> For the complete documentation index, see [llms.txt](https://docs.airops.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.airops.com/docs/es/acciones/workflow-concepts/workflow-steps/ai-steps/llm.md).

# Prompt de LLM

El paso LLM de AirOps: indica modelos de OpenAI, Anthropic y Google (o tus propias claves) con ingeniería de prompts, salidas estructuradas y acceso a herramientas MCP.

Los modelos de lenguaje grandes (LLM) son una categoría de modelos de aprendizaje automático que generan texto similar al humano. Se entrenan con grandes cantidades de datos y son capaces de comprender y generar respuestas basadas en entradas dadas, además de impulsar experiencias conversacionales

En AirOps, el paso de LLM te permite usar prompts en modelos de OpenAI, Anthropic y Google (o tus propias claves de modelo), con control sobre la ingeniería de prompts, la temperatura, las salidas estructuradas y el acceso a herramientas MCP.

Comenzamos AirOps para facilitar la creación de soluciones potentes con estos modelos, ya que desempeñan un papel cada vez mayor en las operaciones empresariales.

## Configuración de un paso de LLM

Al configurar un paso de LLM, hay múltiples parámetros que ajustar para adaptarlo mejor a tu caso de uso. Aquí ofreceremos una breve descripción general de cada parámetro.

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-42eb482ee634cdd104f46ef0414d9709ec3acf1d%2Fllm-step-01-configuration.png?alt=media" alt="Prompt LLM step Summarize SERP themes using GPT-6.1 Sol, with a system prompt and a user message that references the keyword and the Google Search output"><figcaption><p>Configura el modelo, el prompt del sistema y los mensajes en un paso de Prompt LLM.</p></figcaption></figure>

### Seleccionar un modelo de IA

La selección de un modelo depende del tamaño de la ventana de contexto, la complejidad de la tarea, el costo y la velocidad. En general, los modelos más capaces ofrecen resultados de mayor calidad a un costo más alto y con una velocidad menor.

Para orientarte sobre qué modelo seleccionar, consulta nuestra página de documentación sobre [Cómo elegir un modelo](https://docs.airops.com/docs/es/acciones/workflow-concepts/workflow-steps/ai-steps/llm/choosing-a-model.md).

{% hint style="info" %}
También puedes optar por usar tu propio modelo afinado conectándolo a través de nuestra [Proveedores de API](https://docs.airops.com/docs/es/tu-espacio-de-trabajo/team.md#api-providers) página.
{% endhint %}

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-0d7dec4918bef430fa6cfda90b94263aa4eb2ead%2Fllm-step-02-model-picker.png?alt=media" alt="AI Model picker on the Popular tab with GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra, and Claude Fable 5.1, and tabs for OpenAI, Anthropic, Perplexity, and Google"><figcaption><p>Elige un modelo para el paso de Prompt LLM.</p></figcaption></figure>

### Conectores MCP

Los conectores MCP dan al LLM acceso a herramientas externas alojadas en [Protocolo de Contexto de Modelo](https://modelcontextprotocol.io/) servidores. Cuando se seleccionan conectores, el modelo puede llamar a esas herramientas durante la ejecución para obtener datos, iniciar acciones o interactuar con servicios de terceros.

#### Modelos compatibles

Los conectores MCP están disponibles con los siguientes modelos:

| Proveedor | Modelos compatibles                                                                                                              |
| --------- | -------------------------------------------------------------------------------------------------------------------------------- |
| OpenAI    | gpt-4o, gpt-4o-mini, gpt-4.1, gpt-4.1-mini, gpt-5, gpt-5.1, gpt-5.2, gpt-5-mini, gpt-5-nano, o3, o3-pro, o4-mini y más recientes |
| Anthropic | Claude Sonnet 4, Claude Opus 4, Claude Haiku 4.5 y más recientes                                                                 |

{% hint style="warning" %}
El menú desplegable de Conectores MCP solo aparece en el paso de LLM cuando se selecciona un modelo compatible. Si no ves la opción, cambia a uno de los modelos compatibles enumerados arriba.
{% endhint %}

#### Seleccionar conectores

Cuando se selecciona un modelo compatible, aparece un **Conectores MCP** menú desplegable en la configuración del paso. Selecciona uno o más conectores para poner sus herramientas a disposición del modelo.

