Comprende las 3 técnicas de prompting principales
Al trabajar con modelos de lenguaje, la forma en que preguntas es tan importante como lo que preguntas. Los tres enfoques principales de prompting —Zero-Shot, Few-Shot y Chain-of-Thought— representan diferentes maneras de guiar a los modelos de IA hacia mejores resultados. Cada uno tiene sus puntos fuertes específicos, y la elección depende de la complejidad de la tarea, los ejemplos disponibles y la precisión deseada.
Piensa en estas técnicas como diferentes estrategias de entrenamiento. Zero-Shot es como pedirle a alguien que juegue al tenis sin haberlo visto nunca. Few-Shot es como mostrarle algunos partidos primero. Chain-of-Thought es como pedirle que verbalice su pensamiento mientras juega. Comprender cómo usar cada una transformará tus prompts de algo aleatorio a algo estratégico y confiable.
Prompting Zero-Shot: Rápido, directo y sorprendentemente capaz
El prompting Zero-Shot significa pedirle al modelo que complete una tarea sin ningún ejemplo. Simplemente le das las instrucciones y dejas que el modelo haga el resto. Es la ruta más rápida desde la pregunta hasta la respuesta.
Cuándo usar Zero-Shot:
- Tareas simples y directas (como clasificación, resumen, preguntas y respuestas básicas)
- Cuando necesitas resultados rápidos y no tienes tiempo para preparar ejemplos
- Si la tarea es lo suficientemente común como para que el modelo probablemente la entienda por sí solo a partir de sus datos de entrenamiento
- Cuando quieres probar si una tarea es factible antes de invertir en un enfoque más complejo
Ejemplo: Clasificación de contenido
Prompt: Classify the following email as "spam", "promotional", or "legitimate":
"Hi Sarah, Just confirming our 2pm meeting tomorrow about the Q4 budget review. Looking forward to discussing the new projections. -Michael"
Classification:Los modelos de lenguaje modernos pueden manejar esto sin ejemplos, ya que la clasificación de correos electrónicos es una tarea común. Obtendrás una respuesta confiable rápidamente.
Caso de uso en el mundo real: Un equipo de atención al cliente utiliza el prompting Zero-Shot para enrutar los mensajes entrantes al departamento correcto (soporte, contabilidad, comentarios sobre el producto). El modelo no necesita ejemplos y comprende estas categorías de forma natural.
Prompting Few-Shot: Añade ejemplos para una mayor consistencia
El prompting Few-Shot significa proporcionar algunos ejemplos concretos antes de hacer la pregunta real. Estos ejemplos muestran al modelo exactamente el formato, el tono, el patrón de razonamiento y el nivel de detalle que esperas.
Cuándo usar Few-Shot:
- Tareas con requisitos personalizados específicos (como formatos inusuales, voz de marca, dominios de nicho)
- Cuando necesitas un estilo de salida consistente en múltiples solicitudes
- Si la tarea es algo ambigua y la clarificación a través de ejemplos es beneficiosa
- Si los intentos con Zero-Shot produjeron resultados inconsistentes o inexactos
- Cuando tienes 2 a 5 ejemplos de buena calidad disponibles
Ejemplo: Convertir comentarios de clientes en sugerencias de mejora de productos
Prompt: Convert customer feedback into actionable product improvement suggestions. Follow this format.
Example 1:
Customer feedback: "The checkout process is confusing. I had to click through 6 pages and still didn't know which payment methods were accepted."
Improvement suggestion: Add a payment methods info box above the payment field and condense the checkout flow to 3 steps maximum.
Example 2:
Customer feedback: "Your app crashes whenever I try to upload a photo from my gallery."
Improvement suggestion: Debug the photo upload module for Android devices and test with various file sizes and formats.
Now convert this feedback:
Customer feedback: "The mobile app is too cluttered. I can't find the order history button."
Improvement suggestion:Sin estos ejemplos, el modelo podría dar consejos genéricos como «mejorar la aplicación». Al mostrar ejemplos, el modelo aprende tu formato específico, el nivel de acción y la profundidad técnica.
Caso de uso en el mundo real: Una empresa SaaS recibe solicitudes de funciones en docenas de formatos. Al usar un prompt Few-Shot con 3-4 ejemplos bien estructurados, estandarizan todas las solicitudes en un formato consistente que es fácil de evaluar para el equipo de producto.
