Dominando Asistentes de IA: ChatGPT, Claude y Perplexity en Profundidad
Lo Que Dominarás en Este Tutorial
- Conocer las ventajas arquitectónicas de GPT-4o, Claude 3.7 Sonnet y Perplexity Pro
- Encadenar modelos en serie: Investigar en Perplexity -> Diseñar arquitectura en Claude -> Ejecutar en ChatGPT
- Aprovechar los 200.000 tokens de Claude para auditar arquitecturas completas sin pérdidas
- Estructurar system prompts con esquemas XML y JSON para evitar alucinaciones
Preguntas Frecuentes
Paso a paso: ejecuta la cadena de tres asistentes en una tarea real
La cadena de este tutorial —investigar con Perplexity, diseñar la arquitectura con Claude y ejecutar con ChatGPT— solo funciona cuando cada etapa recibe un resultado limpio y un contrato estricto. A continuación tienes los tres prompts de producción, tal como los pegarías. Sustituye los espacios entre corchetes y mantén las restricciones. Son esas restricciones las que impiden que cada modelo improvise datos que la etapa anterior se esforzó en verificar.
Etapa 1: Perplexity construye la hoja de hechos
Research task: [YOUR TOPIC]
Return ONLY:
1. The 10 most important facts, each with a source URL and publication date.
2. Any figures that sources disagree on, flagged as CONTESTED.
3. Primary sources (official docs, filings, announcements) separated from
secondary commentary.
Exclude undated pages and SEO listicles. Prefer sources from the last
12 months. Number every fact F1, F2, F3... so later stages can cite it.Los hechos numerados son el contrato. Todo lo que viene después cita números F en lugar de reafirmar afirmaciones, y eso hace que el borrador final se pueda auditar en una sola pasada.
Etapa 2: Claude diseña la arquitectura solo a partir de la hoja de hechos
You are the architect stage of a research pipeline. Below is a verified
fact sheet produced by Perplexity.
Using ONLY facts from the sheet, produce:
- An outline with H2/H3 structure.
- For each section: the claim it makes and the fact IDs supporting it.
- A GAPS list: anything the outline needs that the sheet does not cover.
Do not introduce facts that are not in the sheet. Mark every unsupported
idea as GAP instead of filling it in.
[PASTE FACT SHEET]Etapa 3: ChatGPT ejecuta según el esquema
You are the execution stage. Turn the approved outline into the final
draft.
Rules:
- Keep every claim tied to its fact ID in brackets, e.g. [F3].
- No new facts, no new numbers, no new examples from memory.
- Write in a direct, technical voice for an expert audience.
Deliverable: the draft, plus a short changelog of the structural choices
you made while writing it.
[PASTE OUTLINE]Etapa 4 (opcional): cierra el ciclo con una pasada de verificación
Para cualquier cosa que se vaya a publicar o que sirva para tomar una decisión, añade un cuarto paso que solo cuesta dos minutos: devuelve el borrador terminado a Perplexity —la única etapa con fuentes en vivo— y pídele que audite, no que escriba. Así se detecta el fallo sutil que las tres primeras etapas no pueden ver: un hecho que era correcto en la hoja, pero que se deformó durante la ejecución.
Audit the draft below against its own citations.
For every claim with a bracketed fact ID, check the cited source and
report one of: SUPPORTED, DISTORTED (say how), or UNSUPPORTED.
Do not rewrite the draft. Return only the audit table.
[PASTE DRAFT]Las afirmaciones marcadas como DISTORTED casi siempre son un daño por compresión: una frase matizada del esquema («en la mayoría de las pruebas comparativas») aplanada hasta convertirse en una afirmación absoluta en el borrador. Corrige eso en el borrador, no en el flujo: la cadena funcionó, la redacción se desvió, y el registro de auditoría te dice exactamente dónde.
Un ejemplo completo
Observa cómo la cadena resuelve una decisión real: ¿debería un equipo pequeño de SaaS adoptar servidores MCP para sus herramientas internas? La etapa 1 devuelve una hoja de hechos con esta forma: un resultado numerado, con fecha y con fuentes, no la transcripción de un chat:
# Fact Sheet - MCP adoption (Perplexity)
- F1: MCP is an open protocol that standardizes how models connect to
tools and data sources. [official docs, 2026]
- F2: Major model providers ship MCP client support in their coding
tools. [vendor announcements, 2026]
- F3: Self-hosting an MCP server means your team owns its auth and
network exposure. [official docs, 2026]
## Contested
- C1: Adoption statistics differ sharply between vendor blogs and
independent surveys.