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-3ffa6d702b4d0e000c59bce6f30098f90a47c5c7%2Fllm-step-03-mcp-connectors.png?alt=media" alt="Advanced settings of a Prompt LLM step using Claude Sonnet 5.5, with the MCP Connectors dropdown listing AirOps, Linear, Notion, and Sentry, and Linear selected"><figcaption><p>Selecciona Conectores MCP en la configuración avanzada para darle al modelo sus herramientas.</p></figcaption></figure>

#### Cómo funciona en tiempo de ejecución

1. AirOps pasa los conectores seleccionados como herramientas disponibles a la API de LLM.
2. El LLM decide si llamar o no a alguna herramienta en función del prompt y del contexto de la conversación.
3. Cuando el LLM llama a una herramienta, AirOps dirige la solicitud al servidor MCP externo correspondiente.
4. El servidor MCP procesa la solicitud y devuelve una respuesta.
5. La respuesta vuelve al LLM, que la incorpora en la respuesta final.

El LLM puede llamar a varias herramientas en una sola ejecución del paso, y puede optar por no llamar a ninguna herramienta si no son relevantes para el prompt.

#### Ver llamadas a herramientas MCP en los trazos

Cuando un paso de LLM usa Conectores MCP, el trazo del paso registra cada llamada a herramienta con sus entradas y salidas. Esto facilita la depuración y la comprensión de cómo el modelo interactuó con herramientas externas.

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-31ba0c75de5f307179edc18c5f9b8d4e63af901b%2Fllm-step-04-mcp-trace.png?alt=media" alt="Tool Calls tab of a Prompt LLM step in the run Logs, showing a Linear search_issues call with its input and output"><figcaption><p>Cada llamada a herramienta MCP aparece en la pestaña Llamadas a herramientas del paso con sus entradas y salidas.</p></figcaption></figure>

{% hint style="info" %}
Para agregar o administrar Conectores MCP para tu espacio de trabajo, ve a **Configuración > Conectores MCP**. Consulta la [guía de configuración de Conectores MCP](broken://pages/704e4aea0bfcf4bd635f353d9190191c6cf59c11) para más detalles.
{% endhint %}

### Temperatura

La temperatura determina la cantidad de variabilidad en la respuesta de la IA:

* Para una mayor variabilidad y respuestas más "creativas", elige una temperatura más alta.
* Para una menor variabilidad y respuestas más deterministas, elige una temperatura más baja.

### Longitud máxima (opcional)

Limita el número máximo de tokens de salida. Si se deja vacío, no se aplican límites.

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-2f412b37f2077519f6e5572f09cd5c12def196f1%2Fllm-step-05-model-settings.png?alt=media" alt="Prompt LLM settings for Gemini 3.5 Flash with Temperature, Max Output Length, Output Format, and the Google Search grounding and citation options"><figcaption><p>Configura la temperatura, la longitud máxima de salida y el formato de salida para el paso.</p></figcaption></figure>

### Streaming

El streaming te permite ver la salida generada token por token, de forma similar a la experiencia de ChatGPT. El texto se transmitirá en el panel de pruebas del Workflow Studio o cuando ejecutes tu Workflow en AirOps.

**Razones para usar streaming:**

* **Probar prompts rápidamente:** Si quieres probar prompts rápidamente, puedes ver cómo se genera tu salida en tiempo real y validar tu prompt más rápido en lugar de esperar a que termine toda la respuesta.
* **Ofrecer una API con streaming:** Si mostrar texto en tiempo real ofrece una mejor experiencia de usuario para tu usuario final, deberías considerar el streaming como una opción. Por otro lado, si estás generando grandes cantidades de texto, quizá el streaming no sea la opción ideal para tu usuario final.
* **SDK de frontend de AirOps:** Nuestro SDK te permite transmitir las salidas de Workflow directamente a tu experiencia de usuario

### Formato de salida

Para los modelos de OpenAI, puedes elegir entre "Texto" (predeterminado) y "JSON".

