Hola a todos, ¡aquí leopardracer!
Antes, encontrar buenas ideas de contenido me tomaba horas cada semana. Reddit en una pestaña, noticias en otra, arXiv en una tercera y una nota de Obsidian donde pegaba todo e intentaba recordar cómo se conectaban las piezas. Cada búsqueda con IA tomaba segundos, pero pasaba el resto del tiempo siendo el pegamento.
Lo que lo empeoraba era cuánta atención gastaba solo moviéndome entre pestañas y chats. Cada cambio me costaba concentración, y cada reinicio hacía que el trabajo se sintiera más pesado de lo que era.
En ese momento no lo sabía, pero en lugar de optimizar demasiado mis prompts, debería haber creado un flujo de trabajo. Me tomó un tiempo descubrir la mejor manera de hacerlo, así que ahora estoy listo para compartir mi forma de convertir prompts en flujos de trabajo.
En este artículo:
- Por qué los hábitos de prompting se rompen al escalar
- Cómo identificar tu primer candidato para un flujo de trabajo
- Cómo encontrar las costuras en conversaciones largas
- El patrón de traspaso que lleva el contexto hacia adelante
Si estás copiando resultados entre pestañas de chat de IA, estás haciendo el trabajo de coordinación que la IA debería manejar. La solución es convertir tus prompts en un flujo de trabajo donde cada paso escribe en un archivo y el siguiente lo lee. El contexto avanza sin que tú lo cargues. Solo te detienes donde se necesita una decisión real.
Cuando el Prompting Deja de Funcionar
Casi todo el mundo empieza con la IA de la misma manera. Escribes una pregunta, obtienes una respuesta, la copias y pegas en algún lado, repites. Así pasé mi primer año usándola. Y lo entiendo, se siente productivo porque cada interacción te da algo tangible.
Luego notas que pasas más tiempo gestionando la IA del que la IA te ahorra. Eres tú quien copia entre pasos. Eres tú quien recuerda lo que el paso tres necesitaba del paso uno.
Un estudio de octubre de 2025 publicado en arXiv encontró que la precisión de los LLM disminuye significativamente cuando la información relevante está incrustada en contextos más largos, incluso cuando todos los tokens irrelevantes están enmascarados.
Los blogs y cursos de ingeniería de prompts aún venden la idea de que las palabras correctas lo arreglarán todo. Están optimizando la capa equivocada. Estás intentando ejecutar un pipeline a través de una ventana de chat, y ninguna cantidad de refinamiento de palabras cambiará eso.
Llegar a un techo con el prompting significa que tienes un problema de arquitectura.
Cómo Identificar tu Primer Flujo de Trabajo con IA
Antes de continuar, prueba esto. Piensa en la última tarea repetitiva que hiciste con IA. Esa que te tomó 45 minutos y te hizo querer gritar para el minuto 30. Ahora pregúntate:
- ¿Copié y pegué entre pasos?
- ¿Abrí múltiples ventanas de chat porque el contexto se contaminaba constantemente?
- ¿Tuve que recordar lo que el paso tres necesitaba del paso uno?
- ¿La IA produjo buen resultado en cada paso, pero el resultado final fue mediocre?
Si respondiste "sí" a alguna de estas, ya tienes un candidato para flujo de trabajo. Has estado haciendo el trabajo de coordinación manualmente.
Aquí tienes un prompt que puedes usar ahora mismo. Pégalo al final de tu próxima conversación larga con IA, después de haber terminado una tarea:
1Mira hacia atrás en esta conversación que acabamos de tener. Voy a pegar el prompt inicial con el que empecé abajo. Quiero que analices si esta tarea podría convertirse en una habilidad o flujo de trabajo reutilizable.23Específicamente:41. ¿Podrían estructurarse los pasos que seguí como una secuencia donde cada paso produce un resultado que el siguiente necesita?52. ¿Hay puntos de traspaso donde el contexto necesita avanzar?63. ¿Se beneficiaría esta tarea de dividirse en pasos separados con contexto limpio, en lugar de ejecutarse como una conversación larga?74. ¿Cómo se verían la entrada, las instrucciones, la salida y el punto de control si esto se convirtiera en un flujo de trabajo?89Aquí está el prompt inicial que usé: [PEGA TU PROMPT INICIAL AQUÍ]1011Dime si este es un buen candidato para un flujo de trabajo y, de ser así, esboza cómo serían los pasos.
