Saltar al contenido
AI Atlas

Recursos · IA aplicada

LLMs y prompting efectivo.

Qué hace un modelo de lenguaje dentro de un workflow y dentro de un agente, cómo conectarlo y cómo escribir tu primer prompt útil.

6 secciones~8 min de lecturaPlantillas listas para copiar

01 · La idea

Qué hace un LLM

Un LLM recibe texto y devuelve texto. En IA aplicada casi nunca trabaja solo: es una pieza dentro de un sistema más grande. Lo que cambia es quién decide qué pasa después.

Dentro de un workflow

Un paso más del proceso

El Workflow sigue una ruta que tú definiste. El LLM hace una tarea concreta en un punto del camino: clasificar, extraer datos, resumir o redactar.

  1. Trigger
  2. LLM clasifica
  3. Switch
  4. Acción

Dentro de un agente

El que elige la siguiente acción

En un agente, el LLM recibe un objetivo y herramientas, y decide en cada turno qué hacer: consultar, preguntar, actuar o terminar.

  1. Objetivo
  2. LLM decide
  3. Tool
  4. Observa
  5. ↺

02 · Integración

Cómo conectarlo

Hay dos caminos: llamar al modelo desde tu código con su API, o usar una plataforma visual como n8n que ya trae los nodos listos. En ambos casos necesitas una clave de API del proveedor.

La forma de una llamada

Los tres proveedores siguen la misma idea: eliges un modelo, das instrucciones de sistema y envías los mensajes. Los nombres de los campos cambian un poco entre APIs.
solicitud · estructura general
{
  "model": "[nombre del modelo que elijas en la documentación]",
  "system": "Eres un clasificador de mensajes de soporte. Respondes solo en JSON.",
  "messages": [
    { "role": "user", "content": "Mi pedido 48213 llegó sin cargador." }
  ],
  "temperature": 0
}
  • model: el modelo exacto cambia con frecuencia; tómalo siempre de la documentación oficial.
  • system: el system prompt, con las reglas que no cambian entre mensajes.
  • messages: los datos de cada caso: aquí va el mensaje del usuario.
  • temperature: baja (0–0.3) para clasificar o extraer; más alta para ideas y redacción creativa.

En n8n, sin código

Los nodos de IA hacen lo mismo con una interfaz visual.
  • Conecta tu clave del proveedor una sola vez en las credenciales de n8n.
  • Para una tarea puntual, usa un nodo de cadena (Basic LLM Chain) o uno especializado (Text Classifier, Information Extractor).
  • Para un agente, usa el nodo AI Agent y conéctale herramientas: Gmail, Google Sheets, HTTP Request, otros workflows…
  • Después del LLM, un nodo Switch o IF lee el JSON y decide la ruta.

03 · La herramienta

Plantilla de prompt

Seis bloques que cubren casi cualquier tarea. Copia la plantilla, reemplaza lo que está entre corchetes y pon tus datos reales donde dice {{DATOS}}.

plantilla · prompt.md
# OBJETIVO
[Qué debe lograr el modelo, en una sola frase]

# CONTEXTO
[Quién eres, para quién es el resultado y qué necesita saber el modelo]

# DATOS DE ENTRADA
<entrada>
{{DATOS}}
</entrada>

# INSTRUCCIONES
1. [Primer paso]
2. [Segundo paso]
3. [Tercer paso]

# RESTRICCIONES
- [Lo que no debe hacer]
- Si falta información, [qué hacer: preguntar, marcarlo, usar null]

# FORMATO DE SALIDA
[Estructura exacta: JSON con estos campos, lista, tabla, texto de N líneas…]
01Objetivo
Una frase con un verbo claro: clasificar, extraer, redactar, resumir. Si no cabe en una frase, son dos prompts.
02Contexto
Lo que un colega nuevo necesitaría saber: el negocio, el público, el tono, para qué se usará el resultado.
03Datos de entrada
El material real, separado de las instrucciones con etiquetas o delimitadores para que el modelo no los confunda.
04Instrucciones
Pasos numerados en el orden en que quieres que el modelo trabaje.
05Restricciones
Lo que no debe hacer y qué hacer ante casos raros: información faltante, mensajes fuera de tema, datos dudosos.
06Formato de salida
La forma exacta de la respuesta. Si otro sistema la va a leer, pide JSON con campos fijos.

04 · Dos tipos de prompt

Workflow vs. agente

El mismo caso, dos prompts distintos. En el workflow el modelo hace una tarea y devuelve un resultado; en el agente, elige una acción entre varias y sabe cuándo parar.

Workflowpasos definidos
prompt · paso del workflow
# OBJETIVO
Clasificar el mensaje de un cliente en una sola categoría.

# DATOS DE ENTRADA
<mensaje>{{MENSAJE}}</mensaje>

# INSTRUCCIONES
1. Lee el mensaje completo.
2. Elige UNA categoría: pedido, reclamo, cotizacion, soporte, otro.

# FORMATO DE SALIDA
Solo JSON: {"categoria": "..."}
Agenteelige la acción
prompt · agente
# OBJETIVO
Resolver la solicitud del cliente de principio a fin.

# HERRAMIENTAS DISPONIBLES
- consultar_pedido(numero): estado y detalles de un pedido.
- crear_ticket(tipo, resumen): abre un caso para el equipo.
- escalar_a_humano(motivo): pasa la conversación a una persona.

