Diseñar un asistente virtual útil empieza por enseñarle a pensar. Si trabajas con modelos GPT en Azure OpenAI y quieres que respondan según un flujo definido, el truco está en construir un prompt que descomponga la tarea en pasos claros y guíe la conversación hasta el resultado esperado.

El ejemplo de esta práctica es un asistente para gestionar PQR (peticiones, quejas y reclamos) en una empresa de servicios de internet. La meta: que el bot identifique al cliente, recoja los datos del problema y genere el correo que abre el ticket.

¿Cómo se estructura un prompt para que GPT siga un flujo conversacional?

La clave está en pensar el prompt como un manual de instrucciones, no como una orden suelta. Antes de escribir una sola línea de código, conviene mapear qué tareas debe resolver el modelo y en qué orden.

En el escenario del proveedor de internet, el flujo se descompone en cuatro pasos secuenciales [01:48]:

• Identificar al cliente dueño del servicio.
• Solicitar la dirección asociada al servicio.
• Preguntar la causa o descripción del problema.
• Generar un correo electrónico que notifique la apertura del PQR.

Esa secuencia se entrega al modelo como contexto del sistema, lo que en la API de chat se conoce como el rol system. Ahí defines la personalidad, el alcance y las reglas del asistente.

¿Qué es el contexto en un prompt de GPT? Es el bloque de instrucciones que le das al modelo antes de la conversación, donde describes su rol, los pasos que debe seguir y el resultado esperado. Funciona como su guion base.

¿Por qué probar el prompt primero en un notebook de Jupyter?

Antes de desplegar el chatbot en producción, vale la pena iterar en un entorno controlado. Un notebook de Jupyter te permite ajustar el prompt, ver la respuesta y volver a probar sin fricción [00:46].

El setup típico guarda los datos sensibles como variables de entorno: el endpoint, el API key, la versión de la API y el nombre del modelo desplegado. Con eso aislas credenciales del código y puedes compartir el notebook sin filtrar secretos.

A partir de ahí defines un par de funciones utilitarias para enviar el prompt y recibir la respuesta del modelo, reutilizando el patrón que ya viste al consumir el SDK y la API REST de Azure OpenAI.

¿Cómo se mantiene la memoria de la conversación?

Los modelos GPT no recuerdan turnos anteriores por sí solos. Tú eres responsable de enviar el historial completo en cada llamada. Esto se hace concatenando los mensajes con sus roles: system, user y assistant.

En el ejemplo, cada vez que el cliente responde algo nuevo, ese mensaje se agrega a la lista y se envía toda la conversación al modelo. Así el asistente sabe que ya tiene el nombre y debe pedir la dirección, luego la causa, y finalmente cerrar con el correo.

¿Cómo se ve el flujo paso a paso con el cliente?

La interacción simulada en el notebook deja claro el valor de descomponer la tarea. El asistente abre con un saludo y pide el nombre [03:46]. Cuando el usuario responde con su nombre y menciona que tiene problemas con internet, el bot no se adelanta: pregunta primero la dirección del servicio, tal como se definió en el contexto [04:18].

Después pregunta por la descripción del problema. Ante una respuesta como el router está apagado y no enciende, el modelo cierra el flujo generando el correo [04:50]:

• Asunto: solicitud del servicio de internet, problema con el router.
• Saludo al equipo de soporte técnico.
• Resumen de la conversación con el cliente.
• Dirección reportada y descripción del daño.

Ese correo es el entregable final del PQR. El asistente cumplió la tarea sin saltarse pasos ni inventar datos que no recibió.

¿Por qué dividir un prompt en pasos mejora la respuesta? Porque obliga al modelo a razonar en orden y reduce el riesgo de que omita información. En lugar de pedir crea un PQR, le indicas exactamente qué preguntar y cuándo generar el correo.

¿Cómo llevar el prompt validado a OpenAI Studio?

Una vez que el comportamiento te convence en el notebook, el contexto se copia tal cual en OpenAI Studio para desplegar el chatbot [05:30]. Pegas el bloque de instrucciones en la configuración del sistema, guardas y abres el panel de chat para validar.

La prueba en Studio replica el flujo: saludo, nombre, mención del problema, solicitud de dirección como calle 45, descripción breve como no funciona el router, y la generación final del correo de apertura del PQR.

Este paso confirma que el mismo prompt que funcionó en código se comporta igual en la herramienta visual, lo que facilita entregar el chatbot a equipos no técnicos para que sigan iterando.

¿Qué habilidades practicas con este ejercicio?

• Prompt engineering aplicado: aprendes a redactar instrucciones que guían el razonamiento del modelo.
• Manejo del historial de conversación con los roles system, user y assistant.
• Configuración segura de credenciales mediante variables de entorno en notebooks.
• Despliegue de un asistente desde el SDK hacia OpenAI Studio sin reescribir lógica.

El patrón se replica en cualquier dominio: soporte, ventas, onboarding o trámites internos. Cambias el contexto, defines los pasos y validas en notebook antes de desplegar.

¿Qué flujo conversacional vas a modelar tú? Cuéntame en los comentarios qué pasos definirías para tu propio asistente virtual.