Cómo usar GPT-6

Introducción

GPT-5.5 mejora el rendimiento de base en flujos de trabajo complejos en producción. Es una buena opción para tareas de programación, agentes que hacen un uso intensivo de herramientas, asistentes que fundamentan sus respuestas en fuentes, recuperación de información en contextos extensos, flujos que convierten especificaciones de producto en planes y flujos de cara al cliente en los que importan tanto la calidad de la ejecución como el cuidado en la redacción de las respuestas.

Para aprovechar al máximo GPT-5.5, ajusta tu aplicación como lo harías para una nueva familia de modelos, en lugar de tratarlo como un reemplazo directo de gpt-5.2 o gpt-5.4. Inicia la migración con una nueva configuración de referencia, sin trasladar todas las instrucciones de tus prompts anteriores. Empieza con el prompt más breve que respete el contrato del producto. Luego, usa ejemplos representativos para ajustar el esfuerzo de razonamiento, el nivel de detalle, las descripciones de las herramientas y el formato de salida.

GPT-5.5 admite todas las funciones de la API que ya estaban disponibles con GPT-5.4, como el almacenamiento en caché de prompts, las herramientas alojadas, la búsqueda de herramientas, la compactación y el manejo de phase al reenviar manualmente elementos del asistente.

Consulta las prácticas recomendadas para escribir prompts para ver ejemplos de patrones que dan buenos resultados.

Novedades

• Razonamiento más eficiente: GPT-5.5 obtiene buenos resultados con menos tokens de razonamiento que los modelos anteriores, incluso con el mismo esfuerzo de razonamiento. Esto es especialmente útil en flujos de trabajo complejos, con uso intensivo de herramientas o de varios pasos, donde el ahorro de tokens se acumula.
• Mejor ejecución de tareas con prompts centrados en el resultado: GPT-5.5 ha mejorado su capacidad para trabajar a partir de un objetivo claro, respetar las restricciones y convertir lo que se busca lograr con el producto en pasos concretos. Describe el resultado esperado, los criterios de éxito, los efectos secundarios permitidos, las reglas sobre el uso de evidencia y la estructura de la salida. Evita indicar el proceso paso a paso, salvo que importe seguir un procedimiento específico.
• Uso más eficaz y preciso de las herramientas: GPT-5.5 es especialmente útil cuando hay muchas herramientas disponibles, en flujos de servicio de varios pasos y en tareas de larga duración a cargo de agentes. Suele ser más preciso al seleccionar herramientas y usar sus argumentos.
• Tono más cuidado, aunque a veces más directo: GPT-5.5 suele generar respuestas más cálidas y fáciles de leer con menos instrucciones en el prompt.

Cambios de comportamiento

1. El esfuerzo de razonamiento predeterminado ahora es medium: GPT-5.5 usa medium como esfuerzo de razonamiento predeterminado. Toma medium como punto de partida recomendado para equilibrar calidad, confiabilidad, latencia y costo. En flujos sensibles a la latencia, evalúa low antes que none si sigue siendo importante usar herramientas, planificar, buscar o tomar decisiones en varios pasos. Reserva none para tareas en las que la latencia sea crítica y que no requieran razonamiento ni varias llamadas encadenadas a herramientas, como intervenciones breves por voz, recuperación rápida de información y clasificación. Aumenta el esfuerzo a high o xhigh solo cuando las evaluaciones muestren una mejora medible en la calidad que justifique la latencia y el costo adicionales. Consulta la documentación sobre modelos de razonamiento para conocer más detalles sobre la configuración recomendada.

   Un mayor esfuerzo de razonamiento no siempre da mejores resultados. Si la tarea tiene instrucciones contradictorias, criterios poco claros para detenerse o acceso a herramientas sin límites definidos, un mayor esfuerzo puede hacer que el modelo analice la tarea en exceso, realice búsquedas innecesarias o genere resultados de menor calidad. Aumenta el esfuerzo solo cuando las evaluaciones muestren una mejora medible en la calidad.

