Ingeniería de Prompts Avanzada: Chain-of-Thought, ReAct y Tree-of-Thought (con ejemplos)

Potenciado con: Charlie Fecha: 18 de agosto, 2025

Esta guía práctica reúne los patrones de razonamiento avanzados más útiles para LLMs —CoT, ReAct y ToT—, cuándo aplicarlos y cómo llevarlos a producción (con snippets en Node/Next). Además, incluye dos extensiones clave: Least-to-Most y Program-of-Thought.

1) Chain-of-Thought (CoT): razonamiento paso a paso

Qué es. Pedimos al modelo que explicite los pasos intermedios antes de dar la respuesta final. Suele mejorar tareas con cálculo, reglas y razonamiento simbólico cuando aportamos pocos ejemplos con razonamientos.

Truco de decodificación — Self-Consistency. En lugar de una sola salida, muestra varias cadenas y elige la respuesta por mayoría. Esto reduce variabilidad y eleva la precisión.

Cuándo usarlo. Problemas con pasos claros (aritmética, checklists, reglas). Cuándo evitarlo. Si latencia/costo son críticos o el modelo ya resuelve sin verbalizar.

Plantilla CoT (ES)

Eres un asistente metódico. Resuelve el problema siguiendo estos pasos: 
(1) descompón, (2) calcula, (3) valida. 
Primero piensa en voz baja y luego entrega SOLO la respuesta final en la sección "Respuesta:".
Problema: {PREGUNTA}

En producción: oculta el razonamiento interno y muestra solo la respuesta al usuario final.

2) ReAct: razonar y actuar (con herramientas)

Qué es. Alterna pensamientos con acciones (búsquedas, APIs, herramientas internas) para fundamentar la respuesta y tomar decisiones en entornos interactivos.

Bucles mentales. Pensar → decidir acción → llamar herramienta → observar → seguir pensando

Ejemplo (TypeScript + Next.js API route)

ts

ts

Cuándo usarlo. Cuando necesitas datos frescos (inventario, envíos, documentación), navegar o corroborar información antes de responder.

3) Tree-of-Thought (ToT): explorar múltiples caminos

Qué es. Generaliza CoT permitiendo ramificar y evaluar pensamientos como estados de un árbol (con búsqueda y retroceso). Es ideal para planificación y búsqueda.

Idea práctica. Implementa un beam search sobre pensamientos: genera k candidatos por paso, evalúa con una heurística (puntuación del propio modelo o regla) y continúa con los mejores.

Snippet (pseudo-código)

frontera = [estado_inicial]
for paso in 1..H:
  candidatos = expandir(frontera, k)
  puntuados = evaluar(candidatos)
  frontera = top_k(puntuados, beam)
return mejor_solucion(frontera)

4) Extensiones útiles

4.1 Least-to-Most Prompting (LtM)

Descompone un problema complejo en subproblemas de menor a mayor dificultad y resuélvelos en secuencia; mejora la generalización en tareas composicionales.

Plantilla LtM

1) Enumera los subproblemas mínimos para resolver {PREGUNTA}.
2) Resuélvelos en orden, reutilizando resultados previos.
3) Muestra la respuesta final.

4.2 Program-of-Thought (PoT)

Separa razonamiento y cálculo escribiendo código ejecutable (p. ej., Python) para obtener precisión en tareas numéricas o financieras.

Plantilla PoT (Python)

Resuelve con un programa breve en Python. Devuelve primero el código entre ```python ... ``` y luego la respuesta.
Pregunta: {PROBLEMA_NUMERICO}

5) ¿Cuál elegir? (árbol de decisión rápido)

Necesito datos externos/acciones → ReAct.
Exploración/planificación con prueba y error → ToT.
Razonamiento secuencial sencillo → CoT (añade Self-Consistency si es sensible al muestreo).
Problema muy compuesto → Least-to-Most.
Cálculo preciso → PoT.

6) Coste y latencia: cómo contenerlos

Límites de pasos y longitud (max_thoughts, stop) para evitar cadenas infinitas.
Compresión (resúmenes intermedios, estructura JSON) antes de continuar.
Self-Consistency con muestreo pequeño (3–5) y voto por mayoría.
Herramientas solo cuando aportan señal; cachea respuestas frecuentes.
Structured Outputs / function calling para validar esquemas y reducir reintentos.

7) Ejemplo completo (ventas por WhatsApp, Node)

Objetivo: calificar un lead y, si falta información, consultar catálogo (herramienta) y proponer un SKU.

ts

Nota: valida siempre los parámetros con JSON Schema y registra métricas (latencia, tokens, uso de herramientas, éxito de tarea).

8) Checklist de producción

Versionado de prompts y control de cambios.
Evals con golden set y A/B (exactitud, utilidad, seguridad).
Observabilidad: latencia, tokens, tasa de herramientas, tasa de éxito.
Guardrails: límites de pasos/tiempo, políticas de contenido, fallbacks.
Tolerancia a fallos: retries con backoff y caché de resultados estables.

Preguntas frecuentes

¿CoT siempre ayuda? No necesariamente. Si el problema no requiere pasos intermedios o el modelo ya domina la tarea, puede añadir costo sin beneficio. Úsalo de forma hipótesis-dirigida y evalúa con Self-Consistency cuando la respuesta sea sensible al muestreo.

¿ReAct reduce alucinaciones? Suele ayudar porque consulta fuentes o APIs durante el razonamiento. Al combinar pensamiento-acción-observación, la respuesta queda mejor fundamentada.

¿ToT no es muy caro? Puede serlo. Limita ancho (beam) y profundidad, y aplica una heurística barata para filtrar pensamientos antes de expandir. Es especialmente útil en tareas de búsqueda y planificación.

¿Quieres que montemos uno de estos patrones en tu embudo de ventas por WhatsApp (con métricas y dashboard)? Escríbenos en ProductosAI.