ESEN

Cómo hacer prompts para modelos de razonamiento (GPT-6, Claude Opus 5.5, Gemini, Grok, DeepSeek)

Patrones prácticos para modelos que piensan antes de responder: qué especificar, qué dejarle al modelo y cómo cada modelo actual regula la profundidad con effort o thinking level en vez de con frases en el prompt.

← Volver a guías

Qué hace diferente a los modelos de razonamiento

  • Los modelos de razonamiento (GPT-6, Claude Opus 5.5, Gemini 3.x con thinking, Grok 4.7, DeepSeek en modo thinking) razonan internamente antes de generar la respuesta — gastan tokens explorando antes de responder.
  • Manejan mejor tareas ambiguas y de varios pasos que los modelos estándar, pero requieren un estilo de prompting diferente: menos andamiaje de tu parte, más claridad sobre cómo se ve el éxito.
  • El prompting paso a paso explícito (como 'pensá paso a paso') suele ser redundante — el modelo ya lo hace internamente. Sobrecargar con instrucciones de proceso puede interferir con su propio razonamiento.

Qué especificar y qué dejarle al modelo

  • Especificá: el objetivo, las restricciones, el formato de salida y qué cuenta como respuesta correcta. Dale suficiente base para que evalúe su propio trabajo.
  • Dejale al modelo: el camino de razonamiento, los pasos intermedios y cómo descomponer el problema. Lo maneja mejor de lo que podés prescribir.
  • Para tareas factuales o de investigación: pedí citas o claims con base. Los modelos de razonamiento también alucinan — razonan mejor, pero no son inmunes a la confabulación.
  • Para tareas matemáticas o lógicas: pedí una respuesta final con una justificación corta, no una narración de cada paso. Los pasos narrados pueden introducir errores en cadenas largas.

Cómo regulan la profundidad los modelos actuales

  • La profundidad es un ajuste del pedido, no una frase. En los modelos actuales el razonamiento se sube o se baja con un parámetro (effort, reasoning_effort o thinking_level). Escribir 'pensá más' en el prompt no es el control.
  • Claude Opus 5.5 siempre piensa; el effort define cuánto (default medium). Sacá las líneas tipo 'pensá con cuidado' o 'revisá tu trabajo' y poné el objetivo, el contexto, las restricciones y cómo se ve 'terminado' en un único pedido completo.
  • GPT-6 Astra necesita menos instrucciones paso a paso que los GPT anteriores: dale el objetivo, las restricciones y los permisos. No tiene effort 'none', así que 'low' es el mínimo. GPT-6 Sol arranca en effort medium y rinde mejor con prompts más ajustados: pasos explícitos y formato exacto.
  • Gemini 3.8 Flash usa thinking_level (low, medium o high; default medium) y por defecto responde corto, así que pedí detalle cuando lo necesites. Gemini 3.1 Pro arranca en high.
  • En Grok 4.7 el razonamiento no se puede apagar: reasoning_effort va de low a xhigh (default high). Bajalo cuando importa la latencia en vez de pedir 'una respuesta rápida' en el texto.
  • DeepSeek Flash piensa por defecto (effort high). Bajalo a low o apagá el thinking para tareas rápidas, y en loops con herramientas devolvé el reasoning_content completo.
  • Estos valores por defecto salen de la documentación de cada proveedor según el último chequeo del registro de Promptea (2026-09-24). Los parámetros cambian: confirmalos en la documentación del proveedor antes de ajustar una integración en producción.

Errores comunes

  • Sobre-andamiar: agregar 'Primero, listá todas las opciones. Después, evaluá cada una. Finalmente, elegí la mejor.' — el modelo ya hace esto; tus instrucciones pueden entrar en conflicto con su propio plan.
  • Sub-especificar el objetivo: criterios de éxito vagos significan que el modelo puede razonar bien y aun así darte una respuesta inutilizable.
  • Ignorar el formato de salida: los modelos de razonamiento pueden producir respuestas largas y desestructuradas. Siempre especificá el formato que necesitás, o vas a perder tiempo parseando el resultado.

Plantillas

Razonamiento complejo de varios pasos

Objetivo: [cómo se ve una respuesta correcta — una frase]
Contexto: [hechos clave, restricciones, definiciones]
Formato de salida: [recomendación en bullets / tabla de decisión / lista rankeada]
Criterio de calidad:
- Debe incluir: [ítems específicos]
- Debe evitar: [claims o supuestos prohibidos]
Si la respuesta requiere trade-offs, mencionálos explícitamente.
Se abre en el analizador con el prompt precargado.
Abrir en Promptea

Análisis estructurado con justificación

Analizá lo siguiente y devolvé:
1. Respuesta final (1–2 frases)
2. Razonamiento clave (máx 3 bullets — citá los datos)
3. Confianza: Alta / Media / Baja y por qué

Datos:
"""[pegá]"""

Restricciones: [ej. usá solo los datos provistos, sin supuestos externos]
Se abre en el analizador con el prompt precargado.
Abrir en Promptea

Preguntas frecuentes

¿Tengo que escribir 'pensá paso a paso' para modelos de razonamiento?
No. Los modelos de razonamiento corren un chain-of-thought interno automáticamente. Agregarlo es, en el mejor caso, redundante y, en el peor, disruptivo. Enfocate en especificar bien el objetivo y el formato de salida.
¿Los modelos de razonamiento son más precisos en matemáticas y lógica?
En general sí para problemas de varios pasos, pero igual cometen errores aritméticos y pueden confabular datos. Siempre verificá resultados numéricos y pedí citas para afirmaciones factuales.
¿Cómo hago que un modelo de razonamiento piense más o menos?
Usá el ajuste de razonamiento del modelo, no frases en el prompt: effort en Claude Opus 5.5 y GPT-6, thinking_level en Gemini 3.x, reasoning_effort en Grok 4.7, y effort o modo thinking en DeepSeek. En las apps de chat suele ser el selector de modelo o de modo. Mantené el prompt enfocado en el objetivo, las restricciones y el formato de salida.