2. Las imágenes de entrada conservan más detalle visual de forma predeterminada: GPT-5.5 cambia la forma predeterminada de procesar las imágenes de entrada para conservar más detalle visual y mejorar el rendimiento en el uso de la computadora. Si image_detail no está definido o tiene el valor auto, el modelo ahora aplica el comportamiento de original y conserva las imágenes sin cambiar su tamaño hasta un límite de 10 240 000 píxeles en total o de 6000 píxeles por dimensión. Para usar high, especifica el valor directamente. Esta opción conserva las imágenes sin cambiar su tamaño hasta un límite de 2 500 000 píxeles en total o de 2048 píxeles por dimensión. La opción low ahora prioriza el uso eficiente del contexto y reduce más que los modelos anteriores el tamaño de las imágenes que superan los 512 píxeles en alguna dimensión. Consulta la documentación sobre imágenes y visión.

3. Mayor fidelidad a las instrucciones: GPT-5.5 interpreta los prompts de forma literal y minuciosa, lo que permite dar instrucciones específicas y descriptivas cuando el producto lo requiere. Define criterios de éxito y reglas para detenerse, especialmente en flujos de larga duración, con uso intensivo de herramientas o que requieren recopilar evidencia. Consulta Cómo escribir prompts centrados en el resultado y Cómo elegir el nivel de detalle adecuado.

4. Estilo predeterminado más conciso y directo: de forma predeterminada, GPT-5.5 suele responder de manera eficiente y directa, sin perder de vista la tarea. Esto resulta útil en muchos flujos de producción, pero las experiencias conversacionales o de atención al cliente pueden requerir indicaciones explícitas sobre la personalidad, la calidez, la justificación de las respuestas y el formato. Elige text.verbosity según tus necesidades. El valor predeterminado es medium, y low suele ser un mejor punto de partida para obtener respuestas concisas. Consulta las prácticas recomendadas para escribir prompts.

5. Los flujos de programación requieren una orquestación más rigurosa: GPT-5.5 está mejor preparado para tareas de programación complejas que requieren planificación, uso de herramientas, exploración de la base de código, verificación y ejecución en varios pasos. Para los agentes de programación, especifica qué deben reutilizar, qué pueden delegar a subagentes, qué pruebas deben realizar, cuáles son los criterios de aceptación y cuándo deben continuar o pedir ayuda.

Guía rápida de migración

Migración automatizada con Codex

Codex puede aplicar los cambios recomendados en esta guía con la habilidad OpenAI Docs.

$openai-docs migra este proyecto a gpt-5.5

Para usar esta habilidad en otros agentes de programación, descárgala del repositorio de habilidades de OpenAI.

Parámetros de la API y del modelo

• Cambia el slug del modelo a gpt-5.5.
• Usa la API Responses en cualquier caso de uso que requiera razonamiento, llamadas a herramientas o varios turnos.
• Ajusta reasoning.effort. Usa low para un razonamiento eficiente, medium para equilibrar latencia y rendimiento, high para tareas complejas de agentes que exijan razonamiento avanzado y en las que la latencia importe menos, y xhigh para las tareas asíncronas de agentes más difíciles o las evaluaciones que ponen a prueba los límites de la inteligencia del modelo. Consulta la documentación sobre modelos de razonamiento.
• Para obtener respuestas más concisas, establece text.verbosity en low. Con GPT-5.5, las respuestas serán proporcionalmente más concisas que con el nivel de detalle low de GPT-5.4.
• En flujos de trabajo con uso intensivo de herramientas o de larga duración, verifica que tu aplicación maneje correctamente phase, los preámbulos y el reenvío de elementos del asistente.
• Compara su precisión, consumo de tokens y latencia de extremo a extremo con los de otros modelos.

Diseño de prompts

• Indica el resultado esperado y los criterios de éxito.
• Reduce o elimina las instrucciones detalladas que describen el proceso paso a paso. Deja que GPT-5.5 elija cómo proceder, salvo que el producto exija un procedimiento específico.
• Siempre que sea posible, elimina las definiciones del esquema de salida del prompt. Usa resultados estructurados en su lugar.
• Optimiza tu prompt para el almacenamiento en caché: coloca primero las partes estáticas y al final las dinámicas.
• Omite la fecha actual. El modelo ya conoce la fecha actual en UTC.
• Revisa y optimiza tus prompts con las prácticas recomendadas para escribir prompts.

Uso de modelos de razonamiento

Estas pautas se aplican a los modelos de la serie GPT-5 y conviene repasarlas cada vez que un equipo migra sus cargas de trabajo a modelos de razonamiento. GPT-5.5 conserva muchas capacidades que aparecieron por primera vez en modelos anteriores. Vale la pena revisarlas si migras desde un modelo GPT-5 anterior, GPT-4.1 o un modelo de razonamiento como o3.

Es fácil pasar por alto estas funciones porque algunas se controlan desde la configuración de la API y la orquestación, fuera del propio prompt. En conjunto, la API Responses, los controles de razonamiento, el nivel de detalle, los resultados estructurados, el almacenamiento en caché de prompts, el diseño de herramientas, las herramientas alojadas y la gestión del estado permiten aprovechar al máximo la inteligencia y la confiabilidad de los modelos de razonamiento y optimizar su latencia y costo.