Prompting Chain-of-Thought: Pide al modelo que explique su proceso de pensamiento
El prompting Chain-of-Thought (CoT) pide al modelo que muestre su proceso de pensamiento, es decir, que explique cada paso de razonamiento que lo lleva a una conclusión. Esta técnica mejora drásticamente la precisión en tareas complejas como matemáticas, lógica y análisis de múltiples pasos.
Cuándo usar Chain-of-Thought:
- Tareas de razonamiento complejas (matemáticas, rompecabezas lógicos, análisis con múltiples factores)
- Cuando necesitas verificar no solo la respuesta, sino también el proceso de pensamiento del modelo
- Si la precisión es más importante que la velocidad
- Cuando la tarea requiere sopesar múltiples consideraciones o pasos
- Cuando se combina con Few-Shot para mostrar ejemplos de razonamiento paso a paso
Ejemplo: Sin Chain-of-Thought
Prompt: A restaurant has 240 customers this week. 30% ordered salads, 50% ordered mains, and 20% ordered desserts. How many customers ordered each item?
Answer: [Model may give incorrect totals that exceed 240 or fail to recognize the overlap problem]Ejemplo: Con Chain-of-Thought
Prompt: A restaurant has 240 customers this week. 30% ordered salads, 50% ordered mains, and 20% ordered desserts. How many customers ordered each item? Think through this step-by-step.
Let's work through this:
1. First, I need to calculate each percentage of 240 customers
2. 30% ordered salads: 0.30 × 240 =
3. 50% ordered mains: 0.50 × 240 =
4. 20% ordered desserts: 0.20 × 240 =
5. Let me verify: these percentages add to 100%, so each customer ordered exactly one item
Answer:Al pedir explícitamente un razonamiento paso a paso, es mucho más probable que obtengas los cálculos correctos y un análisis lógico.
Caso de uso en el mundo real: Un oficial de cumplimiento utiliza el prompting Chain-of-Thought para analizar si un contrato de cliente cumple con los requisitos reglamentarios. El modelo debe mostrar qué cláusulas investigó y por qué clasificó cada requisito como cumplido o no cumplido. Esta transparencia es legalmente crucial.
Combinación de técnicas: Few-Shot + Chain-of-Thought
El enfoque más potente para tareas exigentes es combinar Few-Shot y Chain-of-Thought. Muestras al modelo ejemplos de razonamiento paso a paso en el formato deseado y luego le pides que aplique ese mismo razonamiento a la pregunta real.
Ejemplo: Análisis de riesgo financiero
Prompt: Analyze the financial risk of this business decision. Show your reasoning step-by-step.
Example:
Decision: A startup spends 60% of monthly revenue on a single marketing campaign.
Analysis:
Step 1: Identify the risk factors (cash runway, operational costs, revenue variability)
Step 2: Assess current financial position (60% spent means 40% remaining for operations)
Step 3: Evaluate downside scenario (if campaign fails, can they survive 3 months?)
Step 4: Consider alternatives (smaller campaigns, diversified channels)
Conclusion: HIGH RISK. Limited runway and revenue dependency on single campaign outcome.
Now analyze this:
Decision: A profitable SaaS company allocates 20% of quarterly revenue to expand into a new market.
Analysis:Esta combinación funciona porque los ejemplos enseñan el formato, y la solicitud de Chain-of-Thought asegura el razonamiento lógico.
Marco de decisión: Guía rápida
Aquí tienes una guía rápida para decidir qué técnica usar:
- Tareas simples, conocimiento general: Zero-Shot. Empieza por aquí.
- Resultados inconsistentes o erróneos con Zero-Shot: Pasa a Few-Shot con 2-3 ejemplos.
- Tareas de varios pasos o analíticas: Chain-of-Thought, con o sin ejemplos.
- Tareas complejas con requisitos específicos: Combina Few-Shot + Chain-of-Thought.
- Crítico en el tiempo: Zero-Shot. Acepta una menor perfección por la velocidad.
Errores comunes a evitar
No proporciones demasiados ejemplos (más de 5 tienden a diluir el efecto). No uses ejemplos de baja calidad o que contradigan tus expectativas. No uses Chain-of-Thought para preguntas simples de sí/no; solo aumenta la latencia sin beneficio. Y no asumas que una técnica funcionará universalmente para todos los casos de uso. Prueba cada enfoque con datos reales antes de implementarlo en producción.
