Ir al contenido principal
Español— Elegir un idioma
Menú

Ejemplos prácticos del modo JSON

Lección 5 de 12 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Poner en práctica el modo JSON
  2. Extracción de entidades de texto no estructurado
  3. Clasificación de tickets de soporte
  4. Conversión de una descripción en una ficha de producto
  5. Procesamiento de varios elementos en una sola llamada
  6. Puntos clave

Actualizado el 3 de noviembre de 2026: El ejemplo en TypeScript importaba anteriormente Mistral como una exportación por defecto, pero el SDK solo ofrece una exportación con nombre (import { Mistral } from "@mistralai/mistralai"). Además, codificaba la clave de API y forzaba el tipo de content con !, lo cual es insuficiente porque el campo también puede ser una lista de fragmentos. Verificado mediante compilación con el SDK 3.5.0 y TypeScript 7.0.2. Fuente: Mistral TypeScript SDK.

Poner en práctica el modo JSON

Ya sabes cómo activar el modo JSON; veamos ahora ejemplos resueltos. Tres escenarios aparecen constantemente en proyectos reales y cada uno ilustra una forma distinta de aprovechar este modo. El código se proporciona en Python, con sus equivalentes en TypeScript allí donde la traducción no es inmediata.

Extracción de entidades de texto no estructurado

La extracción de entidades es el caso de uso más frecuente y rentable: un correo electrónico de ventas contiene todos los datos de contacto, pero están enterrados entre la firma y los saludos. La instrucción clave en el siguiente ejemplo es la última línea del mensaje de sistema: exigir null para la información faltante evita que el modelo invente un número de teléfono solo para rellenar el campo.

from mistralai.client import Mistral
import json

client = Mistral(api_key="your-api-key")

email_text = """
Hello,
I am Marie Dupont, Sales Director at TechVision SAS.
You can reach me at 06 12 34 56 78 or by email at [email protected].
Our headquarters are at 42 rue de la Paix, 75002 Paris.
Best regards,
Marie
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Extract contact information from the provided text.
Return a JSON with keys: name, title, company, phone, email, address.
If information is missing, use null."""
        },
        {"role": "user", "content": email_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

contact = json.loads(response.choices[0].message.content)
print(f"Name: {contact['name']}")
print(f"Company: {contact['company']}")
print(f"Phone: {contact['phone']}")

Salida esperada:

{
  "name": "Marie Dupont",
  "title": "Sales Director",
  "company": "TechVision SAS",
  "phone": "06 12 34 56 78",
  "email": "[email protected]",
  "address": "42 rue de la Paix, 75002 Paris"
}

Clasificación de tickets de soporte

La clasificación requiere un enfoque distinto: en lugar de dejar que el modelo elija sus propios valores, enumeras los valores permitidos para cada campo directamente en el mensaje. Esto hace que los resultados sean comparables de un ticket a otro y directamente utilizables para el enrutamiento. Observa el cambio a mistral-small-latest: la triaje de tickets no justifica el uso del modelo más potente.

tickets = [
    "My payment was charged twice, I demand an immediate refund!",
    "How can I change my password?",
    "Your app crashes every time I open the settings tab.",
]

for ticket in tickets:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[
            {
                "role": "system",
                "content": """Classify the support ticket.
Return a JSON with:
- category: "billing", "account", "technical", "feature_request", or "other"
- priority: "low", "medium", "high", or "critical"
- sentiment: "positive", "neutral", or "negative"
- summary: one-sentence summary"""
            },
            {"role": "user", "content": ticket}
        ],
        response_format={"type": "json_object"},
        temperature=0
    )

    result = json.loads(response.choices[0].message.content)
    print(f"Category: {result['category']} | Priority: {result['priority']} | Sentiment: {result['sentiment']}")

Aquí tienes el mismo clasificador en TypeScript. La comprobación antes de JSON.parse nos recuerda que el SDK tipa content como opcional y como string | ContentChunk[]: solo una cadena de texto puede analizarse como JSON.