• API Responses: GPT-5.5 funciona mejor con la API Responses. Usa previous_response_id para gestionar el estado en conversaciones de varios turnos. En flujos sin estado o con retención cero de datos, vuelve a enviar en cada turno los elementos pertinentes que recibiste en la salida. Consulta Cómo pasar el contexto de la respuesta anterior para obtener más detalles.
• Esfuerzo de razonamiento: usa reasoning.effort para elegir entre low, medium, high o xhigh. El valor predeterminado es medium, pero muchas cargas de trabajo funcionan bien con low. Reserva none para casos en los que una latencia baja sea más importante que la inteligencia. Consulta Modelos de razonamiento para ver recomendaciones detalladas.
• Nivel de detalle: usa text.verbosity para controlar la extensión de la salida. Trata la extensión de la respuesta final y la calidad del razonamiento por separado. Cuando sea necesario, especifica un límite de palabras, la cantidad de secciones, el ancho de las tablas o que la salida incluya únicamente JSON.
• Resultados estructurados: evita describir el esquema de salida esperado en el prompt. Usa resultados estructurados para validar la salida automáticamente y mejorar la precisión.
• Almacenamiento en caché de prompts: el almacenamiento en caché de prompts funciona automáticamente con los prompts largos que cumplen los requisitos y puede reducir la latencia y el costo de los tokens de entrada. Para maximizar los aciertos de caché, coloca el contenido estable al comienzo de la solicitud. Deja el contexto dinámico específico del usuario cerca del final. Monitorea usage.prompt_tokens_details.cached_tokens para medir la reutilización. Usa un valor estable de prompt_cache_key para las solicitudes que compartan un prefijo reutilizable. La clave ayuda a dirigir solicitudes relacionadas a la misma caché y es importante para optimizar la tasa de aciertos de caché en GPT-5.5. Para grupos con mucho tráfico, sigue las pautas para distribuir el tráfico entre más claves.
• Llamadas a herramientas: GPT-5.5 admite los mismos patrones de llamadas a herramientas que GPT-5.4, incluidas las herramientas de función y los flujos de agentes con uso intensivo de herramientas. Incluye la mayoría de las indicaciones específicas de cada herramienta en su propia descripción: qué hace, cuándo usarla, qué entradas requiere, qué efectos secundarios tiene, si es seguro reintentar una llamada y de qué formas suele fallar. Agrega contexto específico de una herramienta a las instrucciones del sistema solo si se aplica a varias herramientas o cambia de manera significativa las reglas de operación del agente.
• Herramientas alojadas y búsqueda de herramientas: da preferencia a las herramientas alojadas por OpenAI que se ajusten al flujo de trabajo, como la búsqueda web, la búsqueda de archivos, el intérprete de código, la generación de imágenes y el uso de la computadora. Las herramientas alojadas reducen el trabajo de orquestación personalizada y mantienen los patrones habituales de uso de herramientas en consonancia con la API Responses y el SDK de agentes. Usa herramientas de función personalizadas cuando necesites llamar a tus propios sistemas, garantizar efectos secundarios específicos de tu dominio o dar acceso a flujos de trabajo internos de tu organización. Si tienes un catálogo de herramientas amplio, considera usar la búsqueda de herramientas para posponer la carga de sus definiciones y cargar solo las pertinentes.
• Preámbulos de las llamadas a herramientas: los preámbulos pueden mejorar la experiencia de chat porque el usuario recibe una primera actualización útil antes de que el modelo genere la respuesta final. También facilitan el seguimiento del uso de herramientas: el modelo puede indicar qué va a comprobar o hacer y, cuando lleguen los resultados de las herramientas, continuar desde el mismo estado del asistente.
• Manejo de phase: si tu aplicación gestiona manualmente el estado de Responses reenviando los elementos de salida en cada turno en lugar de usar previous_response_id, conserva el parámetro phase de los elementos de salida que devuelve el asistente y reenvíalo sin cambios. Esto es especialmente importante cuando usas esfuerzo de razonamiento, preámbulos o llamadas repetidas a herramientas. Consulta Parámetro de fase.
• Compactación: para los agentes de larga duración, usa la compactación de la conversación o del estado de forma deliberada. Conserva las acciones completadas, los supuestos vigentes, los identificadores, los resultados de las herramientas, los impedimentos pendientes y el siguiente objetivo concreto.
• SDK de agentes: para sistemas de agentes nuevos, usa los patrones más recientes del SDK de agentes para orquestar herramientas, rastrear la ejecución, transferir tareas entre agentes y gestionar el estado, en lugar de volver a implementar la orquestación desde cero.
• Fecha actual: GPT-5.5 conoce la fecha actual en UTC. No necesitas agregarla a las instrucciones del sistema. Incluye una fecha o zona horaria explícita solo si la aplicación necesita la zona horaria de la empresa, la fecha de entrada en vigor de una política, la fecha local del usuario u otra referencia distinta de UTC.

Prácticas recomendadas para escribir prompts

GPT-5.5 funciona mejor cuando el prompt define el resultado y deja que el modelo elija una forma eficiente de alcanzarlo. En comparación con los modelos anteriores, a menudo puedes usar prompts más breves y centrados en el resultado. Describe qué características debe tener un buen resultado, qué restricciones importan, de qué evidencia dispone el modelo y qué debe contener la respuesta final.

Evita trasladar todas las instrucciones de tus prompts anteriores. Muchos prompts antiguos especifican el proceso con demasiado detalle porque los modelos anteriores necesitaban más ayuda para mantenerse enfocados en la tarea. Con GPT-5.5, ese exceso de detalle puede distraer al modelo, limitar las soluciones que considera o generar respuestas demasiado mecánicas.

Usa los siguientes patrones como punto de partida. Adáptalos a la interfaz de tu producto, tus herramientas, tus evaluaciones y la experiencia que buscas ofrecer al usuario.

Personalidad y comportamiento

El estilo predeterminado de GPT-5.5 es eficiente, directo y centrado en la tarea. Esto resulta útil para los sistemas en producción: las respuestas se mantienen enfocadas, es más fácil orientar el comportamiento del modelo y se evita el texto de relleno en la conversación.

En asistentes de atención al cliente, flujos de soporte, experiencias de acompañamiento y otros productos conversacionales, define tanto la personalidad como el estilo de colaboración.

