Salida estructurada y guardrails

Un párrafo conversacional resulta agradable para las personas, pero es difícil de manejar en el código. Para crear aplicaciones, necesita resultados estructurados que pueda analizar de forma fiable. 🧱

La solución más sencilla es pedir al modelo que responda como JSON e indicar los campos exactos que espera en la respuesta.

Sea preciso con el esquema: enumere cada clave, su tipo y los valores permitidos. La ambigüedad es lo que hace que el análisis falle más adelante.

Muchas API ofrecen un modo JSON que obliga a generar JSON válido, por lo que el modelo no puede envolver la respuesta en prosa conversacional.

Incluya siempre el análisis en un bloque try/except. Incluso los buenos modelos fallan ocasionalmente, y su código debe gestionar el error correctamente cuando ocurra.

Analizar los datos no es suficiente. Valide que existan las claves obligatorias y que los valores estén dentro del rango antes de confiar en ellos en las etapas posteriores.

Un modelo de Pydantic define los campos una sola vez y valida automáticamente el resultado analizado, generando un error claro si los datos no son válidos.

Las barreras de seguridad son las comprobaciones que rodean a un modelo para mantenerlo encaminado: validación, reintentos y límites sobre lo que puede generar.

Si la validación falla, devuelva el error y pida al modelo que corrija su resultado. Un reintento resuelve la mayoría de los errores pequeños.

Para las tareas de categorización, indique al modelo exactamente cuáles son las etiquetas permitidas. Una lista cerrada evita que invente categorías nuevas.

Pida al modelo que diga que no lo sabe en lugar de adivinar. Un fallback claro es mejor que una respuesta segura pero incorrecta.

Pida JSON, defina un esquema, analícelo de forma segura y, después, valídelo. Añada medidas de protección, como reintentos y listas cerradas de etiquetas, para mantener la fiabilidad. ✅