Este es el tercer artículo de una serie que documenta cómo construimos una aplicación de aprendizaje de inglés en el navegador con un sistema de conversación económico y escalable. Aquí explico la evolución desde indicaciones estáticas hasta la generación dinámica de personajes basada en base de datos y cómo esto mejora la naturalidad y la variedad de las interacciones.
Resumen del flujo: de indicaciones rígidas a generación dinámica de personajes. Tras transcribir la voz del usuario, el sistema debe producir respuestas contextualizadas que suenen naturales y auténticas. Empezamos con indicaciones codificadas para un MVP y funcionaron bien al inicio. A medida que añadimos más escenarios y quisimos mayor variación de personalidad, migramos a una solución basada en base de datos que escala con el contenido.
El flujo completo de generación de personaje incluye: análisis del escenario para mapear inteligentemente el título a un tipo de personaje, selección del perfil correcto desde la base de datos, construcción dinámica del prompt incluyendo rasgos de personalidad, adaptación al contexto temporal del turno conversacional, y uso de GPT 4 para generar las respuestas que coincidan con el personaje elegido. El tiempo de procesamiento total es de aproximadamente 1 a 2 segundos, variable según la red.
Pila técnica y puntos clave: Base de datos PostgreSQL gestionada con Supabase, ingeniería de prompts con construcción dinámica por capas, modelo de IA GPT 4 con prompts específicos por personaje, implementación en JavaScript con rutas API de Next.js, y manejo de errores enfocado en seguridad de parseo JSON y mecanismos de fallback en la base de datos. Esta arquitectura facilita la integración con servicios cloud y despliegues en AWS o Azure cuando se requiera.
Del prototipo a la escala. Punto de partida: para el MVP usamos una lógica sencilla que asociaba el título del escenario a una indicación fija. Eso permitió resultados rápidos, pero limitaba variación y mantenimiento. La solución basada en base de datos centraliza la definición de personajes y permite editar o añadir perfiles sin tocar el código.
Mapeo inteligente de escenarios. Implementamos una función que determina automáticamente el personaje adecuado a partir del título del escenario. Esa función admite subcategorías como restaurante rápido, restaurante informal o tiendas concretas, y devuelve una clave que usamos para consultar el perfil en la base de datos.
Diseño del esquema de base de datos. El sistema de personajes se organiza en tablas relacionadas que contienen los perfiles, rasgos de personalidad, expresiones locales de uso frecuente y patrones de respuesta por contexto temporal y tipo de situación. Cada perfil enlaza múltiples rasgos y plantillas, lo que permite combinar ejemplos de saludo, transiciones y confirmaciones con reglas sobre longitud y tono de las respuestas.
Servicio de generación de personaje. La función principal consulta el perfil por clave, recoge rasgos y expresiones, selecciona patrones de respuesta según contexto temporal aleatorio o previsto, parsea contenido JSON con controles de error y construye un prompt de sistema completo que se entrega al motor de lenguaje. Si ocurre un error en cualquiera de las consultas, hay retornos seguros que mantienen la conversación funcionando sin romperla.
Construcción dinámica del prompt. El prompt incorpora la descripción del contexto temporal, ejemplos de expresiones para usar, rasgos de personalidad como nivel de formalidad, energía y grado de charla, y directrices de respuesta que varían si el momento es ocupado o tranquilo. Por ejemplo, en contexto ocupado se pide máximo una o dos frases y respuestas concisas; en contexto tranquilo se permite más charla y detalles.
Ejemplo real para entender mejor. Escenario Usuario: ordenar en Tim Hortons. Paso 1: mapeo devuelve la clave tim_hortons. Paso 2: consultas retornan el perfil del empleado, rasgos como informal y alta energía, ejemplos de saludos y confirmaciones, y patrones de respuesta para pedidos. Paso 3: se arma un prompt de sistema que indica contexto ocupado, rasgos y expresiones a usar. Paso 4: el modelo genera una respuesta como: Hola, que le preparo hoy. Observe que la respuesta incorpora saludo casual, formato conciso por contexto ocupado y tono enérgico y amable.
Adaptación por contexto. El mismo personaje genera respuestas distintas dependiendo del tiempo: en un contexto lento la respuesta podría ser más abierta y conversacional, por ejemplo Buenos días, como va su día, en que le puedo ayudar hoy. Esto permite mantener coherencia del personaje y ofrecer experiencias variadas sin crear perfiles separados para cada situación.
Beneficios y robustez. Con todo en la base de datos es muy sencillo añadir o modificar personajes, cambiar expresiones locales o ajustar patrones de respuesta sin desplegar código. Además la arquitectura contempla manejo de errores y valores por defecto para que la conversación siga fluida aun cuando alguna consulta falle.
Aplicaciones prácticas y servicios relacionados. Este enfoque es ideal para desarrollos de productos conversacionales en los que la naturalidad y la personalización importan, como asistentes para formación de idiomas, mostradores virtuales o simuladores de atención al cliente. En Q2BSTUDIO aplicamos estas ideas como parte de nuestra oferta de desarrollo de aplicaciones y software a medida, integrando capacidades de inteligencia artificial y soluciones a la medida del cliente. También combinamos estas piezas con servicios cloud aws y azure y con estrategias de inteligencia de negocio y Power BI para convertir las interacciones en datos accionables.
Casos de uso extendidos. Más allá de la formación en idiomas, esta plataforma soporta agentes IA que representan roles diversos, corrección de errores de idioma integrada en la conversación, y compatibilidad con text to speech en el navegador para cerrar el bucle de audio. Para proyectos que requieren integración estrecha con sistemas empresariales y automatización de procesos, ofrecemos desarrollo de aplicaciones a medida que conectan la experiencia conversacional con procesos backend, análisis y seguridad.
Seguridad y cumplimiento. Diseñamos las consultas y el almacenamiento con prácticas que facilitan auditoría y control de acceso. Cuando se requiere, complementamos con servicios de ciberseguridad y pruebas de penetración para asegurar que los datos y las interacciones estén protegidos.
Palabras clave y posicionamiento. Este artículo incorpora conceptos relevantes para mejorar el posicionamiento relacionados con aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
Qué sigue. En la próxima entrega mostraremos cómo convertimos esas respuestas generadas en voz usando capacidades de texto a voz totalmente ejecutables en el navegador, cerrando el circuito de la conversación audio texto audio y mostrando ejemplos prácticos de implementación.
Si quieres explorar cómo adaptar este enfoque a tu proyecto empresarial, o construir agentes IA y soluciones conversacionales integradas con automatización de procesos, servicios cloud y análisis con Power BI, en Q2BSTUDIO ofrecemos asesoría completa y desarrollo de software a medida para llevar la idea a producción.