Comprendiendo las tres técnicas fundamentales de prompting
Al trabajar con modelos de lenguaje, la forma en que planteas la pregunta es tan importante como la pregunta misma. Los tres enfoques principales de prompting —Zero-Shot, Few-Shot y Chain-of-Thought— representan distintas maneras de guiar a los modelos de IA hacia mejores resultados. Cada uno tiene sus puntos fuertes específicos, y la elección de la técnica adecuada depende de la complejidad de tu 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 haber visto el juego antes. Few-Shot es como mostrarle algunos partidos primero. Y Chain-of-Thought es como pedirle que explique su razonamiento en voz alta mientras juega. Entender cuándo usar cada técnica transforma tu prompting de un intento aleatorio a un enfoque estratégico y confiable.
Prompting Zero-Shot: Rápido, Directo y Sorprendentemente Capaz
El prompting Zero-Shot significa pedirle al modelo que complete una tarea sin proporcionar ningún ejemplo. Simplemente das las instrucciones y dejas que haga el trabajo. Es la ruta más rápida desde la pregunta hasta la respuesta.
¿Cuándo usar Zero-Shot?
- Tareas simples y directas (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 la entienda probablemente solo con los datos de entrenamiento
- Si quieres probar si una tarea es posible en primer lugar antes de invertir en métodos más complejos
Ejemplo: Clasificación de Contenido
Prompt: Clasifica el siguiente correo electrónico como "spam", "promocional" o "legítimo":
"Hi Sarah, Just confirming our 2pm meeting tomorrow about the Q4 budget review. Looking forward to discussing the new projections. -Michael"
Clasificación:Los modelos de lenguaje modernos manejan este tipo de tareas sin necesidad de ejemplos porque la clasificación de correos electrónicos es algo común. Obtendrás una respuesta confiable al instante.
Caso de uso real: Un equipo de atención al cliente utiliza el prompting Zero-Shot para dirigir los mensajes entrantes a la sección correcta —Soporte (Support), Facturación (Billing) o Comentarios del Producto (Product Feedback). El modelo entiende estas categorías de forma natural sin necesidad de ejemplos.
Prompting Few-Shot: Añadiendo Ejemplos para Mejorar la Consistencia
El prompting Few-Shot significa que proporcionas unos pocos ejemplos procesados antes de hacer tu pregunta real. Estos ejemplos le muestran al modelo exactamente lo que quieres: el formato, el tono, el patrón de razonamiento y el nivel de detalle.
¿Cuándo usar Few-Shot?
- Tareas con requisitos específicos y personalizados (formatos inusuales, tono de marca, dominios especializados)
- Cuando necesitas un patrón de salida consistente en múltiples solicitudes
- Si la tarea es algo ambigua y se beneficia de la aclaración a través de ejemplos
- Si los intentos con Zero-Shot produjeron resultados inconsistentes o incorrectos
- Si tienes 2-5 buenos ejemplos fácilmente disponibles
Ejemplo: Convertir Comentarios de Clientes en Sugerencias de Mejora
Prompt: Convierte los comentarios de los clientes en sugerencias de mejora de producto accionables. Sigue este formato.
Ejemplo 1:
Comentario del cliente: "El proceso de pago es confuso. Tuve que hacer clic en 6 páginas y aún no sé qué métodos de pago se aceptan."
Sugerencia de mejora: Añadir un cuadro de información sobre métodos de pago encima del campo de pago y acortar el flujo del proceso de pago a un máximo de 3 pasos.
Ejemplo 2:
Comentario del cliente: "Tu aplicación se bloquea cada vez que intento subir una foto de mi galería."
Sugerencia de mejora: Reparar los errores del módulo de carga de imágenes para dispositivos Android y probarlo con diferentes tamaños y formatos de archivo.
Ahora convierte estos comentarios:
Comentario del cliente: "La aplicación móvil está demasiado desordenada. No puedo encontrar el botón del historial de pedidos."
Sugerencia de mejora:Sin estos ejemplos, el modelo podría ofrecer un consejo genérico como “mejorar la aplicación”. Con los ejemplos, el modelo aprende el formato específico que deseas, el nivel de acción y la profundidad técnica.
Caso de uso real: Una empresa SaaS recibe solicitudes de funciones en docenas de formatos. Utilizando el prompting Few-Shot con 3-4 ejemplos bien estructurados, unifican todas las solicitudes en un formato consistente para que el equipo de producto las evalúe.
