Prueba ahora tu prompt con uno de estos asistentes de IA para ver resultados reales:

Mantén un registro de tus prompts y los resultados obtenidos para poder compararlos y mejorarlos.

Consejo:

Prueba con un LLM

# Informe del Proyecto: Digitalización de RRHH

## 1. Contexto
Nuestra empresa tiene 500 empleados en 3 sitios. Actualmente, la gestión de RRHH es completamente manual con archivos Excel dispersos.

## 2. Problemas identificados
- Tiempo de procesamiento de archivos: 15 días en promedio
- Tasa de error en la entrada de datos: 12%
- Dificultades para rastrear solicitudes
- Sin visibilidad del rendimiento

## 3. Solución propuesta
Implementar un ATS (Sistema de Seguimiento de Candidatos) junto con una herramienta de gestión del rendimiento.

## 4. Presupuesto y cronograma
Presupuesto estimado: 50.000€
Período de implementación: 6 meses
ROI esperado: 30% de ganancia de productividad

Documento

Crea una cadena de prompts para analizar este informe (3 páginas)

🔗 ARQUITECTO DE CADENAS

**Resumen del informe:**
- Contexto: Empresa de 500 empleados, gestión de RRHH actualmente manual
- Problemas: Procesamiento lento (15d), errores (12%), sin seguimiento
- Solución: Implementación de un ATS con gestión del rendimiento
- Presupuesto: 50.000€ en 6 meses
- ROI esperado: 30% de productividad

PASO

⚠️ Paso {index}: Contexto insuficiente. Haz referencia a los resultados del paso anterior.

Sugerencias:

DESCOMPOSICIÓN DE TAREA EXITOSA. RESULTADOS VERIFICABLES GENERADOS.

SECUENCIA_COMPLETA

CHAIN_ARCHITECT_V1.0

INICIANDO SIMULACIÓN DE SECUENCIA DE ENCADENAMIENTO. OBJETIVO: DESCOMPONER TAREA COMPLEJA EN PASOS VERIFICABLES.

EXTRAER PUNTOS CLAVE DEL DOCUMENTO FUENTE

RESUMIR_DATOS

GENERAR_ACCIONES

>> PROTOCOLO_SECUENCIA_INIT

Restricciones

Active interruptores para ver cómo las restricciones cambian radicalmente la respuesta del modelo sobre el mismo tema (Torre Eiffel).

Laboratorio de Restricciones

La reunión con el Sr. Dupont tendrá lugar el 12 de marzo en Lyon para discutir el proyecto Alpha.

Vea cómo agregar ejemplos (shots) mejora drásticamente la precisión y el formato de las respuestas sin cambiar la instrucción principal.

Extraiga entidades (nombre, fecha, lugar) del siguiente texto.

El Constructor Few-Shot

Observe cómo el modelo "adivina" la siguiente palabra. Ajuste la temperatura para ver el impacto en sus elecciones.

Simulador de Predicción (Token por Token)

Actúa como un corrector profesional. Corrige el siguiente texto eliminando las faltas de ortografía y mejorando el estilo, manteniendo un tono profesional:

[TEXTO]

Correo de Corrección

Ej: Resume el siguiente texto en 3 puntos clave: [TEXTO]

Título

Ej: Resumidor de Artículos

Comience a construir su biblioteca de prompts reutilizables.

Su Libro de Prompts

Siga su progreso a través del Módulo 1

Su Árbol de Competencias

EXPERTO BUG HUNTER

EJERCICIO COMPLETADO

Dos puntos faltantes

Comillas faltantes

Texto parásito

Coma final

CORRIGE LOS BUGS

ENCUENTRA EL JSON VÁLIDO

DESCUBRE LOS ERRORES JSON

Domina los 4 errores JSON más comunes

BUG HUNTER

¡Extractor forjado!

CV a analizar:
<<<
[Contenido del CV aquí]
>>>

Delimitadores

Eres un asistente RH experto en análisis de CV.

