TL;DR
El encadenamiento de prompts divide una tarea enorme en una secuencia de prompts pequeños y dependientes — cada salida convirtiéndose en la siguiente entrada — en lugar de exigir el producto terminado en un solo aliento imposible. La calidad se acumula a lo largo de la cadena: los errores se atrapan en la estación donde son baratos, y cada paso arranca desde material verificado en lugar de una suposición.
La Analogía
Hay dos formas de conseguir un coche.
La primera es la Caja Mágica: un almacén con una única máquina gigantesca. Mineral y caucho entran por un extremo; un coche terminado sale por el otro. Es una idea seductora — un paso, esfuerzo cero. También es por lo que nadie ha construido jamás una. Una máquina que debe simultáneamente fundir acero, soplar vidrio, coser asientos y calibrar frenos no puede optimizarse para ninguna de esas cosas, y cuando produce una puerta defectuosa, el coche entero es chatarra — porque el defecto nació en el paso uno y se descubrió en el paso cincuenta.
La segunda es la línea de ensamblaje: decenas de estaciones, cada una haciendo exactamente una cosa supremamente bien. El acero se estampa aquí, y se inspecciona antes de avanzar. Las puertas se sueldan allá, y se chequean antes de la pintura. Cuando aparece un defecto, se atrapa en su estación — tras unas pocas operaciones, no tras el coche entero. El control de calidad no es una apuesta final; está construido entre cada par de pasos. Y eso no es la debilidad de la línea, ser "más lenta" — es toda la razón por la que los coches se volvieron confiables y asequibles.
Pedirle a la IA una entrega compleja en un solo mega-prompt — "investiga mi mercado, escribe el informe, diseña las diapositivas y redacta el correo del anuncio" — es un pedido de Caja Mágica. El modelo debe hacer malabares con cuatro especialidades a la vez, y no se optimiza para ninguna. Peor: un error cometido durante la invisible fase de "investigación" solo aflora en el correo final, vestido de trabajo terminado, con cada paso posterior construido encima del engaño.
Encadenar prompts es tú construyendo la línea de ensamblaje en su lugar. Estaciones pequeñas. Una operación cada una. Inspección entre los pasos. La banda transportadora entre estaciones ya existe — es la propia conversación.
Cómo Funciona
Toda cadena productiva sigue la misma columna vertebral de tres estaciones — Recolectar → Transformar → Pulir — extendida con tantas estaciones intermedias como exija el trabajo.
| Estación | Trabajo | Prompt de ejemplo |
|---|---|---|
| Recolectar | Producir materia prima: hechos, opciones, investigación | "Lista las 8 objeciones más comunes a los vehículos eléctricos, una línea cada una" |
| Transformar | Convertir material en estructura: esquema, borrador, esqueleto | "Agrupa esas objeciones en 3 temas y esboza una sección por tema" |
| Pulir | Terminar una salida a la vez: estilo, compactar, auditar | "Escribe solo la sección 1, 150 palabras, tono seguro" |
Tres mecánicas hacen funcionar la cadena:
1. Cada estación hereda todo. El modelo relee toda la conversación antes de cada respuesta — esa es la ventana de contexto, el escritorio de la lección dos. El paso tres no necesita que vuelvas a pegar el esquema del paso dos; ya está en el escritorio, junto con las objeciones del paso uno. La memoria de la cadena es la banda transportadora. (Que también es por lo que las cadenas viven en un chat por proyecto: la banda solo conecta estaciones de la misma línea.)
2. Cada estación es lo bastante pequeña para verificar. Una lista de ocho objeciones se chequea en diez segundos — ¿la #6 es realmente una objeción real? Atrápala ahí, y el esquema jamás la hereda. Esta es la magia de la calidad: los errores se acumulan en un mega-prompt, pero se interceptan en una cadena. Ya conociste la versión de dos estaciones de esta idea — el Prompt Auditor es exactamente una cadena: la estación uno redacta, la estación dos ataca, la estación tres corrige. El encadenamiento generaliza ese ritmo a cualquier escala.
