Prompts de datos

Actuá como parser estricto.

Texto fuente:
[pegá acá]

Esquema esperado (JSON Schema o Zod):
[pegá acá]

Reglas:
- NO inventes valores.
- Si un campo no está, devolvé null y agregá un warning.
- Devolvé SOLO JSON válido (sin backticks).

Salida:
{
  "data": <objeto conforme a esquema>,
  "warnings": [<strings>]
}

Dataset (tabla o JSON):
[pegá acá]

Objetivo: normalizar para análisis.
Reglas:
- fechas a ISO-8601 (YYYY-MM-DD) si es posible; si no, null + warning
- unidades: convertí a [unidad estándar] (indicar supuestos)
- strings: trim + case consistente
- deduplicación: criterio explícito
Devolvé:
1) datos normalizados
2) lista de supuestos
3) warnings de ambigüedad

CSV de entrada:
[pegá acá]

Quiero mapearlo al siguiente esquema destino:
[describí columnas destino + tipos + reglas]

Hacé:
- definí un plan de mapeo (col A -> col B)
- listá reglas de limpieza por campo
- detectá columnas faltantes y pedime lo mínimo
- devolvé el CSV transformado (con encabezados nuevos)
Si algo es ambiguo: null + warning.

Actuá como analista de datos.

Requerimiento:
[qué quiero medir]

Esquema de tablas:
[pegá tablas + columnas]

Entregá:
1) SQL (con comentarios)
2) supuestos (si falta info)
3) tests rápidos: 3 consultas para validar que no está roto
Regla: si el requerimiento es ambiguo, preguntá hasta 3 aclaraciones antes de escribir el SQL final.

JSON:
[pegá acá]

Reglas de negocio:
[pegá acá]

Tarea:
- verificá cada regla y marcá PASS/FAIL
- para cada FAIL: path exacto (ej: data.items[2].price) + por qué
- proponé corrección mínima (patch)
Salida en Markdown con tabla de resultados + patch JSON (RFC 6902 si aplica).

Texto:
[pegá acá]

Extraé entidades a una tabla con columnas:
- entity_type (persona/empresa/producto/fecha/monto/lugar/otro)
- value
- confidence (0-1)
- evidence (frase exacta)

Reglas:
- evidence debe ser cita literal del texto
- si dudás, confidence < 0.6
Devolvé CSV con encabezados.