Formato esperado:
{
  "nombre": "(texto)",
  "email": "(texto)",
  "telefono": "(texto o null)",
  "competencias": ["(lista)"],
  "experiencias": [{ "puesto": "", "empresa": "", "fechas": "" }]
}

Esquema JSON

Extrae la información y proporciona SOLO JSON válido. NINGÚN texto antes ni después.

Instrucción estricta

Incluye TODOS los campos, incluso si están vacíos (null o []). Verifica la sintaxis JSON antes de responder.

Verificación

Forja tu extractor de CV pieza por pieza

¡JSON extraído con éxito!

Prueba práctica

CV FORGE

JSON

Lista estructurada

Informe estructurado

Tabla

Encuentra el formato ideal para tu caso de uso

FORMAT SELECTOR

Calculadora de ROI personalizada

Finanzas

Recursos Humanos

Soporte cliente

Visualiza la transformación de tu productividad

IMPACT TIMELINE

La situación de Alex

¡Perfecto!

Transformar los datos en JSON

¡Ejercicio completado!

Quiz de validación

Transforma el caos en estructura

OUTPUT TRANSFORM LAB

Ajusta cada canal para crear el prompt perfecto

PROMPT MIXER

Auto-Consistencia: Voto democrático de múltiples caminos de razonamiento

CONSENSUS_ENGINE

CoT vs ReAct: La diferencia clave

Primero necesito saber el clima actual en París. Usaré la herramienta del clima.

{ 'city': 'Paris', 'temp': 14, 'condition': 'Lluvia ligera', 'precipitation': 80% }

Está lloviendo ligeramente con 80% de precipitación. Debería recomendar un paraguas.

format_response(weather_data, recommendation)

En París, hay 14°C con lluvia ligera. ¡Sí, lleva un paraguas! ☔

A diferencia de CoT que solo "piensa", ReAct permite al modelo <strong>actuar</strong>:

Módulo 4: Agentes y Orquestación

Razonamiento + Acción: La IA que puede actuar

ReAct_PREVIEW

Dar un paso atrás antes de resolver: vista satélite → vista detalle

STEP_BACK_SIMULATOR

OpenAI recomienda oficialmente la descomposición paso a paso. Estas técnicas son ahora estándar en agentes de IA modernos (ChatGPT, Claude, Gemini).

Comparador de Técnicas

Formalización del CoT: mostrar el razonamiento mejora los LLMs en problemas complejos.

Wei et al. - Chain-of-Thought Prompting

Descubrimiento: 'Let's think step by step' activa el CoT sin ejemplos.

Kojima et al. - Zero-Shot Reasoners

Voto mayoritario sobre múltiples caminos de razonamiento mejora +10-15%.

Wang et al. - Self-Consistency

Dar un paso atrás (identificar principios) antes de resolver evita errores.

Zheng et al. - Step-Back Prompting

Chain-of-Thought

Self-Consistency

Step-Back

Cronología de la investigación

Identificar la fórmula: Distancia = Velocidad × Tiempo

Escáner cerebral: Modo Impulsivo vs Modo Reflexivo (CoT)

THINKING_LAB

Evaluación

Principio

Poda (Pruning)

Árbol de Pensamiento: Explora múltiples ramas de razonamiento en paralelo

THOUGHT_TREE_EXPLORER

Orilla izquierda: 🐺 Lobo, 🐐 Cabra, 🥬 Col

Una empresa recibe 100 CVs por día. Sin automatización, un RRHH pasa 5 minutos por CV. Con un pipeline LLM, baja a 10 segundos.

El segundo prompt toma el JSON y analiza la adecuación para el puesto (Senior Dev). Verifica las competencias clave.

Paso 2: Análisis

El último prompt decide si se entrevista al candidato y redacta el email de respuesta (invitación o rechazo).

Paso 3: Decisión

El primer prompt extrae datos brutos del CV y los transforma en formato JSON estructurado. Esto es más fácil de procesar para los siguientes pasos.

Paso 1: Extracción

Un pipeline es una cadena de prompts donde **la salida de un paso se convierte en la entrada del siguiente**. Es como una línea de producción: cada estación hace UNA tarea especializada.

