Prompt chaining
El prompt chaining es la técnica de dividir una tarea compleja en varias llamadas sucesivas a un modelo como Claude, donde la salida de cada paso se usa como entrada del siguiente.
El prompt chaining (encadenar prompts) es una técnica en la que una tarea compleja se descompone en varios subpasos, cada uno resuelto con una llamada independiente al modelo, y la salida de un paso alimenta al siguiente. En lugar de pedirle a Claude todo en un único prompt gigante, construyes una pequeña tubería donde cada eslabón tiene un objetivo claro y verificable.
Cómo funciona
El flujo típico tiene tres piezas:
- Descomposición: identificas las fases naturales de la tarea (extraer, analizar, redactar, revisar).
- Una llamada por fase: cada prompt contiene solo las instrucciones de esa fase y el material que necesita.
- Traspaso estructurado: la respuesta de un paso se inserta en el siguiente, idealmente delimitada con etiquetas XML como
<extraccion>o en formato JSON, para que el modelo sepa exactamente qué está recibiendo.
Entre paso y paso, tu código puede intervenir: validar el formato, filtrar resultados, llamar a una base de datos o decidir si seguir. Ahí está la diferencia con un prompt largo: el control vuelve a ti en cada eslabón.
extraccion = claude("Extrae las cláusulas de penalización del contrato:\n<contrato>" + texto + "</contrato>")
analisis = claude("Evalúa el riesgo de estas cláusulas:\n<clausulas>" + extraccion + "</clausulas>")
informe = claude("Redacta un resumen ejecutivo a partir de:\n<analisis>" + analisis + "</analisis>")Por qué importa
Cuando un único prompt intenta hacer cinco cosas, Claude tiende a dejar alguna a medias o a mezclar criterios. Encadenar aporta ventajas concretas:
- Precisión: cada llamada recibe toda la atención del modelo sobre una sola subtarea.
- Depuración: si el informe final sale mal, puedes ver en qué eslabón se torció y ajustar solo ese prompt.
- Mezcla de modelos: puedes usar un modelo rápido y barato para clasificar o extraer, y reservar uno más potente para el razonamiento o la redacción final.
- Puntos de control: permite añadir validaciones automáticas o revisión humana entre pasos, algo clave en flujos legales, financieros o de producción.
El coste es más latencia y más tokens totales, porque el contexto se repite parcialmente entre llamadas. Si una parte del prompt es fija, el prompt caching ayuda a amortizarlo.
Ejemplo y variantes
Un caso reconocible: procesar tickets de soporte. Paso 1, clasificar la categoría; paso 2, extraer datos del cliente; paso 3, redactar la respuesta con el tono de marca; paso 4, que Claude revise su propio borrador contra una checklist. Ese último patrón, la autocorrección encadenada, es de los más rentables: un segundo pase de revisión detecta errores que la primera generación no ve.
Las cadenas también pueden ser paralelas (varios análisis independientes que luego se fusionan) o condicionales (el resultado de un paso decide qué prompt se ejecuta después). Si quieres orquestar cadenas de llamadas sobre la API de Claude con control de errores y formatos estructurados, merece la pena estudiar estos patrones de forma sistemática.
Qué NO es
- No es chain of thought. La cadena de pensamiento ocurre dentro de una sola respuesta: el modelo razona paso a paso antes de contestar. El prompt chaining son varias llamadas distintas orquestadas por tu código. Se combinan bien, pero no son lo mismo.
- No es un agente. En una cadena, tú defines de antemano la secuencia de pasos. En un agente, es el modelo quien decide dinámicamente qué hacer y qué herramientas usar. Anthropic recomienda empezar por flujos encadenados y solo pasar a agentes cuando la tarea no se pueda predefinir.
- No siempre es mejor. Para tareas simples, trocear añade latencia y puntos de fallo sin mejorar el resultado. Encadena cuando un único prompt falla de forma consistente o cuando necesitas inspeccionar resultados intermedios.
Preguntas frecuentes
¿Cuántos pasos debería tener una cadena de prompts?
Los mínimos necesarios para que cada paso tenga un objetivo único y verificable. En la práctica, entre dos y cinco eslabones cubren la mayoría de casos; más allá, conviene revisar si algún paso puede fusionarse o si la tarea pide un enfoque agéntico.
¿Se puede hacer prompt chaining en la app de Claude sin programar?
Sí, de forma manual: copias la salida de una conversación o mensaje y la pegas como entrada del siguiente. Funciona para prototipar, pero la ventaja real llega con la API, donde automatizas el traspaso y añades validaciones entre pasos.
¿El prompt chaining sale más caro que un solo prompt?
Normalmente consume más tokens y añade latencia, porque hay varias llamadas y parte del contexto se repite. Se compensa usando modelos más baratos en pasos sencillos, aplicando prompt caching a las partes fijas y evitando reintentos de un prompt único que falla.
¿Cómo paso la salida de un paso al siguiente de forma fiable?
Pide a Claude que responda en un formato estructurado, como JSON o contenido dentro de etiquetas XML, valida ese formato en tu código y luego insértalo en el siguiente prompt también delimitado con etiquetas para que el modelo sepa qué es cada bloque.