• La personalidad determina cómo se expresa el asistente: su tono, calidez, franqueza, formalidad, humor, empatía y cuidado al redactar.
• El estilo de colaboración determina cómo trabaja el asistente: cuándo hace preguntas o suposiciones, cuánta iniciativa debe tomar, cuánto contexto ofrece, cuándo revisa su trabajo y cómo maneja la incertidumbre o el riesgo.

Sé breve en ambos casos. Las instrucciones sobre personalidad deben orientar la experiencia del usuario. Las de colaboración deben orientar la forma de ejecutar la tarea. Ninguna sustituye los objetivos claros, los criterios de éxito, las reglas de uso de herramientas ni las condiciones para detenerse.

Ejemplo de instrucciones de personalidad para un asistente ecuánime y centrado en la tarea:

# Personalidad
Eres un colaborador competente, accesible, sereno y directo. Da por hecho que el usuario sabe lo que hace y actúa de buena fe. Responde con paciencia y respeto, y ofrece ayuda práctica.

Si la solicitud ya es lo bastante clara como para empezar, procura avanzar antes de detenerte a pedir aclaraciones. Apóyate en el contexto y en supuestos razonables. Pide una aclaración solo si el dato que falta cambiaría sustancialmente la respuesta o si proceder sin él supondría un riesgo considerable. Pregunta solo por lo que necesites saber.

Sé breve sin sonar cortante. Da el contexto suficiente para que el usuario entienda la respuesta y pueda confiar en ella. Detente ahí. Usa ejemplos, comparaciones o analogías sencillas cuando faciliten la comprensión. Si corriges al usuario o discrepas, sé franco y constructivo. Si te señalan un error, reconócelo con claridad y concéntrate en corregirlo.

Adapta tu tono al del usuario sin perder la profesionalidad. Por defecto, evita los emojis y las groserías, salvo que el usuario pida expresamente ese estilo o haya dejado claro que es apropiado para la conversación.

Ejemplo de instrucciones de personalidad para un asistente expresivo y colaborativo:

# Personalidad
Dale vida a la conversación: demuestra inteligencia y curiosidad, usa un tono juguetón cuando corresponda y presta atención a cómo razona el usuario. Si el problema todavía no está claro, haz preguntas que ayuden a precisarlo. Cuando tengas suficiente contexto, actúa con decisión.

Sé cálido y colaborativo, y cuida la forma de expresarte. Busca una conversación natural y animada, sin hablar de más. Ofrece un punto de vista propio en lugar de limitarte a repetir lo que dice el usuario. Ten presentes sus objetivos y restricciones.

Si la tarea requiere sintetizar información o dar consejos, reflexiona y fundamenta tu respuesta. Cuando tengas suficiente contexto, formula una recomendación clara, explica las ventajas y desventajas importantes e indica qué aspectos son inciertos sin dar respuestas evasivas.

Para productos más expresivos, indica explícitamente que quieres calidez, curiosidad, humor o un punto de vista propio, pero mantén breves las instrucciones. Usa la personalidad para definir la experiencia. Si los objetivos son poco claros o faltan instrucciones sobre la tarea, aborda esas cuestiones directamente.

Reducir el tiempo hasta el primer token visible con un preámbulo

En aplicaciones que transmiten la respuesta de forma incremental, los usuarios perciben cuánto tarda en aparecer el primer texto visible. GPT-5.5 puede dedicar tiempo a razonar, planificar o preparar llamadas a herramientas antes de emitir texto visible.

En tareas largas o con uso intensivo de herramientas, pídele al modelo que empiece con un preámbulo breve: un mensaje visible que confirme que recibió la solicitud e indique el primer paso. Esto puede hacer que el usuario perciba una respuesta más rápida sin cambiar la tarea en sí.

Usa este patrón cuando la tarea pueda requerir más de un paso, llamadas a herramientas o un flujo de trabajo de larga duración a cargo de un agente.

