Para ello, se ha usado un libro de referencia mundial en metodología (con más de 150,000 citas académicas). Mediante una técnica avanzada llamada Generación Aumentada de Recuperación (RAG), el sistema «lee» y recupera fragmentos específicos de este libro de 600 páginas para responder a tus dudas.

Base de conocimiento

Para garantizar que la información sea precisa, el contenido del libro pasó por un proceso riguroso:

Segmentación inteligente (Chunking): el texto se dividió en fragmentos estratégicos para localizar respuestas rápidamente.

Limpieza de datos: se ha eliminado el ruido informativo para que solo el contenido académico sea usado en la respuesta al usuario.

Generación de Embeddings : se ha utilizado el modelo Text-embedding 3-Large para convertir cada fragmento del libro en un «Embedding», que es como un «mapa de conceptos» que captura el significado profundo y el contexto de las oraciones.

Indexación Semántica : una vez que todo el libro se ha convertido en estos mapas matemáticos (vectores), la información se organiza en un Índice Semántico. Este proceso funciona como un bibliotecario extremadamente eficiente que clasifica los fragmentos no por orden alfabético, sino por su cercanía temática.

El proceso se puede ver la siguiente ilustración:

Proceso detrás de cada pregunta

Traducción de la pregunta: la consulta del usuario se convierte en un vector (un código numérico que captura la intención de la pregunta).

Búsqueda de precisión: el modelo GPT4o mini compara la pregunta con todos los fragmentos de la base de conocimiento y selecciona solo los dos más relevantes (Top K=2).

Filtro de seguridad: solo si la información del libro coincide en más de un 25% con la pregunta, el sistema procede a generar la respuesta; esto evita alucinaciones o respuestas fuera de contexto.

Uso de Promtp

El chatbot no solo conoce la teoría; ha sido entrenado para enseñarla. Siguiendo estándares de Ingeniería de Prompts (Walter, 2024), se ha configurado al modelo GPT-4o mini con instrucciones detalladas aplicando técnicas de Role-Play y Few-Shot, lo que significa que el chatbot sabe exactamente cómo debe actuar y tiene ejemplos claros de cómo explicar conceptos difíciles de forma sencilla, manteniendo siempre un tono académico, riguroso y transparente.

En la ilustración 2 se puede apreciar la arquitectura completa del RED/IAG.

Plataforma y utilidades

Desarrollado en la plataforma Dify, el chatbot ofrece una interfaz amigable que incluye:

Diseño adaptable: es funcional el cualquier tipo de dispositivo: ordenador, móvil, o tablet.

Memoria de conversación: el sistema recuerda el progreso, permitiendo retomar las consultas en cualquier momento.

Multimodalidad: es posible interactuar mediante texto o voz.

Para mayor claridad del funcionamiento de este chatbot recomendamos ver el siguiente video:

Referencia

Walter, Y. (2024). Embracing the future of Artificial Intelligence in the classroom: The relevance of AI literacy, prompt engineering, and critical thinking in modern education. International Journal of Educational Technology in Higher Education, 21(1), 15. https://doi.org/10.1186/s41239-024-00448-3