Que es CoT?

Chain of Thought (CoT) es una técnica avanzada de ingeniería de prompts que mejora significativamente la capacidad de razonamiento de los Modelos de Lenguaje Grandes (LLMs) mediante la descomposición explícita de problemas complejos en una secuencia de pasos intermedios coherentes.

Fundamentos Conceptuales

(RAG: Tree of Thoughts Deliberate Problem Solving.pdf) Tree of Thoughts — «Chain-of-Thought (CoT) prompting… introduce una cadena de pensamientos z₁, …, zₙ para conectar una entrada x con una salida y no trivial, donde cada zᵢ es un paso intermedio significativo»

(RAG: Ben Auffarth – Generative AI with LangChain.pdf) Generative AI with LangChain — «Chain-of-Thought (CoT) prompting anima al modelo a mostrar su proceso de pensamiento paso a paso antes de dar una respuesta definitiva»

Variantes Principales

1. Zero-shot CoT: Utiliza instrucciones genéricas como «Pensemos paso a paso» o «Let’s think step by step» sin ejemplos previos.

2. Few-shot CoT: Proporciona ejemplos demostrativos que incluyen el proceso de razonamiento detallado antes de la respuesta final.

Implementación Técnica

# Ejemplo de implementación en LangChain (Zero-shot CoT)
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate

reasoning_prompt = "{question}\nLet's think step by step!"
prompt = PromptTemplate(template=reasoning_prompt, input_variables=["question"])
model = ChatOpenAI()
chain = prompt | model

(RAG: Ben Auffarth – Generative AI with LangChain.pdf) Generative AI with LangChain — «Un PromptTemplate puede ser diseñado para incluir la instrucción de CoT… Este template se encadena luego con el modelo LLM para su ejecución»

Base Teórica y Modelado

Formalmente, cada pensamiento intermedio zᵢ se modela como: zᵢ ∼ pθ(zᵢ | x, z₁···ᵢ₋₁)

Y la respuesta final como: y ∼ pθ(y | x, z₁···ₙ)

Efectividad y Aplicaciones

(RAG: AI Engineering (Chip Huyen)) AI Engineering — «CoT mejora sustancialmente el rendimiento en benchmarks matemáticos (MAWPS, SVAMP, GSM-8K)»

La técnica es particularmente efectiva en:

• Resolución de problemas matemáticos complejos
• Razonamiento lógico y deductivo
• Análisis de sentimientos con justificación
• Tareas que requieren descomposición multi-paso

Limitaciones y Extensiones

Self-Consistency with CoT (CoT-SC): Extensión que genera múltiples cadenas de pensamiento independientes y selecciona la respuesta más frecuente, mejorando la precisión en espacios de salida limitados.

Tree of Thoughts (ToT): Evolución que permite exploración paralela de múltiples pathways de razonamiento con búsqueda heurística y backtracking.

Conclusión

Chain of Thought representa un avance fundamental en la interacción con LLMs, transformando el prompting de una solicitud directa a un proceso de razonamiento guiado que aprovecha mejor las capacidades internas de los modelos para tareas complejas que requieren pensamiento secuencial y lógico.

Como funciona la CoT de Walk and DeepResearch

Este código define un flujo de trabajo de investigación automatizado y robusto, diseñado para imitar la forma en que un investigador humano trabaja, combinando agentes de IA especializados, búsqueda web y, lo más importante, intervención humana (Human-in-the-Loop, HITL).

🧭 Estructura General del Agente de LangGraph

Este código construye un «mapa» o «máquina de estados» donde la información fluye de un paso (nodo) al siguiente, basándose a menudo en decisiones condicionales (enrutadores).

