Cómo se genera una respuesta completa
Input, output, prompt, instrucciones, historial, contexto, paradas y límites de longitud.
Lectura: 13 min · Última revisión: 2026-10-03
Qué aprenderás
- La diferencia entre input, prompt, output, modelo, chat y aplicación.
- Cómo se combinan instrucciones, historial y contexto en una consulta.
- Qué condiciones limitan o detienen una generación.
De una interacción a un proceso
El input es la información que la aplicación envía al modelo. Puede incluir un prompt, instrucciones, historial y documentos. El output es la secuencia que el modelo genera y que la aplicación puede mostrar, validar, transformar o usar como entrada de otro paso.
Un prompt es una instrucción o solicitud expresada en lenguaje natural u otro formato. No es necesariamente todo el contexto: una aplicación puede agregar reglas, esquemas, resultados de búsqueda y datos del sistema.
Modelo, chat y aplicación
modelo ≠ chat ≠ aplicación
El modelo realiza cálculos sobre las entradas y genera tokens. El chat es una interfaz o un patrón de interacción. La aplicación puede administrar usuarios, historial, memoria, RAG, herramientas, filtros, permisos, reglas y guardrails. Esas funciones pueden estar fuera del modelo base.
Flujo completo
persona escribe una solicitud
↓
aplicación agrega instrucciones y datos permitidos
↓
arma el contexto efectivo
↓
tokenización y procesamiento del modelo
↓
generación autoregresiva
↓
validación, filtros o herramientas de la aplicación
↓
output presentado o usado en otro paso
La generación puede detenerse por un token de fin, un límite de tokens de salida, una secuencia de parada, una política de seguridad, un error de API o una decisión de la aplicación. Un límite de longitud puede cortar una respuesta correcta, y una respuesta corta no es necesariamente una respuesta completa.
Ejemplo en una organización
En documentación, una persona solicita Resumí el procedimiento de alta. La aplicación agrega la versión vigente del procedimiento, exige cinco viñetas y prohíbe inventar pasos. El modelo genera el borrador; un filtro comprueba el formato y una persona valida que el procedimiento citado siga vigente. El LLM no entra por sí mismo al repositorio ni decide publicar.
La analogía del profesional nuevo
Analogía simplificada: imaginemos que se incorpora a la organización un profesional nuevo con conocimientos generales muy amplios. Para resolver una tarea necesita recibir el procedimiento, las reglas del área y las herramientas autorizadas. La imagen ayuda a separar capacidades generales de información de la empresa, pero el LLM no es una persona, no tiene intención y no conoce la organización automáticamente.
Qué no significa
- Un chat no prueba que todas las funciones pertenezcan al modelo.
- El modelo no conserva necesariamente el historial entre llamadas.
- Una herramienta conectada no elimina la necesidad de permisos y validación.
- Output bien redactado no equivale a output listo para producción.
Errores frecuentes
- Llamar "memoria del modelo" al historial guardado por la aplicación.
- Pensar que el usuario es la única fuente de información.
- Enviar acciones o datos sensibles sin controles intermedios.
- Confundir un límite de longitud con una condición de calidad.
Ideas principales
- La aplicación prepara el input y controla qué hacer con el output.
- Modelo, interfaz de chat y sistema integrado son capas distintas.
- Una respuesta emerge token a token y puede detenerse por varias condiciones.
- Herramientas, RAG, filtros y permisos pueden ser capacidades de la aplicación.
Autoevaluación
- ¿Qué diferencia hay entre prompt y contexto efectivo?
- ¿Qué tareas puede realizar la aplicación después de recibir el output?
- ¿Por qué un chat puede tener memoria o herramientas sin que el modelo base
las posea por sí mismo?
Fuentes
- OpenAI API: text generation — OpenAI — https://platform.openai.com/docs/guides/text-generation — consulta: 2026-10-03.
- Messages API concepts — Anthropic — https://docs.anthropic.com/en/api/messages — consulta: 2026-10-03.
- Generative AI glossary — NIST — https://www.nist.gov/artificial-intelligence — consulta: 2026-10-03.
Seguir aprendiendo
- Unidad 8: qué componentes forman el contexto efectivo.
- Unidad 10: cómo la ventana limita ese contexto.
- Módulo 3: cómo diseñar instrucciones.