Ejecuta esto después de tu próxima tarea repetitiva. Podrías descubrir que ya estás haciendo trabajo con forma de flujo de trabajo manualmente.
Esto funciona ya sea que uses Hermes, Claude Code, Codex, Cowork o cualquier otra herramienta de conversación con IA. Los patrones se mantienen igual. Las herramientas no importan. La estructura sí.
Dónde Encontrar las Costuras en una Conversación Larga
Convertir una conversación larga en un flujo de trabajo comienza por ver dónde tiene costuras tu proceso actual.
Cuando tienes una conversación larga con IA, busca los momentos en los que cambiaste de marcha. Donde dijiste "bien, ahora hagamos X" y empezaste un nuevo contexto mental. Donde copiaste algo de antes en el chat y lo pegaste en una nueva solicitud. Donde tuviste que recordarle a la IA en qué estabas trabajando porque lo olvidó. Esas costuras son donde ocurre la expansión del alcance.
Esas son tus costuras. Cada costura es un paso potencial en un flujo de trabajo.
Mi punto de quiebre llegó durante un proyecto de ideación de contenido. Necesitaba encontrar ángulos interesantes para artículos de boletín, lo que significaba extraer de múltiples fuentes. Los hilos de Reddit sacaban a relucir quejas sobre problemas específicos, los artículos de noticias cubrían herramientas emergentes y los artículos de arXiv insinuaban nuevas capacidades.
Empecé manualmente, copiando y pegando publicaciones de Reddit en un documento, extrayendo titulares de noticias, ejecutando búsquedas en arXiv y guardando resúmenes. Cada fuente vivía en su propia sesión de chat porque las ventanas de contexto se contaminaban constantemente. Para cuando terminé con Reddit, ya había olvidado lo que encontré en la búsqueda de noticias.
Luego creé habilidades individuales para cada fuente. Una habilidad para investigación en Reddit, otra para extracción de noticias, una tercera para artículos de arXiv. Cada habilidad funcionaba bien por sí sola, pero yo seguía siendo el que coordinaba entre ellas. Ejecutaba la habilidad de Reddit, guardaba el resultado, ejecutaba la habilidad de noticias, guardaba ese resultado, ejecutaba la habilidad de arXiv, guardaba ese resultado. Luego combinaba manualmente los tres en una lista final de ideas.
Estaba haciendo el trabajo de coordinación del agente manualmente. La IA podía hacer bien cada paso. Los traspasos eran el problema. Yo era el middleware.
Cómo Llevar el Contexto Correctamente Hacia Adelante
Los flujos de trabajo son secuencias de pasos donde cada paso produce algo que el siguiente necesita. Lo que separa a los flujos de trabajo del prompting es que el contexto avanza automáticamente en lugar de que tú lo lleves a mano.
La guía "Building Effective Agents" de Anthropic, publicada en diciembre de 2024 y ampliamente citada como el recurso definitivo, hace una distinción clara. Los flujos de trabajo son sistemas donde los LLM y las herramientas se orquestan a través de rutas de código predefinidas. Los agentes son sistemas donde los LLM dirigen dinámicamente sus propios procesos.
Para los no programadores, los flujos de trabajo son el punto ideal. Tú defines la ruta. La IA hace el trabajo en cada parada.
Anthropic describe cinco patrones de flujo de trabajo. En español sencillo:
Encadenamiento de prompts funciona como una línea de ensamblaje. La salida del paso uno se convierte en la entrada del paso dos. Cada paso se mantiene simple y enfocado.