Antes de la primera llamada a una herramienta en una tarea de varios pasos, envía al usuario un mensaje breve en el que confirmes que recibiste su solicitud e indiques el primer paso. Usa una o dos oraciones.

Para los agentes de programación que distinguen distintas fases en los mensajes, puedes dar una instrucción más explícita:

Si la tarea requiere llamar a herramientas, empieza siempre con un mensaje de avance antes de emitir contenido en el canal de análisis. En ese mensaje al usuario, confirma que recibiste la solicitud y explica tu primer paso.

Prompts centrados en el resultado y condiciones para detenerse

GPT-5.5 da sus mejores resultados cuando el prompt define el resultado esperado, los criterios de éxito, las restricciones y el contexto disponible, y luego deja que el modelo elija cómo proceder.

Para muchas tareas, basta con describir el objetivo sin detallar cada paso. Así, el modelo puede elegir la búsqueda, la herramienta o la estrategia de razonamiento adecuada para la tarea.

Es preferible dar una instrucción como esta:

Resuelve el problema del cliente de principio a fin.

Para dar el problema por resuelto:
- Determina si el cliente cumple los requisitos según la política y los datos de la cuenta que tengas disponibles.
- Antes de responder, completa las acciones que correspondan y que tengas permiso para realizar.
- Incluye completed_actions, customer_message y blockers en la respuesta final.
- Si falta evidencia, pide solo el dato mínimo que necesites para avanzar.

Evita las reglas absolutas innecesarias. Los prompts antiguos suelen usar instrucciones estrictas como ALWAYS, NEVER, must y only para controlar el comportamiento del modelo. Reserva esas palabras para reglas que se cumplan sin excepción, como las normas de seguridad, los campos obligatorios de la salida o las acciones que nunca deben realizarse. En situaciones que exigen criterio, como decidir cuándo buscar, pedir una aclaración, usar una herramienta o seguir iterando, es preferible definir reglas para tomar la decisión.

Evita este estilo de instrucción a menos que todos los pasos sean realmente obligatorios:

Primero inspecciona A, luego inspecciona B, luego compara todos los campos, luego considera
todas las excepciones posibles, luego decide a qué herramienta llamar, luego llama a la herramienta
y luego explícale todo el proceso al usuario.

Agrega condiciones explícitas para detenerse:

Resuelve la consulta del usuario con el menor número posible de rondas útiles de llamadas a herramientas. Da prioridad a la exactitud, a consultar la evidencia alternativa disponible, a realizar los cálculos necesarios y a incluir las etiquetas de cita obligatorias para las afirmaciones de hecho, aunque esto requiera más rondas.

Después de cada resultado, pregúntate: “¿Ya puedo responder a la solicitud principal del usuario con evidencia útil y citas que respalden las afirmaciones de hecho?”. Si es así, responde.

Define qué debe hacer el modelo cuando falta evidencia:

Usa solo la evidencia necesaria para responder correctamente, cítala con precisión y detente.

Formato

GPT-5.5 permite controlar con precisión el formato y la estructura de la salida. Aprovecha ese control cuando facilite la comprensión o ayude a ajustar la respuesta a las necesidades del producto.

Configura text.verbosity, describe la estructura esperada de la salida y reserva los formatos más elaborados para los casos en que faciliten la comprensión o en que la interfaz del producto necesite un entregable con una estructura estable. El valor predeterminado de text.verbosity en la API es medium. Usa low si prefieres respuestas más breves y concisas.

Formato sencillo para conversaciones:

Usa el formato para facilitar la comprensión. En conversaciones habituales, explicaciones, informes, documentación y textos técnicos, usa párrafos sencillos como formato predeterminado. Cuida que la presentación sea limpia y legible, sin que la estructura le quite protagonismo al contenido.

Usa títulos, negritas, viñetas y listas numeradas con moderación. Úsalos cuando el usuario los pida, cuando necesites comparar u ordenar elementos con claridad o cuando sea difícil localizar la información en párrafos. En los demás casos, prefiere párrafos cortos y transiciones naturales.

