En una entrega anterior repasamos los fundamentos de cómo conversar con modelos de lenguaje extensos LLM para obtener respuestas útiles y predecibles. La base es sencilla y sigue tres pilares clave: definir rol y contexto para orientar al modelo, detallar la tarea u objetivo con precisión, y fijar el formato y las restricciones del resultado. Cuando los prompts crecen, la tarea se complica o necesitamos fiabilidad de grado profesional, conviene dar el salto a técnicas avanzadas.
En esta guía te presento un marco práctico llamado S I O Eval junto con un conjunto de técnicas avanzadas de prompting y ejemplos para que tus resultados sean más consistentes, auditables y listos para producción.
Marco S I O Eval en resumen. S de Setup o Preparación define el sistema, la persona y el contexto para predisponer al modelo a pensar y responder del modo correcto. I de Instruction o Instrucción describe la tarea, el enfoque deseado paso a paso y, si procede, incluye ejemplos. O de Output u Output describe el formato, el nivel de detalle y las limitaciones. Eval de Evaluación establece cómo medir corrección, consistencia y fiabilidad del resultado para poder iterar.
Técnicas avanzadas de prompting
Priming avanzado. El priming es un calentamiento mental del modelo antes de la tarea real. Puedes fijar persona, tono y nivel de detalle y luego dar la tarea. Ejemplo rápido. Persona docente amable. Estilo con palabras simples y ejemplos para 12 años. Tarea explicar promesas de JavaScript. El resultado tenderá a sonar como una explicación pedagógica y accesible.
Chain of Density. Empieza con una respuesta mínima y densifícala paso a paso añadiendo entidades, contexto y datos. Es ideal para resumir o enriquecer contenidos. Paso 1 resume en una frase. Paso 2 expande a un párrafo con ejemplos clave. Paso 3 añade detalles técnicos y estadísticas.
Variables y plantillas de prompt. Define huecos reutilizables para rol, tema y nivel de audiencia. Así puedes reusar la misma plantilla para múltiples casos. Por ejemplo, rol tutor de matemáticas, tema regresión lineal, audiencia principiante. El modelo adaptará la explicación sin reescribir el prompt completo.
Prompt chaining. Encadena subtareas para resolver problemas grandes en fases. Por ejemplo, extrae ideas clave de un paper, luego resume en lenguaje llano y finalmente convierte ese resumen en un artículo. Cada paso alimenta al siguiente y reduce errores.
Compresión de prompts. Ahorra tokens creando abreviaturas internas con significado pactado. Por ejemplo, Simul8 entrevista backend 5 preguntas con feedback tras cada respuesta. Tras definir el código una vez, puedes reutilizarlo para mantener el prompt corto y económico.
Estimulación emocional. Señala el nivel de riesgo o sensibilidad para forzar respuestas más cuidadosas. Por ejemplo, si esto sale mal podría afectar a mi empleo, explica cómo desplegar en producción una app Node.js paso a paso. Este contexto incrementa cautela y precisión.
Self Consistency. Pide varias rutas de razonamiento y elige la respuesta más consistente. Reduce aleatoriedad, útil en aritmética o lógica. Por ejemplo, resolver 27 por 14 generando tres caminos y seleccionando el resultado mayoritario.
ReAct. Combina razonamiento paso a paso con acciones explícitas como cálculos o consultas a herramientas. Ejemplo. Pensamiento este es un problema de resta. Acción calcular 12 menos 4. Observación el resultado es 8. Respuesta final 8. Este patrón de pensamiento acción observación puede repetirse hasta llegar a la respuesta verificada.
ReAct con CoT SC. Integra pensamiento paso a paso, acciones explícitas y verificación por consistencia. El asistente razona, actúa y compara múltiples rutas, y solo entonces emite una respuesta final confirmada.
Tree of Thought. Ramifica el razonamiento en varias alternativas, explora cada una, evalúa y poda para quedarte con la opción más sólida. Es excelente para planificación, estrategia o ideación compleja. Por ejemplo, ante un plan de startup, genera ramas con ideas, mercados, modelos de ingresos y riesgos, evalúa y selecciona la mejor combinación.
Cómo encaja todo dentro del marco S I O Eval
Setup. Aquí definimos la personalidad, tono y reglas de pensamiento. El priming avanzado establece cómo queremos que razone. Técnicas como ReAct con Chain of Thought y Self Consistency pueden fijarse por defecto en el setup para que el modelo piense, actúe y verifique siempre. El estímulo emocional ayuda a priorizar precisión cuando el riesgo es alto.