Enrutamiento clasifica diferentes entradas por diferentes caminos. Como un clasificador de correo que envía cartas al código postal correcto.
Paralelización ejecuta múltiples cosas al mismo tiempo. Como tener tres investigadores en lugar de uno.
Orquestador-trabajadores usa un agente jefe que descompone el trabajo y lo delega a agentes trabajadores.
Evaluador-optimizador tiene un agente que hace el trabajo y otro que lo revisa. El primero revisa según la retroalimentación.
Yo llamo archivos de traspaso a los archivos que lo mantienen todo unido. Cada paso escribe su trabajo para que el siguiente paso no tenga que adivinar. El formato importa menos que el principio. Podría ser un archivo markdown, un Google Doc, un bloque de texto estructurado. Lo que importa es que cada paso produzca algo que el siguiente paso pueda leer.
Lo intenté todo para mantener el contexto entre pasos. Las variables en memoria desaparecen cuando la sesión termina, las entradas de base de datos requieren configuración y mantenimiento, y los archivos de estado compartido se corrompen cuando dos pasos escriben a la vez.
Los archivos markdown en Obsidian ganaron porque son aburridos y confiables.
Cada paso en un flujo de trabajo escribe su salida en un archivo markdown, y el siguiente paso lee ese archivo. Los archivos se encuentran en una estructura de carpetas que refleja el flujo de trabajo. Cuando algo sale mal, abro el archivo y veo exactamente qué produjo el paso tres. Rastreo el problema hacia atrás a través de la cadena.
Esto también me dio algo que no esperaba. Rastreo lo que hizo cada subagente o paso, con enlaces a los archivos específicos que produjo. Cuando algo suena sospechoso en la salida final, abro los archivos intermedios y encuentro dónde comenzó la desviación.
Markdown también tiene ventajas prácticas. El texto plano funciona en todas partes. Los archivos se mueven entre sistemas sin conversión. Los cambios son versionables con el tiempo. Todo se renderiza bien en Obsidian, que ya uso para notas.
Almacenar el contexto en una base de datos o mecanismo de estado compartido añade complejidad, requiere configuración y crea dependencias. Los archivos markdown no requieren nada excepto una carpeta y un editor de texto.
Cada paso escribe su trabajo. El siguiente paso lee lo que escribió el paso anterior. El contexto avanza a través de archivos, no a través de la memoria.
Construyendo un Flujo de Trabajo con IA Paso a Paso
Déjame mostrarte cómo se ve esto en la práctica. Usaré mi flujo de trabajo de ideación de contenido como ejemplo, pero la estructura funciona para cualquier tarea repetitiva.
Cuatro pasos componen este flujo de trabajo. Cada paso lee del archivo de salida del paso anterior y escribe en su propio archivo de salida.
Paso 1: Investigación en Reddit
Entrada: Un tema o palabra clave para buscar.
Qué hace: Busca en Reddit hilos donde la gente se queje de problemas relacionados con ese tema.
Salida: reddit-findings.md con títulos de hilos, URLs y quejas clave.
Paso 2: Extracción de noticias
Entrada: El mismo tema.
Qué hace: Busca en fuentes de noticias artículos sobre herramientas o tendencias emergentes relacionadas con ese tema.
Salida: news-findings.md con titulares, URLs y resúmenes.
Paso 3: Búsqueda en arXiv
Entrada: El mismo tema.
Qué hace: Busca en arXiv artículos que insinúen nuevas capacidades relacionadas con ese tema.
Salida: arxiv-findings.md con títulos de artículos, resúmenes y notas de relevancia.
Paso 4: Síntesis
Entrada: Los tres archivos de los pasos 1-3.
Qué hace: Lee los tres archivos y los sintetiza en una lista de ideas de ángulos para artículos.
Salida: idea-angles.md con 5-10 temas potenciales de artículos, cada uno fundamentado en la investigación.
