¿Por qué usar salidas estructuradas?
En esta página
Actualización del modelo, 2 de noviembre de 2026. Mistral Large 3 (
mistral-large-2512) y Mistral Medium 3.5 quedaron obsoletos el 31 de octubre de 2026 y se retirarán el 30 de abril de 2027. Su sucesor designado, Mistral Large 4 (mistral-large-4), está en vista previa pública desde el 6 de octubre. Los ejemplos de este curso utilizan el aliasmistral-large-latest, que aún apunta a Mistral Large 3 según su especificación oficial (verificado el 3 de noviembre de 2026). De igual forma,mistral-medium-latestapunta a Mistral Medium 3.5. Estos alias seguirán siendo válidos hasta el 30 de abril de 2027. Para nuevos proyectos, pruebamistral-large-4, su sucesor designado.
El problema de las salidas de texto libre
Cuando colocas un modelo de lenguaje en medio de una canalización automatizada, te encuentras rápidamente con un problema que rara vez aparece el primer día: su respuesta en texto libre es impredecible. La misma información puede expresarse de decenas de formas distintas, y cada variación obliga a tu código posterior a analizarla de manera diferente. Lo que funciona en una demostración falla en producción, a menudo de forma silenciosa.
Tomemos una tarea cotidiana. Pides a Mistral que extraiga el nombre y el precio de un producto a partir de una descripción comercial. Sin restricciones, el modelo podría responder:
El producto se llama "Widget Pro" y cuesta 49,99 €.
O, para la misma entrada apenas unas horas después:
Nombre: Widget Pro
Precio: 49,99 EUR
Ambas respuestas son correctas para un lector humano. Para tu código, apenas tienen nada en común: el separador decimal ha cambiado de coma a punto, el símbolo de la moneda se ha convertido en un código ISO y la estructura de la oración ha desaparecido. Cada variación requiere una lógica de análisis distinta. En producción, esto deriva en errores silenciosos, canalizaciones rotas y horas de depuración.
JSON: el formato universal para canalizaciones
JSON resuelve este problema imponiendo una estructura legible por máquina. La misma extracción se vuelve inequívoca:
{
"name": "Widget Pro",
"price": 49.99,
"currency": "EUR"
}
El código que consume esta respuesta vuelve a ser sencillo y fiable. En lugar de escribir una expresión regular frágil, escribes dos líneas estables:
import json
data = json.loads(response)
product_name = data["name"]
price = data["price"]
Adiós a las expresiones regulares arriesgadas y al análisis heurístico. JSON es el estándar de facto para la comunicación entre sistemas, lo que lo convierte en la elección natural para las salidas de LLM en contextos profesionales.
Cuándo surge la necesidad
Las salidas estructuradas se vuelven esenciales tan pronto como la respuesta del modelo alimenta algo que no sea una pantalla. La extracción de información es el ejemplo más directo: obtener entidades (nombres, fechas, importes) de documentos no estructurados solo es útil si el resultado se introduce directamente en un sistema. La clasificación sigue la misma lógica: categorizar tickets de soporte, correos electrónicos o reseñas de clientes exige que la etiqueta y su puntuación de confianza lleguen en campos predecibles, no enterrados en una frase.
La transformación de datos lleva esto un paso más allá al convertir texto libre en registros estructurados destinados a una base de datos. Los agentes y las cadenas de llamadas dependen igualmente de esto: un agente solo puede orquestar un flujo de trabajo si devuelve una acción estructurada, con el nombre de la herramienta y sus parámetros en claves estables. Por último, un LLM actúa a veces como capa intermediaria frente a una API REST que espera una carga útil específica; en este caso, el formato no es una conveniencia, es un contrato.
El coste de las salidas mal formadas
En producción, la fiabilidad no es opcional, y una salida mal formada te cuesta de tres formas. Un JSON sintácticamente inválido hace que tu aplicación falle durante el análisis; es el escenario más visible pero, paradójicamente, el menos peligroso. Los campos faltantes corrompen tus datos en silencio: el registro pasa, pero está incompleto, y el problema no sale a la luz hasta semanas después. Los tipos no coincidentes (una cadena "42" donde esperabas el número 42) provocan comportamientos inesperados en los cálculos posteriores sin llegar a lanzar ninguna excepción.
Las salidas estructuradas de Mistral abordan estos tres retos con dos mecanismos complementarios. El modo JSON garantiza una salida JSON válida sin imponer un esquema: lo activas con un parámetro y guías el formato mediante el prompt. Las salidas estructuradas personalizadas van más allá al imponer un esquema preciso, descrito mediante Pydantic en Python o Zod en TypeScript.
Este curso te guía a través de ambos enfoques. Aprenderás a elegir el adecuado para tu caso de uso, a escribir el código correspondiente en ambos lenguajes y a gestionar los casos de error con patrones que resisten en producción.
Puntos clave
- Las salidas de texto libre son impredecibles y no aptas para canalizaciones automatizadas
- JSON es el formato estándar para la comunicación entre máquinas
- Mistral ofrece dos mecanismos para salidas estructuradas: modo JSON y salidas estructuradas personalizadas
- La fiabilidad de la salida es crítica en producción; las salidas estructuradas son una inversión, no un lujo