Prompt Chaining

El encadenamiento de prompts divide una tarea en una secuencia de llamadas a un modelo de lenguaje grande (LLM) u otro modelo, en la que cada prompt se construye a partir del resultado de la llamada anterior. En lugar de un único prompt largo que tenga que leer un correo de asistencia, encontrar el número de pedido, comprobar el pedido y redactar una respuesta, una cadena ejecuta un prompt más acotado e independiente para cada paso, mientras que el código habitual pasa los resultados de uno a otro y los comprueba entre medias. Cada resultado intermedio se puede inspeccionar, probar y corregir por separado. Tongshuang Wu, Michael Terry y Carrie Cai estudiaron este patrón en AI Chains, presentado en CHI 2022, donde el encadenamiento mejoró la calidad de los resultados y la sensación de transparencia y control de los participantes en un estudio de usuarios con 20 personas.

Cómo funciona una cadena de prompts#

Una cadena es un programa fijo. El desarrollador decide los pasos, su orden y la plantilla del prompt de cada uno; el código mueve los datos entre ellos, a menudo como JSON que un esquema de salida estructurada garantiza que se pueda analizar. La guía de Anthropic Building Effective Agents clasifica el encadenamiento de prompts como un flujo de trabajo, es decir, un sistema cuya ruta se define en el código, y describe comprobaciones programáticas, llamadas puertas, entre pasos para confirmar que el proceso sigue el curso previsto. Entre sus ejemplos se incluyen redactar texto de marketing y traducirlo después, y preparar un esquema, comprobarlo según unos criterios y solo entonces redactar el documento. El coste es latencia a cambio de precisión: es más fácil acertar con cada llamada, y cada paso añade un viaje de ida y vuelta.

Las puertas son importantes porque los errores se acumulan. Un valor incorrecto extraído en el primer paso se convierte en un hecho expresado con seguridad en el tercero, por lo que las cadenas suelen validar formatos, rangos o campos obligatorios antes de pasar nada al siguiente paso. Las cadenas más largas añaden bucles como el anterior, que reintentan un paso incluyendo el mensaje de error en el prompt, o un paso de enrutamiento en el que una primera llamada etiqueta la solicitud y el código elige el prompt que la gestiona. Frameworks como LangChain proporcionan componentes básicos para componer cadenas, aunque muchas cadenas de producción consisten en unas pocas llamadas a funciones en Python estándar.

Aplicaciones en el mundo real#

• Generación de código: AlphaCodium encadena el análisis del problema, la generación de pruebas, la redacción de soluciones y la reparación guiada por pruebas, y elevó el pass@5 de GPT-4 en los problemas de validación de CodeContests del 19 % con un único prompt directo al 44 %.
• Procesamiento de documentos: Los sistemas de facturas y contratos extraen campos en una llamada, los validan en el código y generan resúmenes o correos electrónicos a partir de los campos validados en otra.
• Generación aumentada por recuperación (RAG): Una primera llamada reescribe la pregunta del usuario como una consulta de búsqueda, el código realiza la recuperación en una base de datos vectorial y una segunda llamada responde a partir de los pasajes recuperados.
• Reconocimiento de matrículas: Un modelo YOLO detecta matrículas en fotogramas de vídeo y cada matrícula recortada se envía a GPT-4o mini, que lee los caracteres como texto, de modo que el modelo de lenguaje solo ve matrículas.

Ultralytics Platform Agents crea este tipo de cadena en un lienzo visual. Su plantilla YOLO → VLM Monitor ejecuta YOLO26 en una imagen, pasa las detecciones a un bloque Gate que continúa solo cuando encuentra al menos una persona y envía la imagen junto con los resultados anteriores a un modelo de visión y lenguaje en un bloque LLM. Esta es la misma cadena en Python, hasta el prompt del segundo enlace:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Link 1: detect objects and list their class names
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
names = [result.names[int(c)] for c in result.boxes.cls]

# Gate: call the language model only when a person is present
if "person" in names:
    # Link 2: build the next prompt from link 1's output
    prompt = f"Objects detected: {', '.join(names)}. In one sentence, describe what the people are doing."
    print(prompt)

El prompt impreso incluye los resultados de detección de objetos en la llamada siguiente, y una imagen sin personas nunca llega a esa llamada.

Encadenamiento de prompts y conceptos relacionados#

• Prompts de cadena de pensamiento: Piden a una única llamada al modelo que escriba sus pasos de razonamiento. Una cadena de prompts distribuye los pasos entre varias llamadas, con código entre ellas.
• Agentes de IA y prompts ReAct: El modelo elige su siguiente acción y decide cuándo ha terminado. En una cadena, el desarrollador fija los pasos de antemano, lo que facilita las pruebas y permite prever el coste.
• Flujos de trabajo agénticos: La familia más amplia de sistemas LLM formados por varios pasos y herramientas, que incluye el encadenamiento, además del enrutamiento, las llamadas en paralelo y las configuraciones de orquestador y trabajadores.
• Ingeniería de prompts: El arte de redactar cada prompt individual. El encadenamiento es una decisión de diseño sobre cuántos prompts usar y cómo fluyen los datos entre ellos.