Indicación a un modelo de razonamiento
En esta página
Lección reescrita el 2 de noviembre de 2026. Esta lección cubría anteriormente la indicación de sistema Magistral, que se retiró el 31 de julio de 2026. La documentación actual sobre razonamiento (Reasoning) ya no requiere una indicación de sistema dedicada:
reasoning_effortes suficiente. Las siguientes secciones distinguen lo que afirmaba la documentación de Magistral, qué ha cambiado y qué reglas de indicación siguen siendo útiles.
Qué ha cambiado desde Magistral
Magistral ofrecía su mejor rendimiento con una indicación de sistema predeterminada, que la documentación reproducía (ahora archivada en la página Native reasoning (deprecated)). Esencialmente, instruía al modelo para que redactara primero su razonamiento, como un monólogo interno, seguido de una respuesta independiente; que escribiera en Markdown, usando LaTeX para las ecuaciones; y que respondiera en el idioma de la consulta. Incluso incluía una plantilla de razonamiento, en forma de un fragmento thinking colocado en el mensaje de sistema. Un parámetro, prompt_mode, permitía forzar esta indicación predeterminada ("reasoning") o desactivarla (None).
Con los modelos actuales, nada de esto es necesario: la página de razonamiento no menciona ni una indicación de sistema dedicada ni prompt_mode. Activas el razonamiento con reasoning_effort y tu indicación de sistema vuelve a ser una indicación de sistema estándar, dedicada al rol, el método y el formato esperado. Si estás migrando desde Magistral, elimina la plantilla de razonamiento de tus mensajes de sistema y prompt_mode de tus llamadas; luego compara los resultados (Lección 8).
Separar el razonamiento de la respuesta
El modelo dispone ahora de dos espacios distintos: el razonamiento, que el usuario a menudo no ve, y la respuesta final. Una buena indicación tiene esto en cuenta. Describe el método esperado, qué verificaría un experto en la materia, y establece el formato de la respuesta: la respuesta debe ser comprensible sin el razonamiento, dado que este generalmente estará oculto.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
system_prompt = """Eres un experto senior en depuración de Python.
MÉTODO
- Lee todo el código antes de formular un diagnóstico.
- Formula al menos dos hipótesis antes de concluir.
- Verifica que tu corrección no cree un nuevo problema.
RESPUESTA FINAL
1. El diagnóstico preciso
2. La causa raíz
3. El código corregido
4. Una prueba que demuestre la corrección"""
response = client.chat.complete(
model="mistral-small-2603",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": "Mi código falla con un RecursionError: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
],
reasoning_effort="high",
)
En esta función fibonacci que carece de un caso base, el requisito de dos hipótesis descarta el diagnóstico reflejo de «aumentar el límite de recursión» y conduce a la causa real.
Adaptación por dominio
La misma estructura, método seguido de formato de respuesta, se adapta al dominio específico. En matemáticas, el método se centra en las hipótesis y el tipo de demostración:
math_prompt = """Eres un matemático riguroso.
MÉTODO
- Enuncia las hipótesis antes de cada demostración.
- Elige explícitamente entre inducción, contradicción o cálculo directo.
- Verifica el resultado en un caso concreto.
RESPUESTA FINAL
Demostración formal: hipótesis, pasos justificados, conclusión."""
En el análisis estratégico, se centra en las partes interesadas y la cuantificación, y la respuesta esperada se convierte en una recomendación acompañada de un plan:
strategy_prompt = """Eres un consultor de estrategia.
MÉTODO
- Evalúa cada opción basándote en la viabilidad, el impacto y el riesgo.
- Cuantifica siempre que sea posible, aunque solo sea como orden de magnitud.
- Busca la objeción más sólida a tu propia recomendación.
RESPUESTA FINAL
Una recomendación clara, los pros y los contras de cada opción, un plan de acción con pasos fechados."""
Tres errores comunes
La indicación es demasiado vaga. «Eres un asistente útil» no dice nada sobre el método: el modelo razona según sus hábitos en lugar de los tuyos. Describe qué verificaría un experto.
La indicación es contradictoria. «Sé muy conciso. Detalla cada paso en profundidad» sitúa al modelo ante una orden imposible. Resuelve la contradicción distribuyendo los roles: el detalle pertenece al razonamiento, la concisión a la respuesta final.
good_prompt = """Sé conciso en tu respuesta final: solo conclusiones y cifras esenciales.
Explora los detalles en tu razonamiento, no en la respuesta."""
Solicitar el proceso en la respuesta. Pedir que se «razone paso a paso» en la respuesta visible hace que el modelo escriba por segunda vez lo que ya ha hecho en su razonamiento: la respuesta se alarga y pagas dos veces por los mismos pasos en tokens de salida. Solicita los pasos en la respuesta solo si el usuario necesita leerlos, por ejemplo, en un tutor educativo.
Puntos clave
- La indicación de sistema predeterminada y
prompt_modeeran específicos de Magistral: ya no son necesarios - Activa el razonamiento con
reasoning_efforty mantén la indicación de sistema en su rol clásico - Describe el método esperado y el formato de una respuesta legible sin el razonamiento
- Distribuye los roles: detalle en el razonamiento, concisión en la respuesta
- No hagas que el modelo reescriba el proceso en la respuesta si nadie necesita leerlo