Basarse en respuestas anteriores

Una conversación de varios turnos con un modelo de IA es una construcción colaborativa: cada intercambio añade algo nuevo en lugar de reemplazar lo anterior.

Esto es diferente de usar prompts de seguimiento para corregir errores. Construir sobre respuestas anteriores implica utilizar el resultado previo del modelo como material de partida: ampliarlo, seleccionar elementos, recombinarlos o aplicarle una perspectiva nueva.

Dominar este patrón le permite producir resultados complejos y con varias capas que serían imposibles de obtener con un solo prompt.

El patrón de construcción más sencillo consiste en hacer referencia a lo que el modelo acaba de escribir:

• "Basándose en lo que escribió anteriormente, ¿cuáles son los tres riesgos más importantes?"
• "Tome el framework que describió y aplíquelo a un contexto sanitario."
• "Utilizando el tono de su última respuesta, reescriba este nuevo párrafo."
• "De la lista que generó, ¿qué elemento priorizaría primero y por qué?"

Estas referencias mantienen al modelo conectado con su propio trabajo anterior y crean continuidad entre los turnos.

Cuando el modelo genera una lista o un conjunto de opciones, puede seleccionar un elemento y pedir que lo amplíe:

• "Tome la segunda opción de su lista y conviértala en un plan completo."
• "El tercer enfoque es el que más me gusta. Escriba una guía de implementación de 300 palabras sobre él."
• "La opción B es la más cercana a lo que necesito. Desarróllela más con pasos específicos y un cronograma."

Este patrón es muy eficaz en los flujos de ideación: genere opciones en un turno, y seleccione y desarrolle una en el siguiente.

Puede pedir al modelo que aplique la estructura de una respuesta a contenido nuevo:

• "Utilizando la misma estructura de su última respuesta, analice al competidor B."
• "Aplique el mismo formato de cinco secciones a este nuevo producto."
• "Siga el esquema que creó anteriormente, pero complételo para una audiencia B2B en lugar de B2C."

Esto resulta extremadamente útil para crear documentos paralelos y coherentes —informes, comparaciones y análisis que deben seguir la misma plantilla para varios temas.

Las conversaciones de varios turnos le permiten aumentar progresivamente el nivel de profundidad:

1. Turno 1: "Deme una visión general de alto nivel sobre los pipelines de machine learning."
2. Turno 2: "Profundice en el paso de preprocesamiento de datos."
3. Turno 3: "Proporcione un ejemplo de código en Python para gestionar valores faltantes en ese paso de preprocesamiento."
4. Turno 4: "Ahora añada gestión de errores y registro de eventos a ese ejemplo de código."

Cada turno acerca el enfoque un nivel más. Esto ofrece un mayor control que pedirlo todo de una vez en un único prompt complejo.

En conversaciones largas, puede reunir elementos de varios turnos anteriores:

• "Combine las personas usuarias del turno 2 con las funcionalidades del producto del turno 4 para escribir un pitch dirigido a cada persona."
• "Tome los riesgos que identificó anteriormente y las estrategias de mitigación de su última respuesta, y cree una matriz de riesgos."

Esto funciona mejor cuando cada turno anterior produjo una pieza de contenido claramente etiquetada y diferenciada. Los turnos anteriores desorganizados hacen que las referencias cruzadas resulten confusas tanto para usted como para el modelo.

Las conversaciones de varios turnos tienen un límite práctico: la ventana de contexto del modelo. Cada mensaje —tanto el suyo como el del modelo— se incluye en el contexto que se envía a la API. A medida que la conversación se alarga, los mensajes más antiguos pueden truncarse.

Estrategias prácticas:

• Resuma y comprima los turnos anteriores cuando ya no necesite conservar todos sus detalles
• Inicie una conversación nueva cuando el tema cambie fundamentalmente
• Mantenga concisas las respuestas individuales para ampliar la cantidad de contenido anterior que el modelo puede consultar

En Python, puede mantener el contexto de varios turnos añadiendo cada par de mensajes a la lista del historial de la conversación:

Cuando haga referencia a una salida anterior, sea preciso sobre lo que quiere decir. Las referencias vagas hacen que el modelo tenga que adivinar:

• Vaga: "Amplíe lo que dijo anteriormente."
• Clara: "Amplíe el tercer punto de la lista con viñetas de su respuesta anterior: el que trata sobre las dificultades durante la incorporación."

Si una respuesta anterior tenía varias secciones, indique el nombre de la sección. Si era una lista, haga referencia al número del elemento. Cuanto más precisamente ancle su referencia, más fiable será que el modelo la siga.

La construcción en varios turnos es ideal para crear documentos estructurados, como informes, planes o propuestas:

1. Turno 1: Genere el esquema
2. Turno 2: Escriba la sección 1
3. Turno 3: Escriba la sección 2 (manteniendo el tono de la sección 1)
4. Turno 4: Escriba el resumen ejecutivo basándose en las secciones 1 y 2

Este enfoque por etapas le permite controlar cada sección antes de pasar a la siguiente y ajustar el rumbo a mitad del documento sin perderlo todo.

La construcción en varios turnos puede salir mal cuando el modelo pierde de vista el contexto anterior. Estas son algunas señales de que se ha perdido el hilo:

• El modelo contradice algo que afirmó dos turnos atrás
• Ignora una restricción establecida al principio de la conversación
• Vuelve a ofrecer consejos genéricos en lugar del framework específico que construyó

Solución: vuelva a indicar explícitamente el contexto clave en su siguiente mensaje, en lugar de dar por sentado que el modelo lo recuerda. "Como establecimos, la audiencia está formada por ejecutivos no técnicos. Teniendo esto en cuenta..."

Tiene una conversación de tres turnos. En el turno 1 se generó un esquema de cinco secciones para un informe empresarial. En el turno 2 se produjo el texto completo de la sección 1 (Análisis de mercado). Ahora quiere que la sección 2 (Panorama competitivo) siga la misma estructura y el mismo tono que la sección 1.

¿Qué prompt del turno 3 es más eficaz?

Las conversaciones de varios turnos son una forma eficaz de construir progresivamente resultados complejos. Las técnicas clave son: hacer referencia a la salida anterior por su nombre o número, seleccionar y ampliar elementos concretos, aplicar la estructura de una respuesta a contenido nuevo e iterar el nivel de profundidad turno a turno.

Anclar las referencias con precisión y tener presentes los límites de la ventana de contexto son las principales habilidades para evitar que las conversaciones de varios turnos pierdan coherencia.

En la próxima lección aprenderá cuándo abandonar una conversación e iniciar otra en lugar de seguir construyendo sobre ella.