Prompt Chaining: cuando una prompt no es suficiente Si alguna vez has intentado comprimir un proyecto entero en un solo mensaje, Ya sabes cómo termina: requisitos → solución → plan → riesgos → final doc 
 
 
 
 
 que se mueven los pasos, se olvidan de las limitaciones, te da una respuesta “confiante” que no puedes verificar fácilmente, Y en el momento en que algo está mal, no tienes idea de dónde ocurrió el error. Piensa en ello como construir un flujo de trabajo donde cada prompt es una estación en una línea de montaje: un paso en, un paso fuera, y la salida se convierte en la entrada para la siguiente estación. Prompt Chaining En otras palabras: usted no está pidiendo a un LLM para hacer "todo a la vez." . one thing at a time, reliably 1) ¿Qué es la cadena rápida? Es la práctica de: Prompt Chaining 
 
 
 
 
 Descomponer una tarea grande en tareas más pequeñas Diseñar un prompt dedicado para cada sub-tarea Pasar las salidas estructuradas de un paso a otro Añadir la validación + los pasos de corrección para que la cadena no se desvíe Es básicamente el “pensamiento de microservicios” aplicado al razonamiento de LLM. Single Prompt vs Prompt Chaining (en inglés) 
 
 
 
 
 
 
 
 
 
 
 
 Dimension 
 Single Prompt 
 Prompt Chaining 
 
 
 
 
 Complexity 
 Good for simple, one-shot tasks 
 Built for multi-step, real workflows 
 
 
 
 
 Logic 
 Model guesses the process 
 You   the process define 
 
 
 
 
 Control 
 Hard to steer 
 Every step is steerable 
 
 
 
 
 Debugging 
 “Where did it go wrong?” 
 You can pinpoint the broken step 
 
 
 
 
 Context limits 
 Easy to overflow 
 Feed data gradually, step-by-step Complejidad Buen para tareas simples y de un solo disparo Construido para flujos de trabajo multi-pasos y reales Lógica El modelo adivina el proceso tú El proceso Definición El control Dificultad para guiar Cada paso es controlable Debugando “¿Dónde ha ido mal?” Puedes identificar el paso roto Límites de contexto Fácil de sobrevivir Alimentación de datos gradualmente, paso a paso 2) Por qué funciona (La verdadera razón) Los LLM no son buenos en el juggling . multiple goals simultaneously Pregunta: “Analizar los requisitos, proponer características, estimar esfuerzo, priorizar, luego escribir un plan” —y usted ha configurado un problema de optimización multi-objetivo. objetiva y silenciosa sobre el resto. one Prompt Chaining reduce la carga cognitiva: . one step → one output → one success criteria 3) El mecanismo principal: entrada → proceso → salida (repetido) En su corazón, Prompt Chaining es un loop: 
 
 
 
 Entrada: salida de paso anterior + cualquier nueva información Proceso: el siguiente prompt con reglas + restricciones de formato Resultado: resultado estructurado para el siguiente paso Aquí hay una sencilla cadena que puedes visualizar: flowchart LR
  A[Raw user feedback] --> B[Prompt 1: Extract pain points]
  B --> C[Prompt 2: Propose features]
  C --> D[Prompt 3: Prioritise & estimate effort]
  D --> E[Prompt 4: Write an iteration plan]
 Cuatro no negociables para construir buenas cadenas 4.1 Las subfunciones deben ser independientes Conectados y y 
 
 
 Independiente: cada paso hace un trabajo (no se sobrepasan) Conectado: cada paso depende de la salida anterior (no hay pasos flotantes) Mal: “Extraer puntos de dolor y características de diseño” Bueno: Paso 1 extrae puntos de dolor; Paso 2 diseña características basadas en ellos. 4.2 Los resultados intermedios deben estar estructurados El texto libre es frágil.El siguiente prompt puede leerlo mal, reinterpretarlo o ignorarlo. Utilice formatos estructurados como , de , o . JSON tables bullet lists with fixed keys Ejemplo (JSON que realmente puede analizar): {
  "pain_points": [
    {"category": "performance", "description": "Checkout takes > 8 seconds", "mentions": 31},
    {"category": "ux", "description": "Refund button hard to find", "mentions": 18},
    {"category": "reliability", "description": "Payment fails with no error", "mentions": 12}
  ]
}
 4.3 Cada prompt debe "heredar" explícitamente el contexto No supongas que el modelo “recordará lo que querías decir”.En el siguiente prompt, se refiere explícitamente a la salida anterior: 
 
