Meta-Prompting es una técnica de andamiaje eficaz diseñada para mejorar las capacidades de los modelos de lenguaje (LM). Este método transforma un único LM en un director multifacético, experto en gestionar e integrar múltiples consultas de LM independientes. Mediante el uso de instrucciones de alto nivel, la meta-indicación guía al LM para descomponer tareas complejas en subtareas más pequeñas y manejables. Estas subtareas son luego procesadas por diferentes instancias de "expertos" del mismo LM, cada una operando según instrucciones personalizadas específicas. El núcleo de este proceso es el propio LM, que, actuando como director, asegura una comunicación fluida y una integración eficaz de los resultados de estos modelos expertos. También aprovecha su pensamiento crítico inherente y sus robustos procesos de validación para refinar y verificar los resultados finales. Este enfoque de indicaciones colaborativas permite que un único LM actúe simultáneamente como un director integral y un equipo diverso de expertos, mejorando significativamente su rendimiento en diversas tareas. La naturaleza de disparo cero e independiente de la tarea de la meta-indicación simplifica enormemente la interacción del usuario, eliminando la necesidad de instrucciones detalladas específicas de la tarea. Además, nuestra investigación demuestra que las herramientas externas (como el intérprete de Python) se integran perfectamente con el marco de meta-indicaciones, ampliando así su aplicabilidad y utilidad. A través de rigurosos experimentos con GPT-4, demostramos que la meta-indicación supera a los métodos de andamiaje tradicionales: promediando en todas las tareas, incluyendo el juego de las 24, el ajedrez de un solo movimiento y problemas de programación en Python, la meta-indicación con la funcionalidad del intérprete de Python superó a las indicaciones estándar en un 17,1%, a las indicaciones de expertos (dinámicas) en un 17,3% y a las indicaciones de múltiples personalidades en un 15,2%.