Instruction. En esta sección concretamos la tarea y el método. Emplea variables y plantillas para reutilizar prompts, prompt chaining para dividir problemas complejos y chain of density cuando busques enriquecer resúmenes. Indica si quieres razonamiento explícito, ejemplos o criterios de calidad.
Output. Aquí blindas el formato y el nivel de detalle. Pide resultados en estructura clara como lista de pasos, matriz de criterios o campos clave, y limita divagaciones y opiniones personales. Controla longitud y tono, solicita referencias cuando corresponda y prohíbe información inventada.
Evaluación. Define cómo comprobar exactitud, sesgos, alucinaciones, errores matemáticos o lógicos y cobertura de bordes. Crea casos de prueba con entradas normales y extremas, compara contra salidas esperadas y ajusta instrucciones donde fallen. Repite hasta lograr precisión y estabilidad.
Ejemplos prácticos condensados
Priming avanzado y ReAct. Para tareas técnicas críticas define desde el inicio que el asistente debe razonar paso a paso, ejecutar acciones explícitas cuando haga falta y autoverificar resultados mediante rutas alternativas.
Chaining con variables. Eres rol y debes explicar tema a audiencia. Primero crea un esquema de 5 puntos, después redacta un resumen de 150 palabras y por último genera una guía práctica con pasos numerados. Reutiliza la plantilla cambiando rol, tema y audiencia.
Chain of Density para resúmenes. Solicita una frase, luego un párrafo con ejemplos, después una versión técnica con métricas y por último una lista de riesgos y mitigaciones. Así aumentas densidad informativa de forma controlada.
Evaluación con casos de borde. Si el modelo debe mapear una lista de números, prueba con 1 2 3 esperando 2 4 6 y con lista vacía esperando salida vacía y explicación segura. Detecta alucinaciones o ambigüedades y refuerza restricciones en el prompt.
Mapa mental de cuándo usar cada técnica. ReAct para problemas que mezclan pensamiento y acciones. Chain of Thought para tareas de razonamiento. Self Consistency para reducir aleatoriedad. Prompt chaining para dividir complejidad. Variables y plantillas para escalar a muchos casos. Chain of Density para enriquecer resúmenes. Tree of Thought para explorar alternativas y elegir la mejor. Compresión para ahorrar tokens. Estímulos emocionales para elevar la cautela en escenarios sensibles.
Cómo llevarlo a producción
El poder de estas técnicas emerge al combinarlas dentro del marco S I O Eval. Preparas el comportamiento por defecto con priming y reglas de razonamiento, guías la tarea con instrucciones metódicas, aseguras un output estructurado y mides la calidad con evaluación continua. Con ello pasas de conversar con un LLM a diseñar flujos de trabajo de IA robustos, aptos para agentes IA, RAG, automatización de procesos y aplicaciones de grado empresarial.
En Q2BSTUDIO impulsamos proyectos de inteligencia artificial y ia para empresas con enfoque de calidad, seguridad y escalabilidad. Diseñamos aplicaciones a medida y software a medida, integramos agentes IA y optimizamos datos con servicios inteligencia de negocio y power bi, reforzamos ciberseguridad y desplegamos soluciones en servicios cloud aws y azure. Si buscas acelerar tu roadmap de IA, conoce nuestros servicios de inteligencia artificial y explora cómo convertimos ideas en productos listos para producción.
Si tu caso requiere una app escalable o un backend robusto, nuestro equipo puede diseñar arquitectura, MLOps y pipelines de datos, incluyendo automatización de procesos y observabilidad end to end. Descubre cómo materializamos proyectos con un enfoque multiplataforma visitando nuestra página de aplicaciones a medida.
Resumen accionable
Prepara con Setup un rol claro, estilo y reglas de razonamiento. Especifica en Instruction el método paso a paso con chaining, variables y densidad progresiva. Fija Output con formato, longitud y restricciones anti alucinaciones. Define Eval con tests, casos de borde y criterios de aceptación. Añade cuando proceda ReAct, Self Consistency y Tree of Thought para mejorar fiabilidad en problemas complejos. Con este enfoque tu organización podrá crear asistentes, agentes y productos de IA más útiles, trazables y seguros.
Próximamente abordaremos cómo automatizar pruebas de prompts con herramientas de evaluación para cerrar el ciclo de mejora continua y llevar tus flujos a estándares de producción exigentes.