 “Utilizando el pain_points JSON en pain_points, genera 1-2 características por elemento...” “Utilizando el pain_points JSON , generar 1–2 características por elemento...” pain_points 4.4 Construir en un camino de fallo (validación + reparación) Cada cadena necesita una “puerta de calidad”: 
 
 
 
 Validar: “¿La salida contiene todas las claves requeridas? ¿Son los números consistentes?” Reparación: “Si falta, solo regenere las partes que faltan” Guardrail: “Max 2 retires; de lo contrario devuelve el mejor esfuerzo + errores” 5) Tres arquitecturas que usarás en todas partes 5.1 Cadenas lineales: pasos fijos, sin ramas El flujo de trabajo es previsible. Use it when: Ejemplo: Informe mensual de ingresos del Reino Unido (lineal) Supongamos que tiene una exportación CSV de una tienda de comercio electrónico del Reino Unido y desea: 
 
 
 
 Limpieza Insights Un informe de gestión preparado Step 1 — Data cleaning prompt (outputs a clean table or JSON) SYSTEM: You are a data analyst. Follow the instructions exactly.
USER:
Clean the dataset below.
​
Rules:
1) Drop rows where revenue_gbp or units_sold is null.
2) Flag outliers in revenue_gbp: > 3x category mean OR < 0.1x category mean. Do not delete them.
3) Add month_over_month_pct: (this_month - last_month) / last_month * 100.
4) Output as JSON array only. Each item must have:
   date, category, revenue_gbp, units_sold, region_uk, outlier_flag, month_over_month_pct
​
Dataset:
<PASTE DATA HERE>
 Step 2 — Insights prompt (outputs bullet insights) SYSTEM: You are a senior analyst writing for a UK leadership audience.
USER:
Using the cleaned JSON below, produce insights:
​
1) Category: Top 3 by revenue_gbp, and Top 3 by month_over_month_pct. Include contribution %.
2) Region: Top 2 regions by revenue, and biggest decline (>10%).
3) Trend: Overall trend (up/down/volatile). Explain revenue vs units relationship.
​
Output format:
- Category insights: 2-3 bullets
- Region insights: 2-3 bullets
- Trend insights: 2-3 bullets
​
Cleaned JSON:
<PASTE STEP-1 OUTPUT>
 Step 3 — Report-writing prompt (outputs final document) SYSTEM: You write crisp internal reports.
USER:
Turn the insights below into a "Monthly Revenue Brief" (800–1,000 words).
​
Structure:
1) Executive summary (1 short paragraph)
2) Key insights (Category / Region / Trend)
3) Recommendations (2–3 actionable items)
4) Close (1 short paragraph)
​
Use GBP (£) formatting and UK spelling.
Insights:
<PASTE STEP-2 OUTPUT>
 Las cadenas lineales son aburridas de la mejor manera: son predecibles, automatizables y fáciles de probar. 5.2 Branching Chaining: elegir un camino basado en la clasificación El siguiente paso depende de una decisión (tipo, gravedad, intención). Use it when: Ejemplo: Clasificación de mensajes de cliente (Branching) Paso 1 clasifica el mensaje: SYSTEM: You classify customer messages. Output only the label.
USER:
Classify this message as one of:
- complaint
- suggestion
- question
​
Output format: label: <one of the three>
​
Message:
"My order was charged but never arrived, and nobody replied to my emails. This is ridiculous."
 Entonces usted se ramifica: 
 
 
 