Cada paso obtiene un contexto limpio con exactamente lo que necesita. Nada está enterrado. Nada se olvida.
Mi primer intento de este flujo de trabajo fue feo. Archivos en mi escritorio, una lista de verificación en una aplicación de notas y mucho copiar y pegar lo mantenían unido. Pero estaba estructurado. Cada paso tenía una entrada clara y una salida clara. El agente no necesitaba recordar nada de hace tres pasos porque le di exactamente lo que necesitaba.
Eventualmente construí una habilidad unificada que maneja todo el pipeline. Extrae de Reddit, fuentes de noticias y arXiv en secuencia, escribe cada lote de hallazgos en un archivo markdown separado, luego sintetiza los tres en una lista final de ideas. La habilidad se ejecuta de arriba a abajo sin que yo copie nada entre pasos.
Prompting vs. Flujos de Trabajo: La Misma Tarea
La ideación de contenido se ve completamente diferente de la manera de prompting versus la manera de flujo de trabajo.
De la manera de prompting: Abres un chat y le pides a la IA que busque en Reddit quejas sobre un tema específico. Te da una lista. Copias esa lista en un documento. Abres un nuevo chat y le pides que extraiga artículos de noticias sobre el mismo tema. Te da titulares y resúmenes. Los copias en tu documento. Abres otro chat y le pides que busque en arXiv artículos relevantes. Te da resúmenes. También los copias.
Para cuando terminas, tienes tres fragmentos separados de texto en un documento. Ahora necesitas sintetizarlos en ángulos de ideas. Pegas todo en un nuevo chat y pides ideas. La IA produce una lista, pero es genérica. Perdió el matiz de las quejas de Reddit porque quedaron enterradas en el texto combinado. Pasó por alto los hallazgos de arXiv porque estaban al final de un prompt de 5,000 palabras.
De la manera de flujo de trabajo: Ejecutas una habilidad que busca en Reddit y escribe los hallazgos en un archivo llamado reddit-findings.md. La habilidad luego busca en fuentes de noticias y escribe en news-findings.md. Luego busca en arXiv y escribe en arxiv-findings.md. Cada archivo está limpio y enfocado.
El paso final lee los tres archivos y los sintetiza en idea-angles.md. Cada paso obtiene un contexto limpio con exactamente lo que necesita. Nada está enterrado ni olvidado.
La investigación de Clare Liguori en AWS probó cinco enfoques para guiar el comportamiento de los agentes en 3,000 ejecuciones de evaluación. Las instrucciones simples de prompting alcanzaron un 82.5% de precisión, lo que significa que aproximadamente una de cada cinco interacciones falló. Cuando añadió bucles de retroalimentación estructurados, lo que ella llama ganchos de dirección, la precisión alcanzó el 100% en 600 ejecuciones.
Una mejor estructura marcó la diferencia, no mejores prompts.
Probé esto yo mismo al comparar cómo diferentes modelos manejan flujos de trabajo reales de Hermes. Los modelos que se veían impresionantes en los benchmarks a menudo fallaban en flujos de trabajo estructurados porque sobreanalizaban pasos simples o ignoraban restricciones de formato. La estructura importa más que la capacidad bruta.
Donde los Humanos Siguen Revisando
Cada flujo de trabajo necesita puntos de control, pero no todos los pasos necesitan uno. Agregar puntos de revisión en todas partes convierte el flujo de trabajo en una serie de interrupciones.
Yo uso compuertas de decisión. Solo te detienes donde se necesita una elección real. Qué ángulo seguir. Qué fuente priorizar. Si recortar una sección que no encaja.
Si la salida está bien y no se necesita ninguna decisión, no te detienes. Los flujos de trabajo se ejecutan hasta que llegan a un punto donde no pueden continuar sin tu juicio.
