermercado y recitarle una lista de 50 artículos sin dejar que la anote; inevitablemente olvidará cosas o traerá productos equivocados. En la práctica, esto se traduce en que la IA omitirá restricciones importantes, mezclará formatos o inventará datos para intentar cumplir con todo a la vez. Al forzar todo en un solo bloque, pierdes el control sobre la calidad intermedia y el resultado final será genérico
¿Puedo usar esto para programar código complejo?
Absolutamente, de hecho, es una de las mejores estrategias para el desarrollo de software. En lugar de pedirle a la IA que cree una aplicación web completa desde cero, lo cual generará código desordenado y lleno de errores, puedes encadenar el proceso. El primer paso podría ser definir la arquitectura y la base de datos. El segundo, tomar esa arquitectura para generar el código del backend. El tercero, usar las rutas del backend para programar el frontend. Y un cuarto paso exclusivo para buscar vulnerabilidades de seguridad. Al fragmentar el desarrollo, te aseguras de que la IA actúe como un especialista enfocado en una sola capa tecnológica a la vez, produciendo código mucho más limpio, modular y funcional.
📖 Iteración Independiente y Optimización Modular
La mayor ventaja del prompt chaining no es solo la precisión, sino también la capacidad de optimizar cada eslabón de forma independiente.
🧠 Preguntas:
📝 Notas:
📌 Resumen:
La verdadera fuerza del prompt chaining radica en su modularidad. Permite depurar, optimizar y reutilizar cada etapa de forma independiente, generando pipelines más robustos, mantenibles y predecibles.
En Perplexity se manejan "espacios" lo que te permite manejar lo que explicas de una manera muy organizada con diferentes modelos
Resumen con los puntos más importantes de la clase sobre “Prompt chaining: dividir tareas complejas en pasos independientes” de Platzi:
Conclusión: El prompt chaining es especialmente útil en tareas complejas, ayuda a evitar errores por contexto saturado, y permite mayor control y calidad en las respuestas de un modelo de lenguaje.
El método que se explica en el curso es el "prompt chaining", que permite dividir tareas complejas en pasos independientes, similar a una línea de ensamblaje.
Paso a Paso del Método:
Este enfoque maximiza la calidad de las respuestas al mantener cada paso enfocado y optimizado.
📖 Flujo Real de Prompt Chaining para Generación de Contenido
La técnica se vuelve especialmente poderosa cuando una tarea creativa requiere múltiples transformaciones sucesivas.
🧠 Preguntas:
📝 Notas:
📌 Resumen:
En la creación de contenido, el prompt chaining actúa como una pipeline de transformación incremental. Cada paso reduce la complejidad y mejora el control del resultado final, lo que permite procesos más precisos y escalables.
📚 CLASE: Prompt chaining como línea de ensamblaje
━━━━━━━━━━━━━━━━━━
🎯 IDEA PRINCIPAL
Un prompt gigante que intenta resolver todo a la vez es la forma más segura de obtener un resultado mediocre. El prompt chaining divide cualquier tarea compleja en estaciones independientes, como una fábrica de autos: cada estación tiene un propósito claro, produce un resultado definido y alimenta la siguiente. El resultado final es mejor porque cada pieza fue construida con foco total, no con distracción acumulada.
━━━━━━━━━━━━━━━━━━
⚡ RESUMEN ULTRA RÁPIDO
━━━━━━━━━━━━━━━━━━
🔑 LO VERDADERAMENTE IMPORTANTE
POR QUÉ NO FUNCIONA EL PROMPT GIGANTE:
CÓMO FUNCIONA EL PROMPT CHAINING:
🏭 Estación 1 → objetivo único → resultado específico
🏭 Estación 2 → toma el resultado anterior → nuevo chat limpio → siguiente transformación
🏭 Estación 3 → toma el resultado de la estación 2 → entrega el producto final
FLUJO REAL DE EJEMPLO (reporte de cambio climático):
Paso 1 → sube documentos → pide los 5 puntos más importantes → resultado: insights clave con citas de respaldo
Paso 2 → copia esos 5 puntos en nuevo chat + etiquetas XML → pide clasificarlos en categorías (progreso, recomendaciones, impacto)
Paso 3 → copia la clasificación en nuevo chat → pide resumen de 100 palabras enfocado en soluciones viables → resultado final: preciso, accionable, sin ruido
LA VENTAJA MÁS VALIOSA:
━━━━━━━━━━━━━━━━━━
🧠 CONCEPTOS QUE DEBO ENTENDER
━━━━━━━━━━━━━━━━━━
🧩 MODELO MENTAL
Problema complejo → un solo prompt → contexto saturado → resultado promedio o con errores difíciles de rastrear
Problema complejo → cadena de prompts → cada estación con contexto limpio y objetivo único → errores localizables → resultado final de alta calidad
Es exactamente como construir un auto: Nadie dice "quiero un auto completo" y espera que aparezca. Hay una estación para la carrocería, otra para el motor, otra para el sistema eléctrico. Cada una entrega un resultado específico que la siguiente necesita.
━━━━━━━━━━━━━━━━━━
🚀 ACCIONES INMEDIATAS
━━━━━━━━━━━━━━━━━━
💼 APLICACIÓN PROFESIONAL
━━━━━━━━━━━━━━━━━━
🔥 HACKS Y RECOMENDACIONES REALES
━━━━━━━━━━━━━━━━━━
📝 REFLEXIÓN ESTRATÉGICA
El prompt chaining no es solo una técnica de prompting. Es una forma de pensar en procesos. Quien aprende a descomponer problemas complejos en pasos secuenciales con outputs claros no solo mejora sus resultados con IA: mejora su capacidad de análisis y diseño de procesos en general. Cada cadena bien construida es un pipeline reutilizable. Cada pipeline es un activo productivo. Eso es pasar de usar la IA a diseñar sistemas con IA.
¿Por qué es mejor usar nuevos chats?
Imagina la memoria de la inteligencia artificial como una mesa de trabajo. Si pones todos los ingredientes, ollas y recetas al mismo tiempo, el espacio se satura y es fácil confundir la sal con el azúcar. Al abrir un nuevo chat para cada paso, estás limpiando la mesa. Le entregas a la IA únicamente la información procesada del paso anterior, garantizando que su ventana de contexto esté completamente libre de distracciones. Esto reduce drásticamente las alucinaciones y evita que el modelo olvide instrucciones críticas. Además, aislar los pasos te permite detectar exactamente dónde ocurre un error sin tener que reiniciar todo el proceso desde cero.
Teniendo en cuenta los avances de los modelos que tenemos actualmente (mayo, 2026) ¿esta división de instrucciones sigue siendo necesaria?
creo que si, incluso es un buen truco para los q usan los modelos gratis, es como tu ayudarle a los LLMs ..
📖 Caso Real: Resumen de Cambio Climático con Prompt Chaining
El ejemplo del Climate Change Committee muestra cómo dividir el análisis documental complejo en etapas manejables y optimizables.
🧠 Preguntas:
📝 Notas:
Paso 1: Extracción
"extrae los cinco puntos más importantes"Paso 2: Clasificación
Paso 3: Síntesis final
📌 Resumen:
El caso climático demuestra que el prompt chaining funciona especialmente bien en el análisis documental complejo. Separar la extracción, la clasificación y la síntesis produce resultados más controlables, verificables y precisos.