Construyendo OrientaIA: arquitectura de un orientador vocacional impulsado por LLMs
Descubre cómo diseñé OrientaIA, un orientador vocacional para adolescentes que combina FastAPI, LangChain y un modelo de 27 B para generar mapas de carrera personalizados y simulaciones de día laboral.
▶ Probar la demo
He desarrollado OrientaIA para abordar la falta de herramientas interactivas que ayuden a adolescentes de 14 a 18 años a explorar sus intereses y habilidades de forma estructurada. El objetivo es ofrecer una conversación guiada que extraiga información relevante y, a partir de ella, produzca un mapa de carreras personalizado con una simulación de un día laboral típico.
Arquitectura general
El backend está construido con Python y FastAPI, lo que permite exponer endpoints REST de alta velocidad. Sobre FastAPI se apila LangChain, que orquesta la interacción con el modelo de lenguaje Qwen3.8 27B a través de la API de Groq. Los embeddings semánticos se generan en tiempo real para comparar los intereses del usuario con descripciones de carreras almacenadas en una base de datos relacional gestionada por Laravel.
Flujo de datos durante la conversación
- El cliente web inicia una sesión LTI 1.3, lo que garantiza que la identidad del estudiante provenga del LMS institucional.
- FastAPI recibe el primer mensaje y lo envía a LangChain, que construye un prompt dinámico basado en un esquema de preguntas predefinido (intereses, valores, habilidades).
- Groq procesa el prompt con Qwen3.8 y devuelve una respuesta estructurada en JSON.
- El JSON se parsea y se alimenta a un motor de embeddings; cada respuesta del estudiante se vectoriza y se almacena temporalmente en una tabla de vectores.
- Al finalizar la entrevista, los vectores se comparan con los embeddings de los perfiles de carrera mediante una búsqueda de similitud coseno, generando una lista ordenada de opciones.
- Para cada opción, el motor crea una simulación de día laboral combinando descripciones de tareas, herramientas y entornos, todo generado por el mismo modelo de lenguaje.
Integración de LangChain y Groq
LangChain actúa como capa de abstracción que permite encadenar varios chains: primero, un questionnaire chain que dirige la entrevista; segundo, un embedding chain que transforma respuestas en vectores; y tercero, un career‑mapping chain que combina similitud de embeddings con generación de texto para la simulación. Cada chain se ejecuta de forma asíncrona, aprovechando la capacidad de FastAPI para manejar corrutinas y reducir la latencia percibida por el usuario.
Persistencia y exposición vía Laravel
Laravel gestiona la capa de persistencia y la exposición de los resultados a través de un LTI Tool Provider. Los mapas de carrera y sus simulaciones se guardan en tablas normalizadas que relacionan al estudiante con los IDs de carrera y los vectores de similitud. Además, Laravel implementa los endpoints LTI 1.3 necesarios para la autenticación y el intercambio de tokens, garantizando que solo usuarios autorizados accedan a la información.
Despliegue y escalabilidad
He containerizado tanto el servicio FastAPI como el de Laravel usando Docker, y los he orquestado con Docker Compose para pruebas locales. En producción, cada contenedor se despliega en instancias separadas de un proveedor de nube que soporta GPU para la inferencia de Qwen3.8 a través de Groq, mientras que la API de FastAPI se sitúa detrás de un balanceador de carga Nginx. Esta separación permite escalar de forma independiente la capa de generación de texto y la capa de gestión de datos.
Retos técnicos y decisiones de diseño
Uno de los mayores retos fue mantener la coherencia del contexto a lo largo de la entrevista, ya que el modelo de 27 B no conserva estado entre llamadas. Lo resolví almacenando cada respuesta del estudiante y reenviándola como parte del prompt en cada iteración, lo que garantiza que el modelo tenga acceso a todo el historial sin necesidad de un mecanismo de memoria interno.
Otro desafío fue la latencia de la generación de embeddings y la búsqueda de similitud. Opté por pre‑computar los embeddings de los perfiles de carrera y almacenarlos en una tabla de vectores indexada con FAISS, lo que reduce la complejidad de la búsqueda a O(log n) y permite responder en menos de un segundo incluso con cientos de carreras.
Finalmente, la integración LTI 1.3 requirió validar firmas JWT y manejar el flujo de autorización de forma segura. Implementé la verificación de tokens en Laravel y expuse los claims necesarios al backend FastAPI mediante encabezados HTTP firmados, evitando la exposición de credenciales sensibles.
Con estas decisiones, OrientaIA ofrece una experiencia de orientación vocacional fluida, basada en IA de última generación, y mantiene una arquitectura modular que facilita futuras extensiones, como la incorporación de nuevos modelos de lenguaje o la ampliación del catálogo de carreras.
Sobre este proyecto
OrientaIA
Orientador vocacional con IA para adolescentes de 14 a 18 años. Conversación guiada que extrae intereses, valores y habilidades para generar un mapa de carreras personalizado con s...
Newsletter
¿Te aviso de nuevos proyectos y artículos?
Sin spam. Solo un email cuando publico algo nuevo de IA. Baja en un clic.