Respeta las preferencias de formato del usuario. Si pide una respuesta muy breve, un formato mínimo, un texto sin viñetas o sin títulos, o una estructura específica, sigue su preferencia salvo que haya un motivo de peso para hacer una excepción.

Especifica el público y la extensión:

Escribe para un público de altos directivos. Responde en menos de 400 palabras. Usa párrafos breves y agrega viñetas solo cuando ayuden a localizar la información de un vistazo. Presenta primero la conclusión, después el razonamiento y por último las salvedades.

Para tareas de edición, reescritura, resumen o redacción de mensajes para clientes, indica al modelo qué debe conservar antes de pedirle que mejore el estilo. Este patrón sirve para pulir el texto sin ampliarlo.

Da prioridad a conservar el entregable solicitado, su extensión, su estructura y su género. Mejora la claridad, la fluidez y la corrección sin comentar esos ajustes. No agregues afirmaciones ni secciones, ni adoptes un tono más promocional, salvo que se te pida expresamente.

Anclaje, citas y límites de recuperación de información

Para obtener respuestas fundamentadas, el prompt debe indicar cómo citar las fuentes. Define qué afirmaciones requieren respaldo, qué evidencia es suficiente y cómo debe proceder el modelo cuando falte evidencia. La ausencia de evidencia no debería convertirse automáticamente en un “no” categórico. Para obtener más detalles y ejemplos, consulta la guía de formato de citas.

Definir un límite explícito para la recuperación de información

Los límites de recuperación de información establecen cuándo detener una búsqueda. Le indican al modelo en qué momento ya cuenta con evidencia suficiente.

Para responder preguntas habituales, empieza con una sola búsqueda amplia. Usa palabras clave breves que permitan distinguir los resultados pertinentes. Si los primeros resultados contienen suficiente evidencia que puedas citar para responder a la solicitud principal, basa tu respuesta en ellos sin volver a buscar.

Haz otra consulta solo en los siguientes casos:
- Los primeros resultados no responden a la pregunta principal.
- Falta un dato, un parámetro, el nombre de un responsable, una fecha, un identificador o una fuente que necesitas para responder.
- El usuario pidió una revisión exhaustiva, una comparación o una lista completa.
- Debes consultar un documento, una URL, un correo electrónico, el contenido de una reunión, un registro o un elemento de código específico.
- De otro modo, la respuesta incluiría una afirmación de hecho importante sin respaldo.

No vuelvas a buscar solo para pulir la redacción, agregar ejemplos, citar detalles prescindibles o justificar una frase que puedas expresar en términos más generales sin perder rigor.

Límites para la redacción creativa

Para tareas de redacción, indica al modelo qué afirmaciones deben basarse en fuentes y qué partes puede redactar con libertad creativa. Esto es especialmente importante en diapositivas, textos de lanzamiento, resúmenes para clientes, guiones para presentaciones, mensajes breves de la dirección y textos que definen el enfoque de una narración.

En solicitudes creativas o de generación de contenido, como diapositivas, mensajes breves de la dirección, textos para comunicaciones externas, resúmenes para compartir, guiones para presentaciones o propuestas de enfoque narrativo, distingue los hechos respaldados por fuentes de las decisiones creativas de redacción.

- Basa las afirmaciones concretas sobre el producto, los clientes, las métricas, la hoja de ruta, las fechas, las capacidades y la competencia en datos que hayas obtenido o que te hayan proporcionado. Cita las fuentes de esas afirmaciones.
- No inventes nombres específicos, afirmaciones sobre datos propios, métricas, avances en la hoja de ruta, resultados de clientes ni capacidades del producto para que el borrador suene más convincente.
- Si tienes poco o ningún respaldo que puedas citar, redacta un borrador general que resulte útil. Usa marcadores de posición o identifica claramente los supuestos en lugar de presentar detalles sin respaldo.