¿Qué es un Pipeline?

Procesamiento de Candidaturas RRHH

🚦 Enrutamiento Inteligente: Dirige las solicitudes al camino correcto

ROUTING_SWITCH

Cálculo

Consejo

Pregunta Factual

Reclamación

🔄 Procesamiento paralelo + Síntesis global

MAP_REDUCE_ENGINE

Alex debe analizar 200 reseñas de clientes para producir un informe ejecutivo. Un solo prompt no puede procesar tantos datos de manera confiable.

CONTEXTO EMPRESARIAL

El Patrón Map-Reduce

Cada reseña fue procesada independientemente con el mismo prompt. ¡Podemos paralelizar estas llamadas para ir 5 veces más rápido! Ahora necesitamos sintetizar estos 5 análisis.

INSIGHT:

FASE MAP: Análisis individual

Consolidar los {count} análisis en un informe

FASE REDUCE: Síntesis global

Producto de calidad, entrega rápida. El único inconveniente: el embalaje estaba un poco dañado.

Decepcionado con el servicio al cliente. No pude contactar a nadie durante 3 días por un problema con el pedido.

¡Excelente! Exactamente lo que buscaba. Lo recomiendo mucho. Precio muy competitivo.

Correcto pero sin más. El producto coincide con la descripción pero la calidad podría ser mejor.

Muy decepcionada. El producto llegó roto y sin respuesta del soporte. No lo recomiendo en absoluto.

200 reseñas × 0.1s/reseña + 5s síntesis = 25 segundos

200 reseñas × 3 min/reseña = 10h de trabajo manual

10 horas → 25 segundos (×1440 más rápido)

ROI CALCULADO

Síntesis

Resumen del Patrón Map-Reduce

Empiece siempre con el patrón más simple que responda a su necesidad. ¡Solo añada complejidad si es realmente necesario!

REGLA DE ORO:

Vista general

Comparación de Patrones

🔍 Encuentre el patrón adecuado para su caso de uso

COMPLEXITY_ADVISOR

El Árbol de Decisión

Alex duda entre varias arquitecturas para su proyecto. ¿Prompt simple? ¿Pipeline? ¿Map-Reduce? ¿Agentes? ¿Cómo elegir?

EL PROBLEMA

Procesamiento paralelo de N elementos con el mismo prompt.

Procesamiento por Lotes

MAP cada elemento, luego REDUCE en síntesis global.

Map-Reduce

Buffer de algunos segundos y luego procesamiento agrupado.

Micro-Batch

Grafo de dependencias con ejecución condicional.

Orquestación DAG

Cadena de pasos donde cada prompt enriquece el contexto del siguiente.

Pipeline Secuencial

Cola de espera con workers que consumen las tareas.

Queue Workers

Clasificación inicial y luego redirección al tratamiento adecuado.

Enrutamiento Inteligente

Una sola llamada API con un prompt bien estructurado es suficiente.

Prompt Directo

Procesamiento token por token con respuesta progresiva.

Streaming Events

✓ VENTAJAS

✗ DESVENTAJAS

JOURNEY_MAP

Patrón Map-Reduce

Elección de Patrón

El Módulo 5 (Agentes) es la continuación lógica. ¡Ahora domina los patrones que permiten construir agentes sofisticados!

CONSEJO:

Los módulos avanzados que le esperan

La continuación del recorrido

Bots que planifican y ejecutan tareas complejas de forma autónoma.

Módulo 5: Agentes Autónomos

Conectar sus LLMs a sus propias fuentes de datos y documentos.

Módulo 6: RAG y Conocimiento

Desplegar soluciones LLM robustas en producción.

Módulo 7: Listo para Producción

Ha completado el Módulo 4 y ahora domina los patrones fundamentales de los sistemas LLM compuestos.

Módulo 7 — Imaginar prompts creativos y multimodales

Target_Objectives.jsonREAD_ONLY

Directory_Structure

Capabilities_Matrix