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const ticket = "My payment was charged twice!";

const response = await client.chat.complete({
  model: "mistral-small-latest",
  messages: [
    {
      role: "system",
      content: `Classify the support ticket.
Return a JSON with: category, priority, sentiment, summary.`,
    },
    { role: "user", content: ticket },
  ],
  responseFormat: { type: "json_object" },
  temperature: 0,
});

const contenu = response.choices[0]?.message?.content;
if (typeof contenu !== "string") {
  throw new Error("The response does not contain JSON text.");
}
const result = JSON.parse(contenu);
console.log(`Category: ${result.category}`);
console.log(`Priority: ${result.priority}`);

Conversión de una descripción en una ficha de producto

Tercer escenario: transformar texto de marketing en un registro listo para una base de datos. Este ejercicio es más delicado porque los tipos importan: el precio debe llegar como un número, la duración de la entrega como dos enteros y el envío gratuito como un booleano. De ahí las anotaciones precisas en el mensaje.

product_text = """
The 16-inch MacBook Pro with M4 Pro chip is available starting at €2,799.
It features 24 GB of unified RAM, a 512 GB SSD, and a Liquid Retina XDR display.
Available in Space Black and Silver. Free delivery within 3-5 days.
"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """Convert the product description into a structured sheet.
JSON with: name, brand, price_eur (number), specs (object with ram_gb, storage_gb, screen),
colors (list), delivery_days_min, delivery_days_max, free_shipping (boolean)."""
        },
        {"role": "user", "content": product_text}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

product = json.loads(response.choices[0].message.content)
print(json.dumps(product, indent=2, ensure_ascii=False))

Resultado:

{
  "name": "MacBook Pro 16-inch",
  "brand": "Apple",
  "price_eur": 2799,
  "specs": {
    "ram_gb": 24,
    "storage_gb": 512,
    "screen": "Liquid Retina XDR"
  },
  "colors": ["Space Black", "Silver"],
  "delivery_days_min": 3,
  "delivery_days_max": 5,
  "free_shipping": true
}

Observa que la marca, Apple, no aparece en ningún lugar del texto fuente: el modelo la ha inferido a partir del nombre del producto. Esto es una ventaja para el enriquecimiento de datos, pero un riesgo que debes vigilar si requieres una extracción estrictamente literal.

Procesamiento de varios elementos en una sola llamada

Nada te obliga a hacer una llamada por elemento. Al pedir al modelo una lista bajo una única clave, reduces el número de solicitudes y, por tanto, la latencia acumulada, en tareas breves como el análisis de reseñas. La puntuación solicitada aquí oscila entre -1,0 y 1,0, una convención útil para agregar resultados más adelante.

texts = [
    "Excellent product, I recommend it!",
    "Late delivery, damaged product.",
    "Decent for the price, nothing exceptional."
]

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "system",
            "content": "Analyze the sentiment of each review. Return a JSON with a key 'reviews' containing a list of objects {text, sentiment, score}. The score ranges from -1.0 (very negative) to 1.0 (very positive)."
        },
        {"role": "user", "content": "\n---\n".join(texts)}
    ],
    response_format={"type": "json_object"},
    temperature=0
)

reviews = json.loads(response.choices[0].message.content)["reviews"]
for r in reviews:
    print(f"[{r['score']:+.1f}] {r['sentiment']} — {r['text'][:40]}...")

Un detalle común a todos estos ejemplos merece énfasis: temperature=0 es sistemático aquí. En tareas de extracción y clasificación, la creatividad no aporta nada y cuesta reproducibilidad.

Puntos clave

  • El modo JSON destaca en extracción de datos, clasificación y conversión
  • Usa el mensaje de sistema para definir la estructura y los tipos esperados
  • temperature=0 garantiza resultados reproducibles
  • El procesamiento por lotes en una única solicitud es posible solicitando una lista JSON
  • Analiza siempre la respuesta con json.loads() / JSON.parse() antes de acceder a los datos