Prompting analógico
Sinónimos: Analogical prompting
Definición ampliada
El prompting analógico, o analogical prompting, pide a un modelo de lenguaje que produzca por sí mismo ejemplos o conocimientos pertinentes para un problema y luego los use al razonar sobre él. La propuesta de Yasunaga y colaboradores genera esos ejemplos en el contexto, sin recuperar ejemplos de una base externa ni exigir que una persona los redacte [1].
Se distingue del few-shot learning con ejemplos aportados de antemano, de RAG, que recupera material externo, y de la cadena de pensamiento, que explicita pasos de razonamiento pero no requiere fabricar problemas análogos. Las técnicas pueden combinarse; ninguna convierte automáticamente el ejemplo generado en evidencia.
Contexto histórico
La investigación sobre prompts con ejemplos y cadena de pensamiento precedió a esta técnica. En ICLR 2024, Yasunaga et al. la presentaron y evaluaron en tareas de matemáticas, programación y otros problemas de razonamiento [1]. Esos resultados delimitan la evidencia inicial; no son una evaluación sanitaria.
Importancia actual
A fecha de septiembre de 2026, ofrece una forma de adaptar los ejemplos a cada pregunta sin mantener una colección manual. Conviene registrar el prompt y los ejemplos generados si se compara con otras estrategias: distintas ejecuciones pueden producir analogías de calidad desigual.
Aplicaciones
Generales
- Proponer problemas resueltos similares antes de abordar uno nuevo.
- Explorar variantes de una tarea cuando no hay ejemplos preparados.
- Comparar el resultado con zero-shot y few-shot en una evaluación controlada.
Sanitarias
En formación, un docente puede pedir ejemplos sintéticos análogos a una pregunta clínica para estimular la discusión. Debe verificar cada premisa y solución antes de usarla. El artículo original no demuestra mejora en diagnóstico, seguridad del paciente ni toma de decisiones clínicas.
Limitaciones
- Los ejemplos pueden ser erróneos o superficialmente parecidos; reutilizarlos puede amplificar una alucinación.
- Generar ejemplos consume contexto, tiempo y coste de inferencia.
- Las mejoras comunicadas por el artículo corresponden a sus modelos y tareas; no se extrapolan sin medir la tarea de destino.
- Si el prompt contiene datos clínicos reales, generar analogías no elimina los deberes de protección de esos datos.
Ejemplos
Ejemplo hipotético: antes de responder una pregunta de estadística, se pide al modelo que invente dos problemas comparables, los resuelva y después aborde la pregunta original. Uno usa una fórmula inapropiada: el evaluador lo detecta y descarta también la respuesta que se apoyó en él.