 Si la queja genera un plan de respuesta a incidentes Si la sugerencia → produce viabilidad + plan de ruta Si la pregunta genera una respuesta de apoyo directo Envío de reclamaciones (por ejemplo): SYSTEM: You are a customer ops manager.
USER:
Create a complaint handling plan for the message below.
​
Include:
1) Problem statement
2) Actions: within 1 hour, within 24 hours, within 48 hours
3) Compensation suggestion (reasonable for UK e-commerce)
Output in three sections with bullet points.
​
Message:
<PASTE MESSAGE>
 Las cadenas de ramificación son cómo dejas de tratar cada entrada como el mismo problema. 5.3 Looping Chaining: Repetir hasta que alcance una condición de parada Usted necesita procesar muchos elementos similares, o refinar la salida iterativamente. Use it when: Ejemplo: Listados de productos generados por lotes (Looping) Paso 1 Divide una lista en bloques de elementos: SYSTEM: You format product data.
USER:
Split the following product list into separate blocks.
​
Output format (repeat for each item):
[ITEM N]
name:
key_features:
target_customer:
price_gbp:
​
Product list:
<PASTE LIST>
 Paso 2 de los bloques: SYSTEM: You write high-converting product copy.
USER:
Write an e-commerce description for the product below.
​
Requirements:
- Hook headline ≤ 12 words
- 3 feature bullets (≤ 18 words each)
- 1 sentence: best for who
- 1 sentence: why it's good value (use £)
- 150–200 words total, UK English
​
Product:
<PASTE ITEM N>
 Las cadenas necesitan : hard stop rules 
 
 
 
 Procesar exactamente N elementos, o Repetir hasta 2 veces si el número de palabras es demasiado largo, o Parar si la validación pasa De lo contrario, creará el ciclo infinito más caro del mundo. 6) Lista de verificación práctica “No te dispares a ti mismo” Problema: el formato intermedio es confuso → el siguiente prompt falla Hacer que el formato no sea negociable. Fix: Añadir líneas como: 
 
 
 “Sólo saldrá JSON”. “Si no puede cumplir, salida: ERROR:FORMAT”. Problema: el modelo olvida los detalles anteriores Repetir el “contracto” cada vez. Fix: 
 
 
 “Usar el array de puntos de dolor de la salida anterior”. “Do not invent extra categories.” Problema: los loop nunca convergen Define las limitaciones mensurables + retrasos máximos. Fix: 
 
 
 
 “Cuenta palabras ≤ 200” Max se retira: 2 "Si todavía falla, devuelva el mejor intento + una lista de errores" Problema: la selección de la sucursal está equivocada mejorar las reglas de clasificación + añadir una segunda comprobación. Fix: El ejemplo: 
 
 
 La queja debe incluir sentimientos negativos Y un tema concreto. En caso de incertidumbre, etiqueta de salida: pregunta (necesita aclaración). Herramientas que hacen que la cadena sea menos dolorosa Puede encadenar prompts manualmente (copiar / pegar trabajos), pero la herramienta ayuda una vez que va más allá de unos pocos pasos. 
 
 
 
 
 n8n / Make: herramientas de flujo de trabajo de código bajo para encadenar llamadas de API, almacenar salidas, desencadenar alertas. LangChain / LangGraph: Construye cadenas con memoria, ramificación, retries, llamadas a herramientas y gestión de estado. Redis / Postgres: persisten los resultados intermedios para que pueda retomar, auditar y evitar llamadas repetidas. Noción / Google Docs: sorprendentemente eficaz para las etapas tempranas de la cadena “humano en el círculo”. 8) Cómo elevar este nivel Prompt Chaining becomes even more powerful when you combine it with: 
 
 
 
 RAG: añade un paso de recuperación en la mitad de la cadena (por ejemplo, "documentos de política de retiro" antes de redactar una respuesta) Puertas de aprobación humana: aprobar antes de las acciones de riesgo (cambios de precios, reembolsos de clientes, respuestas de cumplimiento) Pasos multi-modales: texto → imagen breve → generación de diagramas → documento final Toma final Prompt Chaining no es “más prompts”. . workflow design Una vez que comience a tratar las promesas como pasos con contratos, validaciones y vías de fracaso, su LLM deja de comportarse como un generador de texto caótico y comienza a actuar como un compañero de equipo confiable - una estación a la vez. Si estás construyendo algo más allá de una demostración de un disparo, . chain it

Read My Stories

Este audio es producido en el idioma original de la historia!

Prompt Chaining: Transforme una prompt en un flujo de trabajo LLM confiable

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Telegram: el puente de Crypto Island hacia el continente

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Telegram: el puente de Crypto Island hacia el continente

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps