Comprender las 3 técnicas de prompting esenciales
Cuando interactúas con modelos de lenguaje, la forma en que planteas una pregunta es tan importante como la pregunta misma. Las tres técnicas principales de prompting — Zero-Shot, Few-Shot y Chain-of-Thought — ofrecen diferentes caminos para guiar a los modelos de IA hacia mejores resultados. Cada técnica tiene sus propias fortalezas, y la elección correcta depende de la complejidad de la tarea, los ejemplos disponibles y la precisión requerida.
Imagina 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. Y Chain-of-Thought es como pedirle que verbalice sus pensamientos mientras juega. Comprender cuándo usar cada técnica transformará tus prompts de intentos aleatorios en un enfoque estratégico y fiable.
Prompting Zero-Shot: Rápido, directo y sorprendentemente potente
El prompting Zero-Shot consiste en pedirle al modelo que resuelva una tarea sin ningún ejemplo. Simplemente das la instrucción y dejas que el modelo haga el trabajo. Es la forma más rápida de ir de una pregunta a una respuesta.
Cuándo usar Zero-Shot:
- Tareas simples y directas (como clasificación, resumen, preguntas y respuestas básicas)
- Cuando se necesitan resultados rápidos y no hay tiempo para preparar ejemplos
- Si la tarea es muy común y es probable que el modelo la entienda solo a partir de sus datos de entrenamiento
- Para probar la viabilidad de una tarea antes de invertir en enfoques más complejos
Ejemplo: Clasificación de contenido
Prompt: Clasifica el siguiente correo electrónico como "spam", "publicidad" o "legítimo".
"Hola Sara, confirmando nuestra reunión de revisión de presupuesto del cuarto trimestre mañana a las 2 PM. Estoy emocionado de discutir las nuevas proyecciones. -Michael"
Clasificación:La clasificación de correos electrónicos es una tarea común, y los modelos de lenguaje modernos la manejan sin ejemplos. Puedes esperar respuestas fiables e inmediatas.
Caso de uso práctico: Un equipo de servicio al cliente utiliza el prompting Zero-Shot para enrutar los mensajes entrantes al departamento apropiado (soporte, facturación, comentarios sobre productos). El modelo comprende naturalmente estas categorías, por lo que no se necesitan ejemplos.
Prompting Few-Shot: Añadir ejemplos para una mejor consistencia
El prompting Few-Shot consiste en proporcionar unos pocos ejemplos bien diseñados antes de plantear la pregunta real. Estos ejemplos muestran al modelo exactamente lo que esperas: el formato, el tono, los patrones de razonamiento o el nivel de detalle.
Cuándo usar Few-Shot:
- Tareas con requisitos personalizados específicos (formatos poco comunes, voz de marca, dominios especializados)
- Cuando necesitas un patrón de salida consistente en múltiples consultas
- Si la tarea es algo ambigua y los ejemplos pueden ayudar a clarificarla
- Cuando los intentos Zero-Shot dan resultados inconsistentes o inexactos
- Cuando se dispone de 2 a 5 buenos ejemplos
Ejemplo: Transformar los comentarios de los clientes en sugerencias de mejora de producto accionables
Prompt: Transforma los comentarios de los clientes en sugerencias de mejora de producto accionables. Sigue este formato.
Ejemplo 1:
Comentarios del cliente: "El proceso de pago es confuso. Hice clic en 6 páginas y aún no sé qué métodos de pago se aceptan."
Sugerencia de mejora: Añadir un campo de información sobre métodos de pago encima del campo de pago y optimizar el flujo de pago a un máximo de 3 pasos.
Ejemplo 2:
Comentarios del cliente: "La aplicación se bloquea cada vez que intento subir una foto de mi galería."
Sugerencia de mejora: Depurar el módulo de carga de fotos para dispositivos Android y probar con diferentes tamaños y formatos de archivo.
Ahora, transforma estos comentarios:
Comentarios del cliente: "La aplicación móvil está muy desordenada. No encuentro el botón del historial de pedidos."
Sugerencia de mejora:Sin estos ejemplos, el modelo podría dar consejos genéricos como “mejorar la aplicación”. Al proporcionar ejemplos, el modelo aprende tu formato específico, el grado de acción y la profundidad técnica.
Caso de uso práctico: Una empresa SaaS recibe solicitudes de funcionalidades en decenas de formatos. Al utilizar el prompting Few-Shot con 3-4 ejemplos bien estructurados, normaliza todas las solicitudes en un formato coherente que el equipo de producto puede evaluar.
Prompting Chain-of-Thought: Pedir al modelo que explique su razonamiento
El prompting Chain-of-Thought (CoT) pide al modelo que muestre su proceso de pensamiento. Esto significa que debe explicar cada etapa de su razonamiento antes de llegar a una conclusión. Esta técnica mejora considerablemente la precisión para tareas complejas como las matemáticas, la lógica y los análisis de múltiples pasos.
Cuándo usar Chain-of-Thought:
- Tareas de razonamiento complejas (matemáticas, acertijos lógicos, análisis que involucran múltiples factores)
- Cuando quieres ver el proceso de pensamiento del modelo, no solo la respuesta
- Cuando la precisión es más importante que la velocidad
- Si la tarea requiere considerar múltiples factores o pasos
- En combinación con Few-Shot: para mostrar ejemplos de razonamiento paso a paso
Ejemplo: Sin Chain-of-Thought
Prompt: Un restaurante tuvo 240 clientes esta semana. El 30% pidió una ensalada, el 50% un plato principal y el 20% un postre. ¿Cuántos clientes pidieron cada artículo?
Respuesta: [El modelo podría dar un total incorrecto superior a 240 o no reconocer problemas de superposición]Ejemplo: Con Chain-of-Thought
Prompt: Un restaurante tuvo 240 clientes esta semana. El 30% pidió una ensalada, el 50% un plato principal y el 20% un postre. ¿Cuántos clientes pidieron cada artículo? Piensa paso a paso.
Analicemos esto:
1. Primero, necesitamos calcular cada porcentaje del total de 240 clientes
2. El 30% pidió una ensalada: 0.30 × 240 =
3. El 50% pidió un plato principal: 0.50 × 240 =
4. El 20% pidió un postre: 0.20 × 240 =
5. Verifiquemos: La suma de estos porcentajes es 100%, por lo que cada cliente pidió exactamente un artículo.
Respuesta:Al pedir explícitamente un razonamiento paso a paso, aumentas considerablemente la probabilidad de obtener un análisis matemático y lógico más preciso.
Caso de uso práctico: Un responsable de cumplimiento utiliza el prompting Chain-of-Thought para analizar si un contrato de cliente cumple con los requisitos reglamentarios. El modelo debe explicar qué cláusulas examinó y por qué clasificó cada requisito como conforme o no conforme. Esta transparencia es legalmente crucial.
Combinar las técnicas: Few-Shot + Chain-of-Thought
El enfoque más potente para tareas difíciles consiste en combinar Few-Shot y Chain-of-Thought. Proporcionas al modelo ejemplos de razonamiento paso a paso en el formato deseado, luego le pides que aplique la misma lógica a tu pregunta real.
Ejemplo: Análisis de riesgos financieros
Prompt: Analiza el riesgo financiero de esta decisión de negocio. Muestra tu razonamiento paso a paso.
Ejemplo:
Decisión: Una startup gasta el 60% de sus ingresos mensuales en una única campaña de marketing.
Análisis:
Paso 1: Identificar factores de riesgo (márgenes de liquidez, costos operativos, volatilidad de ingresos)
Paso 2: Evaluar la situación financiera actual (el 60% del gasto significa que queda el 40% para operaciones)
Paso 3: Evaluar el peor escenario (si la campaña falla, ¿puede sobrevivir durante 3 meses?)
Paso 4: Considerar alternativas (campañas más pequeñas, canales diversificados)
Conclusión: Alto riesgo. Liquidez limitada y dependencia de los resultados de una única campaña para los ingresos.
Ahora, analiza esto:
Decisión: Una empresa SaaS rentable asigna el 20% de sus ingresos trimestrales a la expansión a nuevos mercados.
Análisis:Esta combinación funciona porque los ejemplos enseñan el formato, y la solicitud de Chain-of-Thought asegura un razonamiento lógico.
Marco de decisión: Resumen rápido
Aquí te explicamos cómo decidir rápidamente qué técnica usar:
- Para tareas simples y de conocimiento general: Zero-Shot. Empieza por ahí.
- Si Zero-Shot da resultados inconsistentes o inexactos: Pasa a Few-Shot con 2-3 ejemplos.
- Para tareas de múltiples pasos o de análisis: Chain-of-Thought (con o sin ejemplos).
- Para tareas complejas con requisitos específicos: Combinación Few-Shot + Chain-of-Thought.
- Cuando el tiempo es crítico: Zero-Shot. Acepta una ligera disminución de precisión por la velocidad.
Errores comunes a evitar
No proporciones demasiados ejemplos (más de 5 puede degradar el rendimiento). Evita usar ejemplos de mala calidad que vayan en contra de tus expectativas. No utilices Chain-of-Thought para preguntas simples de sí/no; esto solo aumentará el tiempo de respuesta sin ventaja. Y no asumas que una sola técnica funcionará universalmente para todos los casos de uso. Prueba cada enfoque con datos reales antes de implementarlo en producción.