Si eliges JSON, el paso de LLM siempre devolverá su salida en un formato JSON válido. Debes especificar en tu prompt el formato JSON de salida que quieres que siga el LLM. Por ejemplo, si quieres que el JSON incluya claves como "title" y "content", debes especificarlo en el prompt.

### Salidas estructuradas

Para los modelos de OpenAI, al especificar un formato de salida JSON, también puedes usar la opción "Definir salidas de columnas" para especificar el formato que seguirá el JSON. Esta es una especificación más formal que simplemente escribir cómo quieres que sea el formato de salida en tu prompt. Pero también es más limitada. Ahora mismo solo puedes usar Salidas estructuradas para un JSON plano con claves de nivel superior y sin matrices.

### Resultados consistentes

Al habilitar "Solicitar resultados consistentes", se pedirá al modelo que haga el mejor esfuerzo posible para lograr resultados de salida consistentes dadas las mismas entradas varias veces.

Esto puede ser útil con fines de prueba, ya que mantener la consistencia en los resultados suele ser un requisito mientras pruebas el flujo de trabajo más amplio.

La función "Solicitar resultados consistentes" solo está disponible para modelos de OpenAI.

### Redacta el prompt para tu modelo

Una vez que hayas terminado de seleccionar tu modelo y elegir los parámetros deseados, el siguiente gran paso es proporcionarle un prompt. Los prompts deben ser lo más completos y descriptivos posible, y recomendamos consultar nuestras páginas de documentación sobre la mejor manera de "[Promptear con GPT](https://docs.airops.com/docs/es/acciones/workflow-concepts/workflow-steps/ai-steps/llm/prompt-with-gpt.md)" y "[Promptear con Claude](https://github.com/airopshq/airops-docs/blob/main/building-workflows/workflow-steps/ai-steps/llm/broken-reference/README.md)."

También te animamos a revisar nuestra colección de plantillas existentes. Casi todas incluyen un paso de LLM, y pueden servirte de inspiración y guía sobre cómo podría ser tu prompt, por ejemplo:

#### Prompt del usuario

El campo "Prompt del usuario" proporciona al modelo entradas de ejemplo o una conversación para obtener la salida deseada, por ejemplo:

```
Usuario: 
Por favor, escribe un poema emocionante dirigido a estudiantes de jardín de infancia con lo siguiente:
Título del poema: El primer día de clases
Temas: recreo, clase de arte, hora del tentempié
```

#### Prompt del asistente

El prompt del asistente ayuda al modelo a "aprender" el formato de salida deseado. Esto es especialmente útil para generar matrices, JSON o HTML sin texto adicional de "chat" (*"¡Claro! Esta es una matriz..."*), por ejemplo:

```
Sistema: Devuelves una matriz de 5 cadenas con sustantivos que sean objetos de cocina.

Usuario: Dame una salida de 5 utensilios

Asistente: ["cuchara", "tenedor", "cuchillo", "espátula", "palillos"]

Usuario: Ahora, dame una matriz de 5 {{my_input}}
```

{% hint style="info" %}
En AirOps, puedes incluir múltiples pares Usuario / Asistente para darle al LLM ejemplos de cómo responder.
{% endhint %}

## Cómo continuar si falla el paso de LLM

De forma predeterminada, el paso de LLM terminará el flujo de trabajo si falla. Sin embargo, para continuar el flujo de trabajo si el paso falla, simplemente haz clic en Configuración y luego en `Continuar` en la parte inferior de la configuración:

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-750fd87934548e472ba3dedd88330ce908dee439%2Fllm-step-06-continue-on-failure.png?alt=media" alt="Prompt LLM advanced settings with When the step fails set to Continue"><figcaption><p>Selecciona Continuar para mantener el flujo de trabajo en ejecución cuando el paso falle.</p></figcaption></figure>

El paso devolverá las siguientes claves:

* `salida` : esto será `nulo`
* `error` :
  * `mensaje`: el mensaje devuelto por el paso
  * `código` : el código de error que representa el error

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-42ed8e1d814a64451a4759ec04fab8fc35e89eff%2Fstep-errors-01-error-variable.png?alt=media" alt="Variables Menu previewing the Export pass schedule step, whose output is null and whose error has a message and the code STEP_ERROR"><figcaption><p>Un paso fallido devuelve un objeto de error con un mensaje y un código.</p></figcaption></figure>