1. Inicialización

• ask_local_expert_question = ask_vallaran_question: Esto es un simple alias de función. Significa que la función genérica ask_vallaran_question se reutiliza y se llama en el grafo bajo el nombre Ask_Local_Expert_Question.
• model = get_model("Deepseek"): Define el modelo de lenguaje (LLM) que se utilizará para tareas de razonamiento, resumen, y toma de decisiones en varios nodos.
• graph = StateGraph(AgentState): Crea la estructura central del grafo. AgentState es el diccionario (TypedDict) que define todos los datos que los nodos pueden leer y escribir.

2. Puntos de Entrada y Nodos Fundamentales

• graph.set_entry_point("Initial_Web_Search"): El proceso siempre comienza aquí.
• Initial_Web_Search: Realiza una búsqueda web inicial basada en la consulta del usuario.
• Ask_For_Web_Search_Refinement: Después de la búsqueda inicial, este nodo (probablemente otro LLM o una herramienta) pide al usuario que evalúe si la búsqueda inicial fue suficiente o si necesita ajustarla.

---

🔄 Flujos de Intervención Humana (Human-in-the-Loop, HITL)

El grafo está diseñado para ser iterativo y depender de la opinión humana en dos puntos clave:

A. Refinamiento de la Búsqueda Web (Bucle de Búsqueda)

• graph.add_conditional_edges("Ask_For_Web_Search_Refinement", ...):
  • Si el usuario dice "search_again" (necesita refinar la búsqueda), el flujo vuelve a Initial_Web_Search.
  • Si el usuario está "satisfied", el flujo pasa a la siguiente fase: Get_Wikiloc_Details.

B. Feedback del Experto Local (Bucle de Validación)

Esta es una estructura más compleja que valida la información generada por el Local_expert_agent.

1. Local_expert_agent genera una hipótesis inicial.
2. RequestHumanFeedback: Presenta la hipótesis al usuario para su validación (HITL).
3. RouteFeedback: Un nodo router basado en la respuesta humana (feedback_status):
   • "accepted": La hipótesis es validada y el flujo avanza a RouteToPrehistoryOrWikipedia.
   • "custom": El usuario da un feedback de ajuste. El flujo vuelve directamente a Local_expert_agent para incorporar el cambio sin reiniciar la consulta.
   • "rejected": La hipótesis es mala. El flujo va a RequestNewPrompt para que el usuario o un agente genere una nueva consulta más precisa, y luego vuelve a Local_expert_agent.

---

🔬 Flujo de Investigación Especializado (Paralelismo y Síntesis)

A partir del nodo RouteToPrehistoryOrWikipedia, la investigación se divide en fases de expertos altamente especializados que operan en paralelo para garantizar un análisis exhaustivo y eficiente.

1. Etapa de Eras Prehistóricas (Análisis Cronológico)

Esta fase se subdivide para manejar el Paleolítico, que requiere una especialización más profunda.

1.1. Análisis General de Eras

• GetPreHistoricalrelateddb: Este nodo actúa como un router de paralelismo, decidiendo qué eras prehistóricas (Mesolítico, Neolítico, Bronce, Hierro, etc.) son relevantes para la hipótesis.
• graph.add_conditional_edges("GetPreHistoricalrelateddb", ...): Dispara la ejecución en paralelo de los agentes de las eras seleccionadas.
• JoinPreHistoricalExperts: Nodo de unión que espera la respuesta consolidada de todos los expertos de eras (excepto Paleolítico).

1.2. Análisis Sub-Especializado del Paleolítico (Deep Dive)

• Paleolitico: Si la ruta principal detecta el Paleolítico, este nodo se convierte en un sub-router que dispara cuatro líneas de investigación críticas en paralelo:
  • HominidExpert (Investigación antropológica/evolutiva).
  • PaleogenomicsExpert (ADN antiguo y genética).
  • PaleofaunaExpert (Ecología y fauna).
  • PaleoReligionExpert (Prácticas espirituales o rituales).
• JoinPaleolithicExperts: Un nodo de unión dedicado que espera los resultados de estos cuatro sub-expertos del Paleolítico.

