⏱ Tiempo estimado: 22 minutos

🎯 Rama / Perfil: Growth Marketers, CX Ops & Automation Engineers

🧠 Conocimiento previo necesario: Conceptos básicos de Make (módulos, variables) y estructura básica de solicitudes HTTP/JSON.

💡 ¿Qué vas a lograr? Construir un agente conversacional que recibe un mensaje, consulta una Base de Datos Vectorial (Pinecone) para obtener el contexto relevante de la documentación de tu empresa y responde con precisión usando OpenAI.

🛠 Lo que necesitas antes de empezar

• Cuenta en Make → 🔗https://make.com
• Cuenta y API Key de OpenAI → 🔗https://platform.openai.com
• Cuenta y Index creado en Pinecone → 🔗https://www.pinecone.io
• Herramienta para enviar peticiones HTTP (Postman, Bruno o cURL) → 🔗https://www.postman.com

📋 Pasos

Paso 1 — Crear el Webhook de entrada en Make

1. Entra a Make y crea un nuevo Scenario.
2. Añade un módulo inicial de tipo Custom Webhook (Webhooks -> Custom Webhook).
3. Haz clic en Add, nombra tu webhook Inbound-Support-Query y copia la URL generada.
4. Ejecuta el webhook en modo Determinate data structure haciendo clic en Run once.
5. Envía una petición POST desde Postman a esa URL con el siguiente cuerpo JSON:

JSON

{
  "user_id": "usr_9912",
  "question": "¿Cuál es la política de devoluciones para productos defectuosos?"
}

Paso 2 — Generar Embeddings de la pregunta con OpenAI

1. Añade el módulo de OpenAI (ChatGPT) a continuación del Webhook.
2. Selecciona la acción Create an Embedding.
3. Conecta tu API Key de OpenAI (sk-...).
4. En el campo Model, elige text-embedding-3-small.
5. En el campo Input, mapea la propiedad question devuelta por el Webhook del Paso 1.

Paso 3 — Consultar el contexto relevante en Pinecone (Vector Search)

1. Añade el módulo de Pinecone y selecciona la acción Search Vectors (o usa el módulo HTTP - Make a request si usas la API REST directa de Pinecone).
2. Configura la conexión usando tu Pinecone API Key y la URL de tu Index Host.
3. En la propiedad Vector / Vector Value, mapea el array de números generado por OpenAI en el paso previo (data[1].embedding).
4. Configura el límite de resultados Top K en 3 y activa la opción para incluir metadatos (includeMetadata: true).

Paso 4 — Sintetizar la respuesta contextualizada con GPT-4o

1. Añade un nuevo módulo de OpenAI (ChatGPT) con la acción Create a Completion.
2. Elige el modelo gpt-4o-mini o gpt-4o.
3. En el mensaje de System, escribe las instrucciones estrictas del bot:

   "Eres un agente de soporte técnico. Responde ÚNICAMENTE usando el contexto adjunto. Si la información no está en el contexto, indica que no tienes esa respuesta."

4. En el mensaje de User, combina la pregunta original del usuario con el texto del metadato devuelto por Pinecone:

   Contexto: {{3.matches[].metadata.text}}Pregunta: {{1.question}}

Paso 5 — Responder al usuario vía Webhook Response

1. Agrega al final del escenario un módulo Webhook Response.
2. Configura el Status: 200.
3. En el Body, estructura la respuesta final en formato JSON:

JSON

{
  "status": "success",
  "user_id": "{{1.user_id}}",
  "answer": "{{4.choices[1].message.content}}"
}

1. Guarda el escenario y actívalo (ON).

✅ Resultado esperado

Al realizar una consulta HTTP POST a tu webhook, la automatización procesará la consulta vectorialmente, extraerá únicamente las políticas o documentación almacenadas en Pinecone que coincidan conceptualmente y devolverá un JSON estructurado con la respuesta precisa en menos de 3 segundos.

🔥 Tu reto (siguiente acción)

• Añade evaluación de umbral de similitud (Similarity Score Threshold): Agrega un módulo Router después de Pinecone. Si el score de coincidencia vectorial es menor a 0.75, desvía el flujo para enviar automáticamente una alerta a un canal de Slack para que un agente humano tome el caso.

📚 Recursos para ir más lejos

• 🔗Pinecone Quickstart Guide— Guía oficial para estructurar e indexar documentos vectoriales.
• 🔗OpenAI Embeddings Documentation— Documentación sobre modelos de embeddings y dimensiones.