Ir al contenido principal
Español— Elegir un idioma
Menú

Modo desarrollador: control avanzado

Lección 4 de 16 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Modo desarrollador: control avanzado
  2. Cómo acceder al Modo desarrollador
  3. Paneles del Playground
  4. Un flujo de trabajo de desarrollo robusto
  5. Comparación de modelos
  6. Depuración con metadatos
  7. Tareas de acción en el Playground
  8. Puntos clave

Lección actualizada el 3 de noviembre de 2026 según la documentación de OpenAI: temperature y top_p solo se aceptan con un esfuerzo de razonamiento de none, mientras que los modelos GPT-5.6 razonan por defecto (medium). Por tanto, las llamadas que establezcan estos parámetros deben especificar reasoning={"effort": "none"} (API de respuestas) o reasoning_effort="none" (Completados de chat). Fuentes: Uso de GPT-6 · GPT-5.6 Terra.

Modo desarrollador: control avanzado

El Modo desarrollador de OpenAI es un entorno avanzado dentro del Playground que permite probar, iterar y depurar tus indicaciones (prompts) con un control granular sobre todos los parámetros de la API. Desempeña exactamente la misma función que un REPL en un proyecto de Python: un espacio para experimentar con rapidez, cometer errores sin consecuencias y acabar con algo digno de confirmar en el repositorio. Es la herramienta que transforma una indicación de un borrador a un componente de producción.

Cómo acceder al Modo desarrollador

Puedes acceder al Playground de OpenAI en platform.openai.com. El Modo desarrollador expone todos los parámetros que usarás más tarde en la API: modelo, indicación de sistema, temperatura, top_p, tokens máximos, formato de salida y herramientas. El valor de esta correspondencia estricta es que no hace falta ninguna traducción mental entre la interfaz y tu código: el ajuste que modificas en un panel se convierte en un argumento con nombre en la llamada a la API, bajo el mismo nombre.

# Lo que pruebas en el Playground se traduce
# directamente a código de API:
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature requiere effort none
    instructions="Eres un asistente de revisión de código Python. "
                 "Prioriza señalar problemas de seguridad.",
    input="Revisa este código: subprocess.call(user_input, shell=True)",
    temperature=0.2,
    max_output_tokens=1000
)

Paneles del Playground

El panel Sistema es donde redactas y refinas tu indicación de sistema. El Playground mantiene un historial de tus cambios, lo que proporciona un versionado ligero durante la fase exploratoria, antes de que la indicación pase a tu repositorio Git y entre en un ciclo de revisión estándar.

El panel de conversación permite someter a prueba intercambios de varios turnos. Aquí es donde suele revelarse un fallo invisible en una llamada aislada: la deriva conversacional. Tras intercambios largos, el modelo tiende a «olvidar» las instrucciones de la indicación de sistema. Por eso, lleva tu prueba más allá de diez mensajes antes de concluir que tu indicación se mantiene. Un asistente que rechaza correctamente una pregunta fuera de tema en el primer turno podría muy bien responderla en el duodécimo una vez saturado el contexto.

Por último, el panel de parámetros expone todos los ajustes de generación:

  • Modelo: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (con ajustes de razonamiento desde none hasta max)
  • Temperatura, Top P y Tokens máximos de salida
  • Formato de respuesta: texto libre, objeto JSON, esquema JSON
  • Herramientas: funciones, intérprete de código, búsqueda de archivos

Los dos últimos ajustes suelen tener los efectos más sorprendentes. Cambiar el formato de respuesta de texto libre a esquema JSON modifica radicalmente la naturaleza de la salida: ya no obtienes texto que analizar, sino una estructura en la que tu código puede confiar. Esto traslada una parte significativa de la fiabilidad desde la indicación hacia la API. Por el contrario, habilitar una herramienta autoriza al modelo a salir de su ventana de contexto para recuperar información o ejecutar código, transformando un asistente conversacional en un componente capaz de actuar. Prueba estos interruptores en el Playground antes de integrarlos; su comportamiento se entiende mejor viéndolo que leyéndolo.

