El prompt chaining (o encadenamiento de prompts) es una técnica de prompt engineering que divide una tarea compleja en una secuencia de pasos más simples, donde el output de cada paso se convierte en el input del siguiente. En lugar de pedirle a un LLM que resuelva todo en un solo prompt (lo que aumenta los errores), el prompt chaining crea un "pipeline" de instrucciones donde cada etapa tiene un objetivo específico y verificable. Esta técnica es la base de los agentes de IA modernos.
Un estudio de DeepMind (2024) comparó modelos resolviendo problemas matemáticos complejos con un solo prompt vs. cadenas de 3-5 prompts. Los resultados: las cadenas reducían la tasa de error en un 67% en tareas con más de 10 pasos de razonamiento. El mismo principio aplica a tareas empresariales: un proceso de análisis de propuesta comercial en 5 pasos encadenados produce resultados más consistentes que un único prompt genérico.
El output de cada paso alimenta directamente al siguiente sin ramificaciones.
Paso 1: Extraer datos clave de un PDF de propuesta comercial Paso 2: Analizar datos y detectar riesgos Paso 3: Generar resumen ejecutivo para el directorio Paso 4: Formatear como email formal
Un prompt inicial genera N outputs en paralelo, que luego se combinan en uno solo.
Paso 1: Extracto del artículo (1 input) Paso 2A: Análisis de tono y sentimiento Paso 2B: Extracción de entidades (personas, empresas, lugares) Paso 2C: Resumen en 3 bullet points Paso 3: Combinar 2A + 2B + 2C en un informe de análisis (1 output)
Un clasificador decide qué rama de la cadena ejecutar.
Paso 1 (Clasificador): "¿Este ticket es soporte técnico, reclamo, o consulta comercial?" Si técnico → Paso 2A: Buscar en KB y responder Si reclamo → Paso 2B: Generar respuesta de disculpa + ticket de escalamiento Si comercial → Paso 2C: Calificar lead y redirigir a CRM
El loop continúa hasta que un evaluador aprueba la calidad del output.
Paso 1: Generar primer borrador de email de ventas Paso 2 (Evaluador): "¿El email tiene asunto <60 chars, body <150 words, 1 CTA claro, sin clichés?" Si NO → Volver a Paso 1 con feedback específico Si SÍ → Paso 3: Enviar al CRM
from openai import OpenAI client = OpenAI() def run_chain_step(system_prompt, user_input, model="gpt-4o-mini"): response = client.chat.completions.create( model=model, messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_input} ] ) return response.choices[0].message.content # CADENA: Análisis de contrato de proveedor contract_text = open("contrato.txt").read() # Paso 1: Extraer cláusulas críticas clauses = run_chain_step( "Extrae todas las cláusulas de penalidad, rescisión y jurisdicción del contrato. Output: lista numerada.", contract_text ) # Paso 2: Evaluar riesgos risks = run_chain_step( "Actúa como abogado corporativo. Evalúa cada cláusula y clasifica el riesgo: ALTO/MEDIO/BAJO. Justifica.", f"Cláusulas del contrato: {clauses}" ) # Paso 3: Generar resumen ejecutivo summary = run_chain_step( "Redacta un resumen ejecutivo de 5 bullet points para el directorio. Sin jerga legal.", f"Análisis de riesgos: {risks}" ) print(summary)
Para equipos sin desarrollo, n8n y Make permiten construir cadenas de prompts visualmente:
Flujo típico en n8n:
¿Quieres aprender a automatizar con IA generativa y n8n?
El prompt chaining es una cadena predefinida y estática — los pasos están fijos de antemano. Los agentes de IA son sistemas dinámicos donde el modelo decide qué herramientas usar en cada paso según el contexto. El prompt chaining es más predecible y controlado; los agentes son más flexibles pero menos determinísticos. Para procesos empresariales repetitivos, el chaining suele ser la elección correcta.
No hay límite técnico, pero las cadenas de más de 7-10 pasos suelen tener problemas de latencia y acumulación de errores (cada step puede introducir imprecisiones). Para procesos complejos, es mejor dividir en sub-cadenas independientes que se invocan según condiciones. La mayoría de los casos de uso empresariales se resuelven con 3-6 pasos.