1.3. Síntesis Central

• ExpertTribunalAgent: Recibe los resultados de ambos nodos de unión (JoinPreHistoricalExperts y JoinPaleolithicExperts) y realiza la primera gran síntesis, creando el documento_mitico (la hipótesis consolidada de la era).

2. Etapa de Hipótesis Cosmológicas (Flujo de Origen)

El flujo avanza del Tribunal de Eras a la identificación de posibles orígenes míticos.

• ExpertTribunalAgent → identifyHypothesisFromEra: La síntesis de la era se utiliza para identificar las hipótesis cosmológicas más probables (ej. Influencias de Anatolia, Kurgan/Indoeuropeas).
• Router Condicional (identifyHypothesisFromEra): Este nodo verifica si se detectaron hipótesis cosmológicas.
  • Si SÍ (hypothesis), el flujo va a GetCosmorelateddb para la investigación en paralelo.
  • Si NO (ethnos), el flujo salta directamente a la identificación Etnocultural (Etapa 3).
• GetCosmorelateddb, JoinPreHistoricalhypothesisExperts y ExperthypothesisTribunalAgent: Repiten el patrón de paralelismo (Anatolia, IndoeuropeoKurgan, etc.) para consolidar las hipótesis cosmológicas en un nuevo Tribunal.

3. Etapa de Hipótesis Etnoculturales (Identidad y Mitos)

Esta fase se centra en los grupos humanos relevantes, a la que se llega después de completar (o saltar) el análisis Cosmológico.

• identifyEthnosFromEra: Identifica los posibles grupos étnicos o culturales (Íbero, Celta, Vasco-aquitano, PaleoCultural) relevantes para la ubicación.
• GetEthnicalrelateddb: Vuelve a usar el paralelismo, enviando la consulta a los expertos étnicos seleccionados.
• JoinEthnicalExperts y ExpertEthnicTribunalAgent: Unen y consolidan los hallazgos etnoculturales, preparando el terreno para la última fase.

4. Etapa de Tradición (Profundidad Filosófica y Metafísica)

Esta es la capa final de especialización, buscando el significado profundo de los hallazgos.

• SearchMostRelatedTraditionExpertAgent: Busca la base de datos de tradición más relevante basándose en la síntesis etnocultural.
• GenerateTraditionAgentExpertQuestions: Genera preguntas perennes (profundas y filosóficas) basadas en todos los hallazgos previos.
• RequestHumanFeedbackTraditioexpert: Bucle de Validación HITL que pide feedback humano para validar estas preguntas, asegurando la calidad del análisis final.
• TraditionAgentExpert: Utiliza un agente especializado (invoke_tradition_agent) para responder a las preguntas validadas o ajustadas.

🏁 Finalización y Generación de Imagen

La finalización es un punto de convergencia condicional que integra la capacidad de generación de contenido visual.

• AskForImageGeneration: La oferta de generación de imágenes se puede activar desde dos puntos cruciales:
  1. Después de la síntesis del Paleolítico (JoinPaleolithicExperts).
  2. Después de la síntesis de la Tradición (TraditionAgentExpert).
• route_image_generation (Router Condicional):
  • Si se acepta, va a GenerateImageDescription y luego a GenAIAgentCreator (que simula la generación de la imagen).
  • Si se declina, va directamente a GenerateFinalDocument.
• Wikipedia y DDG: Nodos de utilidad que pueden ser activados como fallbacks (después de RouteToPrehistoryOrWikipedia) para realizar búsquedas generales si la ruta especializada falla o es insuficiente.
• GenerateFinalDocument: Este nodo finaliza el proceso, recopila todos los resultados de los tribunales (era, etnia, cosmo, tradición) y el material de apoyo (Wikipedia, DDG, Imagen) para generar la respuesta final y pulcra.
• graph.add_edge("GenerateFinalDocument", END): La salida final del grafo.

Este grafo representa una arquitectura de agente extremadamente avanzada, con múltiples niveles de especialización, paralelismo y validación humana, ideal para tareas de investigación compleja y generación de hipótesis.