· Prompt Engineering

Guia Definitiva: Como Extraer Datos Tabulares con Few-Shot Prompts

1. El Caos del Webhook y el Esquematico Roto

Eran las cinco de la tarde en nuestras oficinas del distrito 22@ en Barcelona, y el nuevo flujo de automatización en Make (el antiguo Integromat) acababa de colapsar por tercera vez consecutiva.

Estábamos conectando los formularios de contacto y correos de propuestas comerciales con un CRM corporativo a través de un webhook. El problema crítico no era la herramienta no-code en sí, sino el paso intermedio: el modelo de lenguaje fallaba constantemente al interpretar las reglas de conversión de esquemas de datos. El texto del correo venía desestructurado, y al intentar mapearlo a formato JSON para enviarlo por la API, la IA inventaba campos, rompía el orden de las columnas o devolvía un formato markdown inválido que bloqueaba el parseador automático. El cliente esperaba el reporte consolidado en diez minutos, y el sistema acumulaba errores de sintaxis en cada ejecución.

Emergencia Operativa. Cuando un webhook recibe texto libre y debe transformarlo a una estructura tabular estricta, un prompt genérico basado solo en descripción verbal fracasará el 80% de las veces debido a la ambigüedad del lenguaje natural.

How to Write Few-Shot Prompts to Extract Tabular Data from Unstructured Text Prompt Guide

2. Diagnostico y Arquitectura del Fallo

¿Por qué fallaba nuestra automatización? Simplemente porque le pedíamos al LLM que “convirtiera el texto en una tabla JSON” sin darle ejemplos previos exactos. Los modelos como GPT-4 o Claude 3.5 Sonnet son excelentes siguiendo patrones, pero operan bajo probabilidad pura si no se les proporcionan ejemplos de entrada y salida (Few-Shot Prompting).

Para solucionar este cuello de botella en nuestro flujo en Madrid y Barcelona, rediseñamos la arquitectura del prompt utilizando el enfoque de esquema de datos guiado por ejemplos. En lugar de explicarle las reglas abstractas de negocio, le mostramos exactamente un caso de éxito y un caso borde dentro del mismo prompt. Esto reduce la deriva del modelo y garantiza que las claves del JSON o las columnas de la tabla markdown mantengan una paridad del 100% con el esquema requerido por nuestro webhook.

3. Plantilla maestra de prompt lista para copiar y usar Template

Aquí tienes la plantilla maestra probada en producción para copiar y pegar directamente en tus Instrucciones Personalizadas de ChatGPT, Claude Artifacts o llamadas API.

### Rol
Eres un motor de procesamiento de datos de alta precisión especializado en transformar texto no estructurado en tablas estructuradas en formato JSON estricto.

### Reglas de Extraccion
1. Extrae unicamente la informacion solicitada en el esquema.

2. Si un campo no existe en el texto, asignale el valor null.

3. No inventes ningun dato bajo ninguna circunstancia.

4. Devuelve exclusivamente el bloque JSON valido, sin texto adicional antes ni despues.

### Esquema de Salida (JSON Schema)
{
  "cliente": "string",
  "presupuesto_estimado": "number o null",
  "fecha_limite": "YYYY-MM-DD o null",
  "nivel_urgencia": "Baja | Media | Alta"
}

### Ejemplos (Few-Shot)

[Ejemplo 1 - Entrada]
"Hola equipo, nos escribe Juan Perez desde Iberia S.A.

Necesitamos arrancar un proyecto urgente para el proximo 15-11-2026. Manejamos un techo presupuestario de unos 12000 euros."

[Ejemplo 1 - Salida]
{
  "cliente": "Juan Perez",
  "presupuesto_estimado": 12000,
  "fecha_limite": "2026-11-15",
  "nivel_urgencia": "Alta"
}

[Ejemplo 2 - Entrada]
"Buenos dias, soy Maria de StartUp Labs. Queremos cotizar una consultoria web sin prisa.

"

[Ejemplo 2 - Salida]
{
  "cliente": "Maria",
  "presupuesto_estimado": null,
  "fecha_limite": null,
  "nivel_urgencia": "Baja"
}

### Datos a Procesar
[Inserta aqui el texto no estructurado del webhook o correo]

4. Variaciones Practicas y Consejos de Seguridad

Para entornos de consultoría y corporativos donde el manejo de datos es crítico, te recomiendo aplicar las siguientes estrategias avanzadas:

-Control de temperatura:

Configura la temperatura del modelo en 0.0 o 0.1, si la plataforma permite ese ajuste. Necesitamos determinismo absoluto, no creatividad literaria.

-Validación Doble: Si usas herramientas no-code como Make o Zapier, coloca siempre un módulo de validación JSON inmediatamente después de la respuesta de la IA para capturar cualquier anomalía antes de golpear la base de datos o el CRM. -Protección de Tokens: Si procesas cientos de correos diarios, recorta la longitud del texto de entrada eliminando firmas corporativas y avisos legales antes de enviarlo al prompt.

Consejo de Arquitectura. Incluir al menos dos ejemplos contrastados (uno completo y otro con datos faltantes) dentro de la sección de Few-Shot reduce los errores de esquema en un 90%.

5. Preguntas Frecuentes (FAQ)

Q. ¿Por qué es mejor usar Few-Shot en lugar de describir el esquema con texto largo?

A. Los modelos de lenguaje procesan los patrones visuales y estructurados de los ejemplos mucho más rápido y con menor tasa de error que las explicaciones abstractas en pros

A.Q. ¿Qué hago si el LLM incluye texto conversacional como “Aqui tienes tu JSON” antes del bloque de código?

A. Añade la regla estricta en el System Prompt: “Devuelve exclusivamente el objeto JSON y ningun caracter adicional”. Adicionalmente, puedes usar la modalidad de JSON Mode si utilizas la API directa de OpenAI o Anthropic.

Q. ¿Cuántos ejemplos debo incluir en mi prompt para que sea efectivo?

A. Entre dos y tres ejemplos bien seleccionados son suficientes. Demasiados ejemplos consumen ventana de contexto innecesariamente sin aportar mejoras significativas en la precisión.

Share:
Back to Blog