## Gaps for stage 2
- No verified pricing for hosted MCP gateways.La etapa 2 convierte esa hoja en un esquema —criterios de decisión, arquitectura de integración, revisión de seguridad— con cada sección anclada a identificadores de hechos, y la pregunta de los precios queda aparcada en GAPS en lugar de responderse de memoria. Después, la etapa 3 redacta el informe de recomendación manteniendo intactas las citas [F1]-[F3], listo para que una persona lo verifique en minutos. Las cifras de adopción en disputa (C1) nunca llegan al informe como si fueran hechos; aparecen, etiquetadas como tales, en un apéndice. Ese es todo el método: cada asistente hace el trabajo para el que su arquitectura es mejor, y los resultados que pasan de una etapa a otra son los que imponen la disciplina.
Solución de errores
- Los tres asistentes se contradicen entre sí. Trata la hoja de hechos como la única fuente de verdad. Devuelve los puntos en disputa a Perplexity con una pregunta de seguimiento —«¿Cuál de estas fuentes es primaria y qué dice exactamente?»— y actualiza la hoja antes de volver a ejecutar las etapas 2 y 3. Nunca permitas que una etapa posterior anule en silencio un hecho anterior.
- Claude produjo una cita que no existe. En esta cadena Claude no navega por internet; cualquier URL o estadística que ofrezca de memoria es, por definición, algo no verificado. La regla del identificador de hecho del prompt de la etapa 2 existe justo para este fallo: rechaza cualquier afirmación sin número F y vuelve a generar, en lugar de comprobar la redacción línea por línea.
- El borrador de ChatGPT se desvía en tono y en datos a lo largo de un hilo largo. La conversación ha acumulado contexto obsoleto. Reinicia la ejecución a partir del esquema en un chat nuevo, en lugar de discutir con el hilo anterior: los resultados de la cadena son archivos con versiones precisamente para que cualquier etapa se pueda volver a ejecutar desde cero.
- Cada salto hace el resultado más vago. Se perdió una restricción entre un prompt y otro. Audita cada etapa con la lista de control: rol, resultado de entrada, formato de salida y prohibiciones. La etapa a la que le falte uno de esos cuatro elementos es la que diluyó el resultado.
Profundizando: el encadenamiento de prompts en la práctica
Dominar cada asistente por separado es solo la mitad de la destreza que enseña este tutorial; la ventaja duradera viene de cómo los encadenas en la práctica. Un patrón fiable en producción se ve así: abrir con Perplexity para establecer los hechos actuales y citados; pasar el material en bruto a Claude, cuyo contexto de 200k tokens puede contener una base de código o un conjunto de documentos completo mientras diseñas la solución; y entregar después a ChatGPT las tareas de ejecución estructuradas para la generación, las variantes y el trabajo de voz. Cada salto debería pasar un artefacto limpio y estructurado —Markdown con encabezados claros o JSON con forma de esquema— en lugar de un muro de chat copiado y pegado, para que el siguiente modelo herede decisiones, no ruido. Trata la cadena como una tubería con contratos entre etapas, y versiona el brief igual que versionarías el código. Los modelos seguirán cambiando; la disciplina de la tubería, no.
Errores comunes
- Usar un solo modelo para cada etapa. Investigar, diseñar y ejecutar dentro de un único chat obliga a un modelo a realizar los trabajos para los que su arquitectura es peor; la cadena existe porque las fortalezas difieren.
- Pasar transcripciones de chat en bruto entre herramientas. Volcar una conversación sin editar en el siguiente asistente entierra las decisiones entre la charla; exporta en su lugar Markdown estructurado con encabezados, y recorta todo lo que la siguiente etapa no necesite.
- Saltarse el paso de verificación de hechos. Dejar que un modelo fluido invente fechas, APIs o cifras y no contrastarlas nunca con fuentes citadas es la forma en que los errores dichos con total seguridad llegan a los documentos de producción.
- Sobrecargar un único prompt gigante. Un solo megaprompt que pide a la vez la investigación, la arquitectura y el texto final produce trabajo superficial en cada etapa; los prompts pequeños y por etapas, con esquemas claros, se combinan mucho mejor.
Preguntas frecuentes
¿En qué orden debería encadenar los tres asistentes?
El orden por defecto del tutorial —Perplexity para la investigación citada, Claude para la arquitectura y el razonamiento de contexto largo, y ChatGPT para la ejecución y la generación— funciona para la mayoría de los flujos de contenido y de software, pero invierte los dos últimos cuando la tarea es un análisis de código pesado sobre un repositorio grande.
¿Cómo mantengo el contexto coherente entre herramientas?
Mantén un único brief estructurado —objetivos, restricciones, decisiones y preguntas abiertas en Markdown o JSON— y actualízalo después de cada salto, en lugar de fiarte de la memoria de un solo chat.
¿Necesito planes de pago en las tres plataformas?
No para aprender el método. Los niveles gratuitos bastan para practicar el encadenamiento; los planes de pago compran sobre todo límites más altos, mejores modelos y las ventanas de contexto largo que el flujo completo presupone al auditar bases de código enteras.