Un flujo de trabajo de desarrollo robusto

Empieza creando un prototipo con el modelo más capaz, GPT-5.6 Sol, sin preocuparte por el coste en esta fase. El objetivo es validar el comportamiento. Si empiezas con un modelo más pequeño, no podrás distinguir si un fallo proviene de tu indicación o de las limitaciones del modelo; podrías pasar horas reescribiendo una indicación que no tenía nada malo.

A continuación, itera sobre casos límite. Ten a mano una lista de familias de solicitudes que vuelvas a ejecutar sistemáticamente tras cada modificación de la indicación.

# Casos límite para probar sistemáticamente:
test_cases = [
    "Solicitud normal dentro del dominio",
    "Solicitud fuera de dominio (debe rechazar con educación)",
    "Solicitud ambigua (debe pedir aclaración)",
    "Inyección de indicación (debe ignorar)",
    "Solicitud muy larga con contexto extenso",
    "Solicitud en otro idioma",
    "Solicitud con datos sensibles",
]

Cuando estés satisfecho con el comportamiento, exporta: el Playground genera el código correspondiente a tu configuración, que puedes copiar directamente en tu aplicación. Aquí se suele omitir un paso: la reducción de modelo. Una vez que la indicación es estable con GPT-5.6 Sol, vuélvela a ejecutar en GPT-5.6 Terra y luego en GPT-5.6 Luna para reducir costes. Espera tener que hacer ajustes: los modelos más pequeños requieren instrucciones más explícitas, mientras que el modelo más capaz infería tu intención a partir de indicios apenas esbozados.

Comparación de modelos

from openai import OpenAI

client = OpenAI()

models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Explica el patrón Observer en Python con un ejemplo."
system = "Eres un instructor de Python. Responde en inglés, incluyendo código."

for model in models:
    response = client.responses.create(
        model=model,
        reasoning={"effort": "none"},  # temperature requiere effort none
        instructions=system,
        input=prompt,
        temperature=0.3
    )
    print(f"\n{'='*60}")
    print(f"Modelo: {model}")
    print(f"{'='*60}")
    print(response.output_text[:500])

Depuración con metadatos

Cada respuesta de la API incluye metadatos valiosos. El Playground los muestra, pero también deberías registrarlos en producción, donde a menudo constituyen tu único rastro accionable a posteriori.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Responde en JSON.",
    input="Enumera 3 lenguajes de programación populares."
)

print(f"Tokens usados (entrada)  : {response.usage.input_tokens}")
print(f"Tokens usados (salida) : {response.usage.output_tokens}")
print(f"Modelo efectivo      : {response.model}")

El recuento de tokens de entrada revela de inmediato una indicación de sistema que se ha hinchado por adiciones sucesivas, cada una razonable por separado. El recuento de salida pone de manifiesto respuestas excesivamente verbosas que inflan la factura sin aportar valor al usuario. En cuanto al modelo efectivo devuelto por la API, te evita perder una hora buscando la causa de una regresión que en realidad proviene de un ID de modelo mal propagado en tu configuración.

Tareas de acción en el Playground

Abre el Playground y construye la indicación de sistema para un asistente que traduzca jerga técnica a lenguaje sencillo. Somételo a prueba con cinco solicitudes de distinta naturaleza, exporta el código generado y ejecútalo en Python para confirmar que el comportamiento se mantiene al salir de la interfaz. Termina comparando GPT-5.6 Sol y GPT-5.6 Luna con las mismas entradas: la brecha que observes indicará con precisión qué instrucciones deja aún implícitas tu indicación.

Puntos clave

  • El Playground es tu entorno de prototipado rápido
  • Prueba siempre casos límite antes de pasar a producción
  • Exporta el código del Playground a tu aplicación
  • Empieza con el modelo más capaz y luego reduce
  • Los metadatos de respuesta son esenciales para la optimización