No le pidas a la IA que investigue. Hazle cinco preguntas
Deja de pedirle a la IA que investigue. Hazle cinco preguntas.
Un solo prompt de "investiga este tema" te da una sola pasada superficial: el modelo roza la superficie, elige unos cuantos puntos genéricos y devuelve algo que se lee bien pero no tiene profundidad ni fuentes que puedas verificar. La profundidad no viene de un pedido grande. Viene de la estructura: descomponer el tema, buscar cada parte contra fuentes reales y volver a unir los hallazgos.
Por qué un pedido grande se queda en la superficie
Un prompt amplio obliga al modelo a cubrir un tema entero en una ventana de contexto y una sola pasada de razonamiento. Tiene que ser general para ser completo, así que cambia profundidad por amplitud y rara vez ahonda en un solo hilo. Tampoco tiene razón para citar: nada en "investiga X" exige que cada afirmación lleve una fuente, así que obtienes aseveraciones que tienes que reverificar tú mismo. La solución es cambiar la forma del trabajo, no el tamaño del prompt.
El mecanismo: descomponer, repartir, sintetizar
Convierte un pedido vago en un pequeño pipeline de investigación.
- Descompón. Divide el tema en tres a cinco subpreguntas específicas. Cada una debe poder responderse por sí sola y ser lo bastante acotada para ir a fondo.
- Reparte. Envía cada subpregunta a su propio subagente, corriendo en paralelo. Cada subagente busca en la web y lee las fuentes reales de su porción, no del tema entero.
- Sintetiza. Reúne las subrespuestas y fúsionalas en un solo informe donde cada afirmación lleva la fuente de la que provino.
Topic: "Is X production-ready for our use case?"
Q1: maturity + release cadence? ─┐
Q2: known failure modes? ├─ parallel subagents ─→ synthesize
Q3: performance vs alternatives? │ (search + read) one cited
Q4: licensing + cost? │ report
Q5: who runs it in production? ─┘Un pedido grande vs reparto en paralelo
| Un prompt de "investiga este tema" | Cinco preguntas, repartidas |
|---|---|
| Una pasada superficial sobre todo | Cada hilo investigado a fondo |
| Puntos genéricos, sin citas | Cada afirmación lleva una fuente |
| Un solo contexto es el cuello de botella | Subagentes en paralelo, sin cuello de botella único |
| Cobertura estrecha y superficial | Cobertura más amplia entre subpreguntas |
El beneficio es cobertura más amplia, cada afirmación rastreable a una fuente, y ningún hilo de razonamiento único convirtiéndose en el cuello de botella.
Movidas avanzadas
- Escribe subpreguntas que no se solapen. Preguntas ortogonales maximizan la cobertura; los casi duplicados desperdician un subagente.
- Haz que cada subagente cite mientras lee. Exige una fuente por hallazgo a nivel de subagente, para que la síntesis final quede citada por construcción, no parchada después.
- Corre una pasada adversarial en la síntesis. Haz que el sintetizador marque las afirmaciones donde los subagentes discrepan o la fuente es débil, en vez de suavizarlas.
- Mantén las subpreguntas concretas. "Modos de falla conocidos de X en producción" va más a fondo que "cuéntame sobre X".
Recursos
- Anthropic — Cómo construimos nuestro sistema de investigación multiagente
- Anthropic — Construir agentes efectivos
- OpenAI — Orquestar agentes y herramientas
- Lewis et al. — Retrieval-Augmented Generation
¿Desarrollas sistemas de IA o en la nube? Yeda AI audita y refuerza pipelines de LLM y contenedores en producción. Hablemos · Lee el blog