Las compuertas de decisión verifican si la salida coincide con tu intención. La IA produce contenido gramaticalmente correcto y bien investigado que aún va en la dirección equivocada. Las compuertas de decisión detectan eso antes de que el siguiente paso se base en una suposición equivocada.
En mi canal de Telegram escribí una guía completa sobre cómo agregar compuertas de aprobación a los flujos de trabajo de Hermes si quieres los detalles técnicos. Las compuertas protegen tu reputación al bloquear acciones externas sin tu aprobación, protegen tus datos al requerir confirmación antes de cambios en el sistema y protegen tu bolsillo al bloquear gastos por encima de un umbral sin aprobación.
Para la mayoría de los flujos de trabajo, necesitas una compuerta en el punto donde la salida se vuelve pública o irreversible. Un flujo de trabajo de contenido podría tener una compuerta después del esquema, antes de que el borrador final se publique. Un flujo de trabajo de investigación podría tener una compuerta después de la síntesis, antes de actuar sobre los hallazgos.
Las compuertas de decisión son donde mantienes el control de la dirección mientras la IA maneja la ejecución.
Por Dónde Empezar tu Primer Flujo de Trabajo
Elige una tarea repetitiva. No la más compleja. Elige la que haces cada semana que te toma 45 minutos y te hace querer gritar para el minuto 30. Ese es tu primer flujo de trabajo.
El mío fue un informe matutino que extrae tareas y artículos antes del café. Dos pasos. Leer desde Asana, formatear la salida, entregarla. Lo suficientemente simple para construir en una tarde, lo suficientemente útil para ejecutarlo cada día hábil desde que lo construí.
Si eres nuevo en Hermes, comienza con un flujo de trabajo de dos pasos como este antes de intentar algo complejo.
Los flujos de trabajo mínimos viables tienen cuatro partes: entrada (lo que entra), instrucciones (lo que hace el agente), salida (lo que sale) y punto de control (donde verificas). No necesitas software. No necesitas código. Necesitas una carpeta con archivos dentro.
El propio consejo de Anthropic de "Building Effective Agents" es comenzar simple y agregar complejidad solo cuando sea necesario. Advierten explícitamente contra comenzar con frameworks o arquitecturas complejas. Comienza con dos pasos. Hazlos confiables. Luego agrega un tercero.
La guía de Confluent sobre flujos de trabajo con IA hace el mismo punto. Las soluciones simples son a menudo el mejor lugar para comenzar. Comenzar con ingeniería de prompts simple puede no ser perfecto, pero funciona lo suficientemente bien como primer paso. Cuando llegues al techo, agrega estructura. No agregues estructura de manera preventiva.
Lo aburrido vence a lo inteligente. Tu primer flujo de trabajo debería ser tan simple que sea vergonzoso. Un proceso de dos pasos con un traspaso de archivo y una revisión humana. Eso es todo. Las personas que obtienen valor de los flujos de trabajo con IA construyeron unos aburridos y los ejecutaron 50 veces, no unos impresionantes que ejecutaron dos veces.
La mayoría de los consejos de productividad con IA te dicen que escribas mejores prompts. Diseñar mejores traspasos es donde está la verdadera recompensa. Los prompts en cada paso pueden ser mediocres si el contexto que reciben es limpio. Un prompt brillante en un hilo de chat inflado aún producirá resultados mediocres.
Reconocer cuándo estás haciendo trabajo de coordinación que la IA debería manejar es todo el cambio. Una vez que ves el patrón, no puedes dejar de verlo. Cada tarea repetitiva se convierte en un candidato para estructura. Cada traspaso manual se convierte en un problema de diseño.
Llegar a un techo con el prompting significa que tienes un problema de arquitectura. Construye el pipeline. Deja que el contexto fluya. Mantén tus manos en las decisiones que importan.
Si esto cambió tu forma de pensar sobre los flujos de trabajo con IA, sigue a @leopardracer para más contenido como este y únete a mi canal de Telegram: https://t.me/+ygATQAt9sUM1N2U6
