Prompt engineering patterns en producción: guía técnica con ejemplos chilenos

Few-shot mejora consistencia y formato cuando hay variación en el output esperado. Ejemplos del dominio real del cliente, no genéricos.

Ejemplos de respuestas esperadas:

INPUT: ¿Tienen zapatillas Nike Air Max en tamaño 42?
OUTPUT: Sí, las Nike Air Max 42 están disponibles en 3 tiendas: Costanera Center (5 unidades), Parque Arauco (2 unidades), Mall Plaza Vespucio (8 unidades). El precio es $89.990. ¿Te reservo una en alguna?

INPUT: Quiero comprar 50 polerones para mi empresa
OUTPUT: Para compras mayoristas te derivo con el equipo comercial. Necesito un mínimo de información: nombre, empresa, teléfono de contacto y modelo/talla aproximado. ¿Empezamos?

INPUT: dónde queda la tienda más cercana al estadio nacional
OUTPUT: La tienda más cercana al Estadio Nacional es Mall Plaza Vespucio (Avenida Vicuña Mackenna 7110), a aproximadamente 8 minutos en auto. Horario hoy: 10:00 a 22:00.

3-5 ejemplos suelen ser suficiente. Más ejemplos consumen tokens sin mejora marginal.

Cuando necesitas output como objeto tipado (no texto libre), structured output con schema Zod elimina parseo manual y errores.

import { generateObject } from 'ai';
import { anthropic } from '@ai-sdk/anthropic';
import { z } from 'zod';

const schema = z.object({
  intencion: z.enum(['consulta_producto', 'mayorista', 'queja', 'otro']),
  urgencia: z.enum(['baja', 'media', 'alta']),
  resumen: z.string().max(200),
  derivar_humano: z.boolean(),
  motivo_derivacion: z.string().optional(),
});

const { object } = await generateObject({
  model: anthropic('claude-sonnet-4-6'),
  schema,
  prompt: `Clasifica el siguiente mensaje del cliente:
"${mensajeCliente}"`,
});

// object está tipado y validado
console.log(object.intencion);

Vercel AI SDK fuerza la respuesta a cumplir el schema. Si el modelo entrega algo que no cumple, reintenta automáticamente.

Cuando el agente decide invocar tools, los argumentos deben validarse antes de ejecutar. Vercel AI SDK + Zod hacen esto automáticamente:

import { generateText, tool } from 'ai';
import { anthropic } from '@ai-sdk/anthropic';
import { z } from 'zod';

const result = await generateText({
  model: anthropic('claude-sonnet-4-6'),
  system: '...',
  messages,
  tools: {
    consultarStock: tool({
      description: 'Consulta stock de un SKU en todas las tiendas.',
      parameters: z.object({
        sku: z.string().regex(/^[A-Z]{2}-[0-9]{6}$/, 'Formato SKU inválido'),
      }),
      execute: async ({ sku }) => {
        return await db.query('SELECT * FROM stock WHERE sku = $1', [sku]);
      },
    }),
  },
});

El regex valida que el SKU tenga formato correcto antes de ejecutar la query. Si el modelo inventa un SKU mal formado, el SDK rechaza la tool call y le da feedback al modelo para que corrija.

• "Por favor sé útil": cero valor, agrega tokens.
• "NUNCA hagas X" sin razón clara: el modelo no entiende y a veces se rompe.
• Prompt de 5000 palabras: el modelo ignora partes. Prompts > 1500 tokens generan inconsistencia.
• Cambiar prompt en producción sin eval: regresiones invisibles hasta el cliente.
• Sin observabilidad: si no logueas el prompt usado y el output, no puedes diagnosticar.
• Sin versionado: no puedes rollback ni comparar versiones.