3. Cada estación recibe su atención completa. Un modelo al que se le pide una cosa le da a esa cosa todo lo que tiene. Al mismo modelo al que se le piden cuatro cosas a la vez está negociando internamente un presupuesto entre ellas — y la estación de pulido es siempre la primera víctima del mega-prompt. En una línea, cada estación es el único trabajo del modelo.
La regla de trabajo:
Una estación, una operación, una inspección. Si la salida de un paso no puede chequearse en menos de un minuto, la estación es demasiado grande — divídela.
Antes y Después (Los Prompts)
Ejemplo 1 — el informe de mercado
Investiga el mercado del fitness doméstico y escribe un informe completo de 1.500 palabras con resumen ejecutivo, análisis de competencia, tres oportunidades de crecimiento con argumentos y una conclusión. Hazlo profesional y persuasivo.
La Caja Mágica. Lo que vuelve tiene forma de informe, pero el razonamiento es invisible — no puedes saber qué "oportunidad de crecimiento" descansa sobre un hecho que el modelo inventó bajo toda esa carga simultánea. Cuando la oportunidad #2 resulta hueca, no sabes si falló la investigación o la redacción. Reconstruye desde cero.
Paso 1: Lista los 5 principales competidores de fitness doméstico con su precio y un diferenciador cada uno, como tabla. Si no estás seguro de alguna cifra, márcala [VERIFICAR].
Chequea la tabla. Dos minutos. Corrige el único [VERIFICAR] que importa, y la materia prima ahora es conocida como buena — cada estación posterior se apoya en ella.
Paso 2: Con base en esa tabla, esboza un informe de 4 secciones: una sección por oportunidad de crecimiento defendible con estos datos, más un resumen ejecutivo. Solo títulos de sección, una línea de argumento cada una.
Chequea el esquema. ¿La oportunidad #3 es realmente defendible desde la tabla, o es vibración? Mátala ahora — antes de que exista prosa que la haga parecer más inteligente de lo que es.
Paso 3: Escribe solo el resumen ejecutivo — 120 palabras, seguro, sin afirmaciones más allá de la tabla de arriba.
Una estación de atención completa, construida sobre estructura verificada. Luego continúa por la línea, una sección por prompt, en el orden que quieras. El informe final no es suerte; es la última estación de una línea donde cada estación anterior pasó la inspección.
Ejemplo 2 — el plan de viaje
Planifica un viaje perfecto de 7 días a Portugal para una familia con dos niños, incluyendo ciudades, hoteles, restaurantes y actividades diarias.
Un mega-prompt, cinco especialidades (logística, presupuesto, aptitud infantil, ritmo, comida), cero intermedios inspeccionables.
Paso 1: Somos una familia con niños de 6 y 9 años, primera vez en Portugal, 7 días, presupuesto medio. Hazme hasta 5 preguntas — una a la vez — sobre cualquier cosa que cambie el plan.
La entrevista como estación uno: la estación de recolección de hechos que solo tú tienes. Luego:
Paso 2: Dadas mis respuestas, propone 3 esqueletos de itinerario — secuencias de ciudades y ritmos distintos. Formato tabla, una fila por día, sin detalles aún.
Tres esqueletos baratos, chequeados en un minuto: la ruta Algarve-primero muere por el calor de junio que mencionaste en el paso uno — atrapada en el esqueleto, no el día cuatro de vacaciones. Solo entonces el paso tres desarrolla la ganadora, día a día, una estación por día.
Ejemplo 3 — la postulación
Escribe una carta de presentación para este puesto de product manager usando mi currículum.
La clásica petición de un solo aliento — y la razón por la que la mayoría de cartas de IA suenan como la carta de IA de todo el mundo.
Paso 1: De la vacante de abajo, extrae los 5 requisitos que más importan, clasificados. Cita la vacante para cada uno. Paso 2: De mi currículum, vincula mi evidencia más fuerte a cada requisito — una fila por requisito, citando mi currículum. Paso 3: Escribe la carta usando solo los cinco pares de arriba. 250 palabras, sin clichés, abre con mi mejor coincidencia.
