Conceptos básicos de LLM

10 ejemplos para empezar con LLM y GenAI: 7 básicos y 3 intermedios.

Prerrequisitos

uv venv && source .venv/bin/activate
uv pip install "openai>=1.60" "anthropic>=0.40" "tiktoken>=0.8"
export OPENAI_API_KEY="sk-..."  # o ANTHROPIC_API_KEY

• Python 3.14.0 con el SDK del proveedor instalado.
• Clave API para al menos un proveedor (OpenAI o Anthropic).

Ejemplos básicos

1. Tu primera completación de chat

Envía un mensaje y obtén una respuesta de texto.

from openai import OpenAI
 
client = OpenAI()
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "Explica las comprensiones de listas de Python en una frase."}],
)
print(response.choices[0].message.content)

• messages es una lista de diccionarios de rol/contenido.
• role puede ser system, user o assistant.
• El texto de la respuesta está en choices[0].message.content.

Relacionado: SDK de OpenAI y otros - patrones de proveedor

2. Prompts del sistema y del usuario

Separa las instrucciones de la tarea del usuario.

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "Eres un tutor conciso de Python. Responde en un máximo de 2 frases."},
        {"role": "user", "content": "¿Qué es una expresión generadora?"},
    ],
)

• El prompt del sistema establece la persona, el tono y las restricciones.
• El prompt del usuario contiene la pregunta o tarea real.
• Los prompts del sistema no son visibles para los usuarios finales en la mayoría de las interfaces de usuario.

Relacionado: Ingeniería de prompts - patrones de prompts

3. Cuenta tokens antes de enviar

Estima el costo y verifica los límites de contexto.

import tiktoken
 
enc = tiktoken.encoding_for_model("gpt-4o-mini")
text = "Explica el descenso de gradiente para un desarrollador junior."
tokens = enc.encode(text)
print(f"tokens: {len(tokens)}")

• El recuento de tokens determina el costo de la API y si la entrada cabe en la ventana de contexto.
• Regla aproximada: 1 token ≈ 4 caracteres en inglés.
• Cuenta tanto la entrada como la salida esperada al presupuestar.

Relacionado: Tokens, Costos y Límites de Tasa - presupuestación

4. Controla la aleatoriedad con la temperatura

Temperatura más baja = salida más determinista.

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "Dame un nombre creativo de equipo para un proyecto de Python."}],
    temperature=0.9,  # creativo
)
 
response2 = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "¿Es 2+2 igual a 4?"}],
    temperature=0.0,  # determinista
)

• temperature=0 para respuestas fácticas y repetibles.
• temperature=0.7-1.0 para escritura creativa.
• top_p (muestreo de núcleo) es una alternativa a la temperatura.

5. Limita la longitud de la salida

Limita los tokens de respuesta para controlar el costo.

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "Resume el GIL de Python."}],
    max_tokens=100,
)

• max_tokens limita la longitud de la completación, no la entrada.
• Establece según el tamaño esperado de la respuesta.
• Detenerse temprano ahorra dinero en modelos verbosos.

6. Conversación de varios turnos

Pasa mensajes anteriores para obtener contexto.

messages = [
    {"role": "user", "content": "Mi aplicación usa FastAPI y PostgreSQL."},
    {"role": "assistant", "content": "¡Excelente pila! ¿En qué te gustaría ayuda?"},
    {"role": "user", "content": "¿Cómo debería estructurar las migraciones de la base de datos?"},
]
response = client.chat.completions.create(model="gpt-4o-mini", messages=messages)

• Incluye el historial completo de la conversación para el contexto de varios turnos.
• Un historial más largo usa más tokens; recorta los turnos antiguos cuando sea necesario.
• Las respuestas del asistente deben incluirse para mantener la continuidad.

7. Llama a Anthropic Claude

Mismo patrón, diferente SDK y formato de mensaje.

import anthropic
 
claude = anthropic.Anthropic()
message = claude.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=256,
    system="Eres un asistente útil de Python.",
    messages=[{"role": "user", "content": "¿Para qué se usa pydantic?"}],
)
print(message.content[0].text)

• Anthropic separa system de messages.
• content es una lista de bloques de contenido (texto, imágenes, herramientas).
• Los IDs de modelo cambian; consulta la documentación del proveedor para conocer los nombres actuales.

Relacionado: SDK de Anthropic Claude - guía completa de Claude

Ejemplos intermedios

8. Prompting de pocos ejemplos (Few-Shot)

Muestra ejemplos del formato de entrada/salida deseado.

messages = [
    {"role": "system", "content": "Clasifica el sentimiento como positivo, negativo o neutral."},
    {"role": "user", "content": "Texto: ¡Me encanta esta biblioteca!\nSentimiento: positivo"},
    {"role": "assistant", "content": "positivo"},
    {"role": "user", "content": "Texto: Se bloqueó dos veces hoy.\nSentimiento:"},
]
response = client.chat.completions.create(model="gpt-4o-mini", messages=messages, temperature=0)

• Los ejemplos de pocos ejemplos enseñan el formato sin necesidad de ajuste fino.
• 2-5 ejemplos suelen ser suficientes; más consume tokens.
• Los ejemplos deben cubrir los casos extremos que te importan.

Relacionado: Ingeniería de prompts - patrones de pocos ejemplos

9. Salida JSON estructurada

Solicita JSON para análisis posterior.

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "Enumera 3 frameworks web de Python como JSON con campos de nombre y año."}],
    response_format={"type": "json_object"},
)
import json
data = json.loads(response.choices[0].message.content)

• response_format={"type": "json_object"} fuerza un JSON válido.
• Menciona "JSON" en el prompt para obtener mejores resultados.
• Valida la salida analizada con Pydantic antes de usarla.

Relacionado: Salida Estructurada - esquemas Pydantic

10. Clave API basada en el entorno

Carga claves del entorno, nunca las codifiques directamente.

import os
from openai import OpenAI
 
api_key = os.environ.get("OPENAI_API_KEY")
if not api_key:
    raise RuntimeError("Establece OPENAI_API_KEY")
 
client = OpenAI(api_key=api_key)

• Usa archivos .env localmente con python-dotenv (añade .env a .gitignore).
• Producción: gestor de secretos (AWS Secrets Manager, Vault).
• Rota las claves si se comprometen accidentalmente.

Versiones de la pila: Esta página se escribió para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ y uv 0.6+.