Prompting Chain-of-Thought: Haciendo que el Modelo Explique su Razonamiento
El prompting Chain-of-Thought (CoT) le pide al modelo que muestre su trabajo—es decir, que explique cada paso de su razonamiento antes de llegar a una conclusión. Esta técnica mejora significativamente la precisión en tareas complejas como matemáticas, lógica y análisis de múltiples pasos.
¿Cuándo usar Chain-of-Thought?
- Tareas de razonamiento complejas (matemáticas, acertijos lógicos, análisis con múltiples factores)
- Cuando necesitas verificar la forma de pensar del modelo, no solo la respuesta
- Si la precisión es más importante que la velocidad
- Si la tarea requiere sopesar múltiples consideraciones o pasos
- Cuando se combina con Few-Shot: muestra ejemplos de razonamiento paso a paso
Ejemplo: Sin Chain-of-Thought
Prompt: Un restaurante tuvo 240 clientes esta semana. El 30% pidió ensaladas, el 50% pidió platos principales y el 20% pidió postres. ¿Cuántos clientes pidieron cada artículo?
Respuesta: [El modelo podría dar totales incorrectos que superen los 240 o no reconocer el problema de superposición]Ejemplo: Con Chain-of-Thought
Prompt: Un restaurante tuvo 240 clientes esta semana. El 30% pidió ensaladas, el 50% pidió platos principales y el 20% pidió postres. ¿Cuántos clientes pidieron cada artículo? Piensa en esto paso a paso.
Vamos a resolverlo:
1. Primero, necesito calcular cada porcentaje de los 240 clientes.
2. El 30% pidió ensaladas: 0.30 × 240 =
3. El 50% pidió platos principales: 0.50 × 240 =
4. El 20% pidió postres: 0.20 × 240 =
5. Déjame verificar: estos porcentajes suman 100%, por lo que cada cliente pidió exactamente un artículo.
Respuesta:Al pedir explícitamente el razonamiento paso a paso, es mucho más probable que obtengas cálculos matemáticos y un desglose lógico correcto.
Caso de uso real: Un oficial de cumplimiento utiliza el prompting Chain-of-Thought para analizar si los contratos de los clientes cumplen con los requisitos regulatorios. El modelo debe explicar qué cláusulas examinó y por qué clasificó cada requisito como cumplido o no cumplido; esta transparencia es legalmente importante.
Combinando Técnicas: Few-Shot + Chain-of-Thought
El enfoque más potente para tareas difíciles combina Few-Shot y Chain-of-Thought. Muestra al modelo ejemplos de razonamiento paso a paso en el formato deseado, y luego pídele que aplique el mismo razonamiento a tu pregunta real.
Ejemplo: Análisis de Riesgos Financieros
Prompt: Analiza los riesgos financieros de esta decisión empresarial. 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 (período de liquidez, costes operativos, volatilidad de ingresos)
Paso 2: Evaluar la situación financiera actual (gastar el 60% significa que el 40% restante es para operaciones)
Paso 3: Evaluar el peor escenario (si la campaña falla, ¿pueden sobrevivir 3 meses?)
Paso 4: Considerar alternativas (campañas más pequeñas, canales diversificados)
Conclusión: Riesgo alto. Liquidez limitada y dependencia de los ingresos del resultado de una única campaña.
Ahora analiza esto:
Decisión: Una empresa SaaS rentable asigna el 20% de sus ingresos trimestrales a la expansión en un nuevo mercado.
Análisis:Esta combinación funciona porque los ejemplos enseñan el formato, mientras que la solicitud de Chain-of-Thought asegura un razonamiento lógico.
Marco de Decisión: Referencia Rápida
Aquí te mostramos cómo decidir rápidamente qué técnica usarás:
- Tarea sencilla, conocimiento general: Zero-Shot. Comienza con ella primero.
- Resultados inconsistentes o incorrectos con Zero-Shot: Pasa a Few-Shot con 2-3 ejemplos.
- Tarea de varios pasos o analítica: Chain-of-Thought, con o sin ejemplos.
- Tarea compleja con requisitos específicos: Few-Shot + Chain-of-Thought combinados.
- Sensible al tiempo: Zero-Shot. Acepta menor precisión por velocidad.
Errores Comunes a Evitar
No proporciones demasiados ejemplos (más de 5 ejemplos llevan a rendimientos decrecientes). No uses ejemplos de baja calidad que contradigan tus expectativas. No uses Chain-of-Thought para preguntas simples de sí/no; añade latencia sin beneficio. Y no asumas que una sola técnica funcionará universalmente en todos tus casos de uso; prueba cada enfoque con datos reales antes de comprometerte con la producción.