La estación uno chequea: ¿son realmente los requisitos principales, o los obvios? La estación dos chequea: ¿tengo la evidencia, o estoy a punto de prometer de más? Solo entonces la estación tres escribe — restringida, fundamentada e irreconocible del borrador por defecto.
Errores Comunes
- Encadenar demasiado rápido — nunca inspeccionar los intermedios. Una cadena cuyas estaciones jamás se chequean es solo un mega-prompt lento con pasos extra. El valor no es la secuencia; son los puntos de inspección entre estaciones. Pausa en cada salida: diez segundos ahora, o una reconstrucción entera después.
- Estaciones que son mega-prompts secretos. "Paso 2: escribe las secciones 1 a 4" es la Caja Mágica escondida dentro de tu línea. Una estación, una operación — si no puedes verificar su salida en un minuto, divide la estación.
- Dejar que la cadena se desparrame. Doce estaciones para un correo de dos párrafos es ceremonia, no oficio. Las cadenas son para trabajo genuinamente multi-etapa; los trabajos pequeños quieren un único prompt one-shot bien apuntado. Construye una línea cuando el producto tiene partes; no la construyas cuando tiene una frase.
- Esparcir la cadena por varios chats. La banda transportadora es la memoria de la conversación — abre un chat nuevo para el "paso 3" y el escritorio está vacío: sin esquema, sin respuestas de la entrevista, nada. Un proyecto, un chat, de principio a fin.
- Reiniciar toda la cadena tras una estación mala. Un esquema fallido del paso dos no te devuelve al mineral crudo. Corrige la salida de esa estación ("regenera el esquema, quita la sección 3") y continúa — la línea retoma desde la última estación buena. Esa es precisamente la velocidad de reparación que la Caja Mágica jamás ofrece.
Preguntas Frecuentes
¿Qué es el encadenamiento de prompts?
El encadenamiento de prompts es descomponer una tarea grande de IA en una secuencia de prompts pequeños y dependientes — recolectar, transformar, pulir — donde la salida de cada paso se convierte en la entrada del siguiente dentro de la misma conversación. En vez de un mega-prompt que produce una masa inauditable, obtienes estaciones que puedes inspeccionar y corregir individualmente, así los errores se atrapan donde son baratos y la calidad se acumula a lo largo de la línea.
¿Por qué el encadenamiento da mejores resultados que un prompt gigante?
Tres razones que se acumulan: cada paso recibe la atención completa del modelo en lugar de una parte; cada salida intermedia es lo bastante pequeña para verificar, así los errores se interceptan en su estación en vez de descubrirse en el producto final; y cada paso posterior se construye sobre material inspeccionado. El Prompt Auditor — redactar, luego atacar — es la prueba de dos estaciones del mismo principio.
¿Cuántos pasos debe tener una cadena de prompts?
Tantas estaciones como partes inspeccionables tenga el trabajo, y ni una más. Un informe puede necesitar cinco; una carta de presentación, tres; una frase, una. La prueba no es un conteo — es si cada estación ejecuta una única operación cuya salida puedes chequear en menos de un minuto. En duda, divide la estación que parece demasiado grande y elimina la estación que nadie inspecciona.
Próxima Lección
El encadenamiento controla la secuencia — el orden en que trabaja la IA. Pero hay una segunda dimensión que la cadena no toca: el estilo. ¿Cómo logras que la salida del modelo se vea exactamente como la salida que tienes en la cabeza? No describiéndola — mostrándola. Un ejemplo resuelto en el prompt fija un patrón más firme que cualquier instrucción jamás escrita.
Continúa a la próxima lección: Few-Shot Prompting
Ejercicio práctico antes de irte: toma la próxima gran entrega de tu lista y escribe solo la estación uno — el paso de recolección — antes de tocar la IA. Define cómo se ve su salida, envíala, e inspecciona lo que vuelve. Siente la diferencia entre esperar que el producto final esté bien y saber que la cimentación lo está.