Cadena de Pensamiento

El Problema

Los modelos de IA frecuentemente saltan a conclusiones ante problemas de varios pasos, produciendo respuestas que suenan seguras pero omiten matices criticos. Sin pasos de razonamiento explicitos, el modelo toma atajos que llevan a conclusiones erroneas en tareas de matematicas, logica, planificacion y analisis.

El Prompt

Piensa paso a paso antes de dar tu respuesta final.

PROBLEMA:
[describe tu pregunta, tarea o escenario aqui]

Para cada paso:
1. Indica lo que sabes hasta ahora
2. Identifica la siguiente pregunta logica o sub-problema
3. Razona explicitamente
4. Verifica si tu razonamiento contradice pasos anteriores

Despues de todos los pasos, proporciona:
- **Respuesta Final**: Tu conclusion basada en la cadena de razonamiento
- **Confianza**: Que tan seguro estas (alta/media/baja) y por que
- **Supuestos**: Cualquier supuesto que hayas hecho en el camino

Ejemplo de Salida

Paso 1: Identificar la pregunta central...
Necesitamos determinar si migrar de REST a GraphQL reduce las llamadas API totales para nuestro dashboard.

Paso 2: Analizar el uso actual de REST...
El dashboard hace 6 llamadas REST separadas al cargar: /users, /projects, /stats, /notifications, /settings, /recent-activity.

Paso 3: Modelar la alternativa GraphQL...
Una sola consulta GraphQL podria obtener los 6 conjuntos de datos en una peticion, pero los resolvers anidados podrian seguir ejecutando 6 consultas a la base de datos en el backend.

Paso 4: Evaluar el balance...
Las llamadas del frontend bajan de 6 a 1, pero la complejidad del backend aumenta. La latencia neta mejora porque eliminamos 5 viajes de ida y vuelta.

Respuesta Final: La migracion reduce las llamadas API del frontend de 6 a 1, mejorando el rendimiento percibido en ~400ms promedio.
Confianza: Alta — la reduccion de viajes de red esta bien documentada.
Supuestos: El rendimiento de los resolvers del backend se mantiene comparable a los handlers REST actuales.

Cuando Usar

Usa este skill cuando enfrentes un problema que requiera razonar a traves de multiples pasos — debugging de problemas complejos, decisiones de arquitectura, analisis de pros y contras, o acertijos logicos. Es especialmente efectivo para tareas donde la primera respuesta intuitiva suele ser incorrecta.

Tips Pro

• Se especifico con el dominio — agregar contexto como “Estas analizando una app React 18 con Server Components” enfoca el razonamiento en patrones relevantes.
• Pide contraargumentos — agrega “Ahora argumenta en contra de tu propia conclusion” para poner a prueba la cadena de razonamiento.
• Combina con ejemplos — muestra un ejemplo resuelto antes de tu problema real para que el modelo refleje la profundidad y formato de analisis que esperas.