## Cómo reintentar si falla el paso de LLM

Para reintentar el paso de LLM si falla,

1. Selecciona `Continuar` en lugar de `Terminar el flujo de trabajo` si el paso falla
2. Añade una condición en la que se compruebe si el `error` del paso existe, por ejemplo: `step_1.error`
3. Añade el paso que quieras reintentar si hubo un error

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-0cf37b9938c96511e3d7292034d8f5dc8c74d168%2Fstep-errors-02-retry-condition.png?alt=media" alt="Condition step Retry if export failed that checks step_1.error, with the retry Run Code step on the True branch"><figcaption><p>Comprueba si el paso falló y luego inténtalo de nuevo.</p></figcaption></figure>

## Generar prompt con IA

Al configurar tu paso de LLM, puedes usar nuestra herramienta "Generar con IA" para ayudarte a completar el prompt:

<figure><img src="https://3036434873-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-c0fee067b15c87f57b4763a2b645856f4dd24724%2Fllm-step-07-generate-with-ai.png?alt=media" alt="Prompt LLM step panel with the Generate with AI dropdown at the top right"><figcaption><p>Usa Generar con IA para redactar el prompt.</p></figcaption></figure>

Ofreceremos un breve desglose de cada una de las opciones personalizables que incluye esta función, y compartiremos un ejemplo paso a paso a continuación.

{% hint style="info" %}
Nota: "Generar con IA" actualmente solo es compatible con OpenAI
{% endhint %}

### Tipo de tarea

Primero tienes que definir tu Tipo de tarea. La lista de tipos compatibles actualmente incluye:

1. **Creación de contenido** -- una buena opción si buscas generar contenido, por ejemplo, una entrada de blog, una imagen, un correo electrónico de marketing, etc.
2. **Pregunta + respuesta** -- elige esta opción si planeas que tu entrada sea una pregunta y tu salida sea la respuesta
3. **Extracción de entidades** -- elige esta opción si buscas extraer valores específicos de un texto o una imagen
4. **Extracción de texto** -- similar a la extracción de entidades, esto puede ser útil para analizar valores de texto específicos
5. **Clasificación** -- elige esta opción si quieres que tu salida agrupe diferentes valores de tu entrada en categorías similares

### Tipo de salida

Una vez que hayas definido tu Tipo de tarea, la siguiente decisión que debes tomar es cómo quieres que el paso de LLM devuelva los resultados. La lista de Tipos de salida compatibles actualmente incluye:

1. Texto sin formato
2. Markdown
3. HTML
4. JSON
5. YAML

Al seleccionar un valor aquí, puedes ahorrarte el esfuerzo adicional de especificar el tipo de salida en tu prompt (o de requerir un paso de texto posterior para reformatear la salida)

### Indicador

La sección del Prompt es similar a lo que cubrimos antes en ["Promptea tu modelo."](#prompt-your-model) Sin embargo, la diferencia clave aquí es que podemos apoyarnos en nuestra IA para ampliar aún más la descripción. Así que, si no estabas seguro de cómo formular exactamente tu prompt, OpenAI intentará ampliarlo.

### Configuración avanzada

* **Ejemplo de salida (opcional)** -- si la IA tiene dificultades para mostrar los resultados en el formato especificado, puedes introducir manualmente un ejemplo aquí para que tenga una referencia de trabajo. Esto es similar a los Prompts de Usuario/Asistente anteriores.
* Variables seleccionadas -- se completa con cualquier variable de entrada que tengas antes del paso

### Ejemplo

Como ejemplo, recorramos el uso de la función "Generar con IA" para ayudar a crear un flujo de trabajo básico. Imitaremos la reseña de restaurante que creamos en nuestro [Inicio rápido del flujo de trabajo](https://github.com/airopshq/airops-docs/blob/main/building-workflows/workflow-steps/ai-steps/llm/broken-reference/README.md).

{% @arcade/embed url="<https://app.arcade.software/share/wwLuvhmlXoRTKETSBYPy>" flowId="wwLuvhmlXoRTKETSBYPy" %}


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.airops.com/docs/es/acciones/workflow-concepts/workflow-steps/ai-steps/llm.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