# CÓMO DECIDIR
En cada turno elige UNA acción:
- Si falta un dato imprescindible, pregúntalo al cliente.
- Si necesitas información del sistema, usa una herramienta.
- Si el caso implica dinero o una queja grave, escala a un humano.

# RESTRICCIONES
- Nunca inventes el estado de un pedido: consúltalo.

# CONDICIÓN DE PARADA
Termina cuando la solicitud quede resuelta o escalada.
 WorkflowAgente
Quién decide el siguiente pasoTú, al diseñar el workflow.El modelo, en cada turno.
Qué hace el LLMUna tarea acotada: clasificar, extraer, redactar.Razonar, elegir herramientas y observar resultados.
Qué devuelveUn resultado con formato fijo (por ejemplo, JSON).Una acción a ejecutar o la respuesta final.
El prompt necesitaTarea, datos y formato de salida.Además: herramientas, criterios de decisión y cuándo parar.
Úsalo cuandoEl proceso se repite siempre igual.Cada caso requiere pasos distintos.

05 · Ejemplo práctico

Ejemplo: intención + datos

El caso más útil para empezar: un mensaje de cliente entra, el LLM detecta qué quiere y qué datos trae, y devuelve un JSON. El workflow lee ese JSON y decide qué hacer. Es una salida estructurada: el modelo no responde al cliente, prepara la decisión.

  1. Mensaje del cliente
  2. LLM: intención + datos
  3. JSON
  4. Switch
  5. Acción

1. El prompt

prompt · clasificar y extraer
# OBJETIVO
Detectar la intención de un mensaje de cliente y extraer los datos útiles
para que el workflow decida qué hacer.

# CONTEXTO
Eres el primer filtro de atención de una tienda en línea.
Tu salida la lee un sistema automático, no una persona.

# DATOS DE ENTRADA
<mensaje>
{{MENSAJE}}
</mensaje>

# INSTRUCCIONES
1. Elige UNA intención:
   consulta_pedido | reclamo | cotizacion | soporte_tecnico | otro
2. Extrae solo los datos que aparezcan en el mensaje.
3. Estima tu confianza entre 0 y 1.
4. Lista lo que falta para poder atender el caso.

# RESTRICCIONES
- No inventes datos: si algo no aparece, usa null.
- No respondas al cliente: solo clasifica y extrae.

# FORMATO DE SALIDA
Solo JSON válido, sin texto adicional:
{
  "intencion": "...",
  "confianza": 0.0,
  "datos": {
    "numero_pedido": null,
    "producto": null,
    "cantidad": null,
    "problema": null,
    "email": null
  },
  "falta_informacion": []
}

2. Lo que devuelve el modelo

Tres mensajes reales y el JSON que produce el mismo prompt.

Mensaje del cliente

Hola, el lunes compré unos audífonos (pedido 48213) y llegaron sin cargador. ¿Me mandan uno o me devuelven el dinero? Mi correo es ana.ruiz@example.com

salida del LLM · JSON
{
  "intencion": "reclamo",
  "confianza": 0.93,
  "datos": {
    "numero_pedido": "48213",
    "producto": "audífonos",
    "cantidad": null,
    "problema": "llegó sin cargador",
    "email": "ana.ruiz@example.com"
  },
  "falta_informacion": []
}

El workflow crea un ticket de reclamo con el número de pedido y envía una confirmación al correo.

3. El workflow decide

Un nodo Switch lee el campo intencion (y la confianza) y elige la ruta. El LLM clasifica; las reglas de negocio siguen en tus manos.
consulta_pedidoConsultar el estado del pedido y responder.
reclamoCrear un ticket y confirmar al cliente.
cotizacionRegistrar en el CRM y preparar la cotización.
soporte_tecnicoEnviar a la base de conocimiento o a soporte.
otro · o confianza < 0.7Pedir aclaración o pasar a una persona.

06 · Hazlo hoy

Tu primer prompt útil

  1. 1Escribe el objetivo en una frase. Si necesitas un «y además», divide la tarea en dos prompts.
  2. 2Pega un caso real en la sección de datos de entrada, entre etiquetas como <mensaje>.
  3. 3Define la salida exacta. Si la va a leer un workflow, pide JSON con campos fijos y los valores permitidos.
  4. 4Di qué hacer ante lo raro: información faltante, mensajes fuera de tema o dudas. Por ejemplo: «si no aparece, usa null».
  5. 5Prueba con cinco mensajes distintos, incluido uno ambiguo y uno que no tenga nada que ver.
  6. 6Corrige lo que falló y vuelve a probar. Cada error se convierte en una instrucción o una restricción nueva.

Errores frecuentes

  • Pedir «sé preciso» o «hazlo bien» sin decir qué significa en este caso.
  • Mezclar las instrucciones con los datos, sin separarlos.
  • No fijar el formato de salida y luego no poder procesar la respuesta.
  • Dejar que el modelo invente un dato en lugar de pedirle null cuando falta.
  • Usar una temperatura alta para tareas que deben dar siempre el mismo resultado, como clasificar.
Construir un prompt con la Prompt Factory Ver la anatomía de un agente

Conceptos relacionados

Cada uno tiene su ficha en el glosario, con ejemplos.