Desarrollo frontend y criterio visual

Para el desarrollo frontend, consulta las instrucciones de ejemplo, que muestran formas prácticas de orientar al modelo para obtener interfaces de calidad. Abarcan el contexto del producto y de los usuarios, la coherencia con el sistema de diseño, la usabilidad de la primera pantalla, los controles familiares, los estados esperados y la adaptación a distintos tamaños de pantalla. También describen patrones habituales que conviene evitar en las interfaces generadas, como secciones de portada genéricas, tarjetas anidadas, degradados decorativos, instrucciones visibles y diseños que se desajustan.

Pedir al modelo que verifique su trabajo

Dale a GPT-5.5 acceso a herramientas con las que pueda comprobar los resultados cuando sea posible validarlos.

Para los agentes de programación, pide comandos de validación concretos:

Después de hacer cambios, ejecuta las comprobaciones disponibles que sean más pertinentes:
- pruebas unitarias centradas en el comportamiento que cambió
- comprobaciones de tipos o análisis con un linter, cuando corresponda
- comprobaciones de compilación de los paquetes afectados
- una prueba básica de funcionamiento si el costo de la validación completa es demasiado alto

Si no puedes ejecutar la validación, explica por qué y describe la mejor comprobación alternativa.

Para entregables visuales, pide una revisión después de renderizarlos:

Renderiza el entregable antes de darlo por terminado. Revisa la distribución de los elementos, los recortes, el espaciado y la coherencia visual del resultado. Comprueba si falta contenido. Haz los ajustes necesarios hasta que el resultado renderizado cumpla los requisitos.

Para tareas de ingeniería y planificación, pide planes de implementación que permitan rastrear cómo se cumple cada requisito:

En los planes de implementación, incluye:
- los requisitos y dónde se atiende cada uno
- los nombres de los recursos, archivos, API o sistemas que intervienen
- las transiciones de estado o el flujo de datos, cuando corresponda
- los comandos o las comprobaciones de validación
- el comportamiento en caso de falla
- las consideraciones de privacidad y seguridad
- las preguntas pendientes cuya respuesta afecte de manera significativa la implementación

Parámetro de fase

A partir de GPT-5.4, los flujos de Responses de larga duración o con uso intensivo de herramientas pueden usar los valores de phase de los elementos del asistente para distinguir las actualizaciones intermedias de las respuestas finales. GPT-5.5 usa el mismo patrón.

Si usas previous_response_id, la API conserva automáticamente el estado anterior del asistente. Si tu aplicación reenvía manualmente los elementos de salida del asistente en la siguiente solicitud, conserva el valor original de phase de cada elemento y reenvíalo sin cambios. Esto es especialmente importante cuando una respuesta incluye preámbulos, llamadas repetidas a herramientas o una respuesta final después de actualizaciones intermedias del asistente.

Si reenvías manualmente los elementos del asistente:
- Conserva exactamente los valores de `phase` del asistente.
- Usa `phase: "commentary"` para los mensajes intermedios de avance que ve el usuario.
- Usa `phase: "final_answer"` para la respuesta final una vez completada la tarea.
- No agregues `phase` a los mensajes del usuario.

Estructura sugerida para un prompt

Usa esta estructura como punto de partida para prompts complejos. Mantén cada sección breve. Agrega detalles solo cuando cambien el comportamiento del modelo.

Rol: [1-2 oraciones que definan la función del modelo, su contexto y su tarea]

# Personalidad
[tono, actitud y estilo de colaboración]

# Objetivo
[resultado visible para el usuario]

# Criterios de éxito
[condiciones que deben cumplirse antes de dar la respuesta final]

# Restricciones
[límites relativos a las políticas, la seguridad, el negocio, la evidencia y los efectos secundarios]

# Salida
[secciones, extensión y tono]

# Reglas para detenerse
[cuándo reintentar, recurrir a una alternativa, abstenerse, preguntar o detenerse]