MÓDULO 2 · PRIMEROS PASOS CON OPENAI · 30 MIN

OpenAI Prompt Engineering Avanzado

30 min Intermedio OpenAI API GPT-4 GPT-3.5
La calidad de la salida es directamente proporcional a la calidad de la entrada. Tratá el prompt como código: debe ser claro, modular y testeable — no es magia, es una forma estructurada de comunicación.
01 —
El problema

Escribir un prompt es fácil ("Escribe un email"), pero obtener una respuesta de calidad empresarial de forma consistente es difícil. Los modelos a menudo alucinan, ignoran instrucciones sutiles o responden con formatos que rompen tu aplicación.

Situación típica: le pedís al modelo "Extrae los nombres de los clientes de este texto". A veces devuelve una lista con viñetas, otras veces una frase narrativa, y otras veces incluye nombres de empresas que no son clientes. Tu código de parsing falla el 50% de las veces.

Por qué es importante: en un entorno B2B, la fiabilidad es más importante que la creatividad. Un buen prompt engineering transforma un modelo "impredecible" en una herramienta de software robusta.

02 —
La solución: estrategias de prompt engineering

Existen patrones probados para guiar al modelo:

  1. Instrucciones claras: no dejes nada a la interpretación. Definí el "quién" (persona), "qué" (tarea) y "cómo" (formato).
  2. Few-shot prompting: dale ejemplos de entrada → salida deseada.
  3. Chain-of-thought: pedile que "piense paso a paso" antes de responder.
  4. Delimitadores: usá """, --- o tags XML para separar instrucciones de datos.
03 —
Cuándo aplicarlo
Usá esto cuando...NO lo uses cuando...
Necesitás un formato de salida estricto (JSON, CSV)La tarea es extremadamente creativa y abierta (ej. lluvia de ideas)
La tarea requiere razonamiento lógico o matemáticoSolo necesitás una respuesta simple de sí/no sin contexto
El modelo comete errores frecuentes en casos de borde
04 —
Ejercicio práctico

Objetivo: mejorar iterativamente un prompt para clasificar correos de soporte técnico, pasando de una tasa de error alta a una respuesta estructurada y fiable.

Contexto inicial: tenés un correo de un cliente enfadado y querés extraer Categoría, Sentimiento y Urgencia.

pythonfrom openai import OpenAI from dotenv import load_dotenv load_dotenv() cliente = OpenAI() email_cliente = """ Hola, estoy harto de vuestro servicio. La impresora modelo X-2000 que compré la semana pasada no funciona. He intentado reiniciar 5 veces y nada. Exijo una devolución o que me mandéis un técnico ¡YA! """
Paso 1 — Prompt básico (zero-shot) — el "mal" ejemplo
pythondef pedir_gpt(prompt): resp = cliente.chat.completions.create( model="gpt-3.5-turbo", messages=[{"role": "user", "content": prompt}] ) return resp.choices[0].message.content prompt_v1 = f""" Clasifica este email: {email_cliente} """ print("--- V1: Básico ---") print(pedir_gpt(prompt_v1))

// Resultado probable: un párrafo de texto libre difícil de procesar por código.

Paso 2 — Prompt mejorado (instrucciones + formato)
pythonprompt_v2 = f""" Actúa como un sistema de CRM automático. Analiza el siguiente email de cliente delimitado por triples comillas. Extrae la siguiente información: - Categoría (Soporte Técnico, Facturación, Ventas) - Sentimiento (Positivo, Neutral, Negativo) - Urgencia (Alta, Media, Baja) Responde SOLO en formato JSON. Email: \"\"\"{email_cliente}\"\"\" """ print("\n--- V2: Estructurado ---") print(pedir_gpt(prompt_v2))

// Resultado: un JSON válido, pero quizás la lógica de urgencia no es la que queremos.

Paso 3 — Few-shot prompting + chain-of-thought (avanzado)

Le damos ejemplos para guiar su lógica y le pedimos que razone antes de clasificar.

pythonprompt_v3 = f""" Actúa como un agente de soporte senior. Tu tarea es clasificar tickets. Sigue estos pasos: 1. Analiza el tono del usuario. 2. Identifica si menciona productos específicos. 3. Determina la urgencia basándote en palabras clave como "ya", "ahora", "urgente". 4. Genera el JSON final. Ejemplos: Email: "Quería saber el precio del modelo Y." Salida: {{"categoria": "Ventas", "sentimiento": "Neutral", "urgencia": "Baja"}} Email: "¡Mi servidor se ha caído y estamos perdiendo dinero!" Salida: {{"categoria": "Soporte Técnico", "sentimiento": "Negativo", "urgencia": "Alta"}} Email: \"\"\"{email_cliente}\"\"\" Salida: """ print("\n--- V3: Few-Shot + Pasos ---") print(pedir_gpt(prompt_v3))
Validación

Comparando las salidas: V1 — texto libre desordenado. V2 — JSON limpio. V3 — JSON limpio y con una clasificación de urgencia mucho más precisa gracias a los ejemplos.

Auditoría

El troubleshooting de esta lección sugiere response_format={"type": "json_object"} para forzar JSON válido. Es real, pero solo garantiza JSON sintácticamente válido — no que respete tu schema exacto (nombres de campos, tipos, valores permitidos). Los modelos más recientes de OpenAI soportan además "structured outputs" con un json_schema explícito, que sí fuerza el schema a nivel de API en lugar de confiar en que el modelo lo siga por instrucción. Esta capacidad evoluciona rápido — vale la pena revisar la documentación vigente de OpenAI para el modelo que estés usando antes de asumir cuál es la opción recomendada hoy.

05 —
Troubleshooting rápido
Si ves esto...CausaSolución
El modelo sigue "hablando" antes del JSONLos modelos de chat tienden a ser conversacionalesUsá response_format={"type": "json_object"} o añadí "No incluyas explicaciones previas" en el prompt
Clasifica mal casos ambiguosFalta de contextoAñadí más ejemplos (few-shot) cubriendo esos casos borde específicos
El modelo ignora los delimitadoresEl prompt es confusoAsegurate de que los delimitadores envuelven claramente la entrada del usuario y son referenciados en las instrucciones
06 —
Puntos clave

Concepto central: la calidad de la salida es directamente proporcional a la calidad de la entrada. Tratá el prompt como código: debe ser claro, modular y testeable.

Para recordar: