Vídeos complementarios

Cadena de pensamiento, autocrítica y árbol de pensamientos — vídeos complementarios

El artículo clasifica estas técnicas según el tipo de problema que realmente ayudan a resolver, no según cuál suena más impresionante. Estos vídeos ofrecen la misma perspectiva desde dos ángulos: una demostración de Anthropic sobre cómo construir desde cero un prompt estructurado y bien razonado, y la explicación del artículo académico original sobre el árbol de pensamientos a cargo de alguien que comprende el proceso de búsqueda subyacente.

Selección principal

24:52

Fundamentos del prompting

Anthropic

Dos miembros del equipo de IA aplicada de Anthropic construyen en directo un prompt para un caso real, añadiendo un rol, secciones estructuradas y pasos de razonamiento explícitos. Es la demostración más convincente de YouTube sobre «cómo usar la cadena de pensamiento sin convertirla en un ritual» y materializa la recomendación del artículo de «dejar de pegar “pensemos paso a paso” en todo».

Qué aprenderás: Podrás añadir un rol, secciones estructuradas y pasos de razonamiento explícitos a un prompt sin convertir la cadena de pensamiento en un ritual.

Qué ver o saber antes: Conocimientos básicos sólidos de prompting; la taxonomía de técnicas del artículo es el marco adecuado para empezar.

Nota de AI Expert: Lo hemos elegido porque muestra pasos de razonamiento dentro de la creación de un prompt real. Es el antídoto contra pegar «pensemos paso a paso» en todas partes, precisamente la advertencia central del artículo.

Abrir página del vídeo

También merece la pena

29:29

Árbol de pensamientos: resolución deliberada de problemas con grandes modelos de lenguaje (revisión completa del artículo académico)

Yannic Kilcher

Yannic recorre el artículo académico original sobre el árbol de pensamientos de Princeton/DeepMind: el ciclo de generar, puntuar, podar y retroceder; por qué eleva la precisión en el juego del 24 del 4% al 74%; y cuándo la técnica deja de compensar por multiplicar por 10 el coste en tokens. Resulta útil precisamente porque obliga a entender ToT como un algoritmo de búsqueda, no como un prefijo mágico para un prompt.

Qué aprenderás: Comprenderás los patrones de razonamiento basados en generar, puntuar y podar, y sabrás cuándo resultan demasiado costosos para el trabajo real.

Qué ver o saber antes: Estar familiarizado con explicaciones de artículos académicos técnicos; no es necesario haber leído el artículo.

Nota de AI Expert: Lo incluimos para presentar ToT como un algoritmo de búsqueda con un coste real en tokens. El límite práctico de 10x es la conclusión importante, no las cifras de la prueba comparativa.

Abrir página del vídeo