Aprendizajes1 min de lectura

Una tarea. Más de un modelo.

Tienes 50 entrevistas con clientes y quieres decidir qué mejorar. Así repartiría el trabajo entre dos modelos, con un prompt para probarlo.

Escrito porIdir Ouhab

Una tarea puede durar horas y no necesitar el mismo modelo para todo. Sacar fechas de unos documentos y decidir qué recomendar después de leerlos son trabajos bastante distintos.

Portada de «Una tarea. Más de un modelo.»

50 entrevistas y tres mejoras

Por ejemplo, imagina que tienes 50 entrevistas con clientes y necesitas elegir tres mejoras para el producto. El subagente extractor usaría un modelo pequeño para reunir en una tabla los problemas que mencionan los clientes, con citas y fuentes. El subagente revisor usaría un modelo más potente para escribir y revisar las recomendaciones, resolver dudas y comprobar las contradicciones.

Cargando el diagrama…

Guarda los resultados al terminar cada lote. Así, si la tarea se corta a mitad, puedes seguir desde donde se quedó.

Pruébalo con tus archivos

Los dos subagentes ya tienen su modelo, razonamiento e instrucciones.

SubagenteModeloRazonamiento
extractor.es.tomlgpt-6-lunamedium
revisor.es.tomlgpt-6.1-solhigh

Copia y pega el prompt en tu proyecto. El agente descargará los archivos y configurará los subagentes. Necesitas acceso a los dos modelos y una herramienta compatible con este formato de agentes.

text
Descarga estos TOML y configura los subagentes en este proyecto.
Guárdalos donde corresponda y conserva la configuración anterior.

extractor
https://gist.githubusercontent.com/idirouhab/1f8e255c22758725f87c75841a645029/raw/97b2d636ee34eeac9aeab60c97caad21519e570a/extractor.es.toml

revisor
https://gist.githubusercontent.com/idirouhab/ad438cc612d79a1775328f07dc827d96/raw/a2e61f5ef9c2abb201a17f05c01ee7e8c4ee9b91/revisor.es.toml

Lee los archivos y configura los subagentes con sus valores de
name, model, model_reasoning_effort, sandbox_mode y developer_instructions.
Aplica esos valores al lanzarlos. Si no puedes, para y dime qué falta.

Antes de analizar los documentos, pregúntame qué decisión quiero tomar.

Define las columnas y divide los documentos en lotes de cinco.
Lanza extractor para cada lote, por turnos.
Dale los archivos de su lote, la decisión, las columnas
y una ruta de salida distinta para su tabla.

Cuando terminen todos, lanza revisor con las tablas,
las fuentes, la decisión y la ruta recomendaciones.md.
Pídele tres mejoras respaldadas por las entrevistas.

Anota los lotes completados y sus tablas en progreso.md.
Si la tarea se interrumpe, continúa con los pendientes.
Al terminar, indica el modelo y el razonamiento de cada agente.

Yo probaría con cinco documentos antes de darle los 50. Mira en qué se equivoca, cuánto tarda y cuánto cuesta. Si tienes que estar corrigiendo al modelo pequeño todo el rato, poco estás ganando.

Más sobre cómo elegir un modelo.

Sobre el autor

Idir Ouhab

Ingeniero de despliegue de IA en OpenAI, formador y creador de Prompt&Play. Escribo sobre lo que aprendo llevando la IA a producción.

Tu siguiente paso

¿Tu equipo está trabajando en algo parecido?

Descubre en un minuto en qué etapa está tu proyecto, del prompt a producción, y cuál sería tu siguiente paso.

Compartir

Temas

  • modelos de IA
  • agentes
  • automatización
Siempre activo

Recuerda tu idioma y tus preferencias de cookies. Una cookie de sesión independiente mantiene el acceso de administración. No se utilizan para publicidad.

Tu elección es válida durante 180 días en este navegador. Las finalidades opcionales están desactivadas inicialmente. Si el almacenamiento del navegador no está disponible, tu elección solo se conserva en esta página.

Puedes retirar tu permiso aquí en cualquier momento. Si ya se ha cargado contenido opcional, la página se recarga para detenerlo; podrían perderse cambios de formularios que no hayas enviado.

Cómo se utilizan las cookies y el almacenamiento