Cadena de pensamiento
En esta página
Razona paso a paso
La cadena de pensamiento (Chain of Thought o CoT) es una técnica que solicita al modelo que detalle su razonamiento antes de ofrecer la respuesta final. En lugar de saltar directamente a la conclusión, el modelo expone cada paso lógico, lo que mejora significativamente la calidad de las respuestas en tareas que requieren razonamiento. Con los modelos de Mistral, ofrece resultados excelentes en lógica, matemáticas, análisis y toma de decisiones.
Para entender por qué funciona, recuerda cómo genera texto el modelo: token a token, dependiendo cada uno de todos los anteriores. Cuando un modelo debe responder directamente a una pregunta compleja, solo dispone de unos pocos tokens para «pensar»; la respuesta debe surgir casi de inmediato. Al pedirle que detalle su razonamiento, le das espacio para descomponer el problema en subproblemas sencillos, verificar cada paso antes de pasar al siguiente, identificar la información relevante entre los datos proporcionados y, en última instancia, reducir errores de razonamiento como las alucinaciones. El razonamiento escrito no es una idea de última hora: es donde ocurre el cómputo.
CoT simple: basta una instrucción
La forma más básica consiste en añadir una frase de instrucción sencilla al final de tu indicación (prompt):
Un restaurante tiene 15 mesas. Cada mesa puede acomodar a 4 personas.
El restaurante está lleno al 80 %. ¿Cuántas personas hay presentes?
Razona paso a paso antes de dar tu respuesta.
El modelo producirá entonces algo como:
Paso 1: Capacidad total = 15 mesas × 4 personas = 60 personas
Paso 2: Tasa de ocupación = 80 % = 0,80
Paso 3: Personas presentes = 60 × 0,80 = 48 personas
Respuesta: Hay 48 personas presentes en el restaurante.
Sin la instrucción «razona paso a paso», el modelo podría dar directamente «48» —correcto en este caso—, pero también podría cometer un error en un cálculo intermedio sin que tú puedas identificar dónde. Este es el segundo beneficio de la CoT, menos conocido pero igual de valioso: el razonamiento visible es verificable. Cuando una respuesta te parece extraña, el paso defectuoso salta a la vista.
CoT estructurado: guía los pasos
Para tareas más complejas, no te limites a pedir razonamiento: prescríbelo. Imagina un análisis de inversión:
Evalúa si esta startup es una buena inversión.
Datos:
- Ingresos 2025: 2,3 M€ (crecimiento +45 % interanual)
- Burn rate: 180 k€/mes
- Runway: 14 meses
- Mercado direccionable: 500 M€
- Equipo: 22 personas, 3 fundadores técnicos
Razona siguiendo estos pasos:
1. Analiza la salud financiera (ingresos, burn, runway)
2. Evalúa el potencial del mercado (tamaño, penetración actual)
3. Evalúa el equipo (habilidades, tamaño)
4. Identifica los riesgos clave (máximo 3)
5. Ofrece tu conclusión con una puntuación de confianza (baja/media/alta)
Al prescribir los pasos, te aseguras de que el modelo cubra todos los aspectos importantes, en el orden correcto, sin omitir aquel que te interesa. Si se le deja libre, podría extenderse largamente sobre el mercado y apresurar el análisis financiero; guiado, trata los cinco aspectos de forma sistemática.
Cuándo usar la cadena de pensamiento — y cuándo omitirla
La CoT es para tareas en las que puedes equivocarte por el camino: problemas matemáticos de varios pasos, estimaciones, análisis de datos (interpretación de métricas, identificación de tendencias), toma de decisiones comparando opciones, depuración de código o registros de errores, razonamiento lógico y deducciones. En todas estas situaciones, cada paso intermedio es un punto de control que evita que los errores se propaguen.
Por el contrario, la CoT es inútil —y a veces contraproducente— cuando no hay nada que desplegar. Para una pregunta factual sencilla como «¿Cuál es la capital de Italia?», añade latencia y tokens sin mejorar nada. En la escritura creativa, un razonamiento estructurado puede incluso coartar la creatividad. La traducción es más intuitiva que lógica, y la reformulación no requiere deducción. El reflejo correcto: pregúntate si tú mismo harías cálculos para esta tarea. Si no es así, ahorra esfuerzo al modelo.
CoT con few-shot
Combinar la cadena de pensamiento con la técnica few-shot de la lección anterior es especialmente potente: en lugar de describir cómo razonar, lo muestras mediante un ejemplo completo de un razonamiento exitoso.
messages = [
{
"role": "system",
"content": "Eres un analista que razona paso a paso."
},
{
"role": "user",
"content": """Un sitio de comercio electrónico tiene 10.000 visitantes/día, una tasa de conversión
del 2,5 % y un valor medio del carrito de 65 €. ¿Cuál es el ingreso diario?"""
},
{
"role": "assistant",
"content": """Razonamiento:
1. Número de pedidos/día = 10.000 × 2,5 % = 250 pedidos
2. Ingreso diario = 250 × 65 € = 16.250 €
Respuesta: El ingreso diario es de 16.250 €."""
},
{
"role": "user",
"content": """Un SaaS tiene 5.000 usuarios activos, una tasa de abandono mensual
del 3 % y un ingreso medio por usuario de 49 €/mes. ¿Cuál será el MRR
en 3 meses si no llegan nuevos clientes?"""
}
]
El modelo reproducirá el mismo esquema —un bloque de «Razonamiento» numerado, seguido de una línea de «Respuesta»— para la nueva pregunta. Obtienes tanto el rigor de la CoT como la consistencia de formato del few-shot.
Controla la verbosidad del razonamiento
A veces quieres el razonamiento, pero no una novela. Controlas la dosificación en la propia instrucción. Para un razonamiento completo, pide: «Detalla cada paso de tu razonamiento antes de concluir». Para una versión más ajustada: «Razona brevemente (máximo 2-3 pasos) y luego da tu respuesta». Y para producción, la variante más útil separa razonamiento y respuesta con etiquetas:
Razona dentro de las etiquetas <reasoning></reasoning>
y luego proporciona tu respuesta final dentro de las etiquetas <answer></answer>.
Este último enfoque te ofrece lo mejor de ambos mundos: tu código extrae solo el contenido de la etiqueta <answer> para mostrarlo al usuario final, mientras que el razonamiento completo permanece disponible en los registros para depuración. Cuando una respuesta en producción resulta errónea, abres el registro y ves exactamente dónde se descarriló el razonamiento.
Puntos clave
- La cadena de pensamiento pide al modelo que razone antes de responder; es decisiva para lógica, cálculo y análisis
- Guía los pasos explícitamente para tareas complejas
- Combina CoT y few-shot para máxima eficiencia
- Inútil para preguntas sencillas o escritura creativa
- Usa etiquetas XML para separar razonamiento y respuesta en producción