2. Encadenamiento de instrucciones (chaining)
Prompt chaining o encadenamiento de instrucciones es una técnica avanzada de ingeniería de prompts que consiste en dividir una tarea compleja en varios pasos consecutivos, utilizando una serie de prompts estructurados. Cada paso refina, transforma o evalúa el resultado del anterior.
Esta estrategia mejora la calidad, precisión y control en los modelos como Deepseek-LLM, Coder y VL, permitiendo mantener coherencia y estructura incluso en procesos largos.
¿Por qué usar chaining?
Porque algunos resultados:• Son demasiado largos o complejos para generarse en un solo paso.
• Requieren validación, filtrado o transformación intermedia.
• Necesitan control sobre el formato de salida o la lógica del proceso.
Estructura básica de chaining
1. Prompt 1 – Análisis o descomposición del problema “Resume este documento en 3 ideas clave.”
2. Prompt 2 – Transformación del resultado “Convierte cada idea en una pregunta tipo test con 4 opciones.”
3. Prompt 3 – Generación de contenido estructurado “Presenta las preguntas en formato GIFT para Moodle.”
Ejemplo real: Creación de una prueba formativa (Deepseek-LLM)
Objetivo final: Generar una prueba en GIFT a partir de un artículo técnico.
Paso Prompt Resultado
1 “Resume este artículo en 5 puntos clave.” 5 ideas clave extraídas del texto preguntas con 4 opciones cada una
2 “Genera una pregunta tipo test por cada punto.”
3 “Convierte las preguntas al formato GIFT de Moodle.” Código compatible con Moodle
Ejemplo técnico: Validación de código (Deepseek-Coder)
Objetivo: Mejorar y documentar un bloque de código incompleto.
1. “Corrige y completa esta función en Python.”
2. “Agrega comentarios explicativos línea por línea.”
3. “Genera una prueba unitaria usando pytest para esta función.”
Este enfoque permite mantener la lógica bajo control y asegurar que cada subresultado esté completo antes de pasar al siguiente paso.Ejemplo visual: Revisión de planos (Deepseek-VL)
Objetivo: Validar accesibilidad en un plano arquitectónico.
1. “Detecta las salidas de emergencia en esta imagen.”
2. “Verifica si están a menos de 30 metros de todas las oficinas.”
3. “Genera un informe breve con las incidencias detectadas.” Ventajas del chaining
• Modularidad: cada paso es controlable y revisable.
• Mayor precisión: reduce errores por ambigüedad en instrucciones largas.
• Escalabilidad: aplicable en procesos repetitivos con múltiples entradas.
• Reutilización: puedes guardar cadenas de prompts como plantillas.
Buenas prácticas
• Comienza por pasos simples y secuenciales.
• Verifica el resultado de cada prompt antes de pasar al siguiente.
• Usa una herramienta de gestión de flujo si lo automatizas (ej.: Zapier, scripts).
3. Control de formatos de salida
Control de formatos de salida en Deepseek
Una de las habilidades clave en Prompt Engineering es controlar cómo responde el modelo, especialmente cuando se requiere un formato específico como código, tablas, listas, JSON, GIFT, Markdown, etc.
Este control es fundamental para usar modelos como Deepseek-LLM o Coder en entornos profesionales o educativos donde las salidas deben ser estructuradas, reutilizables o legibles por máquinas.
¿Por qué es importante?
• Asegura la coherencia del contenido generado.
• Permite automatizar tareas sin necesidad de editar manualmente.
• Facilita la integración en sistemas externos (ej.: Moodle, CRM, IDE, documentación técnica).