Saltar al contenido
devjose↗FRONTEND ENGINEER · LIMA, PE
TrabajoSobre míExperienciaBlogHablemos
Inicio/Blog

DESARROLLO FRONTEND

Construir un asistente educativo con AWS Bedrock Agents: lo que aprendí con Unibot

Cómo diseñé Unibot, un asistente educativo con AWS Bedrock Agents, Lambda y PostgreSQL: decisiones de arquitectura, control de cuotas y errores reales.

Por José Manrique · 14 de julio de 2026

TL;DR
En UTP construimos Unibot, un asistente educativo sobre AWS Bedrock Agents, con acciones en Lambda, historial de conversaciones en PostgreSQL y control de cuotas por alumno. No fue "conectar un modelo y listo": el trabajo real estuvo en las action groups, el manejo de cuotas y decidir qué NO delegarle al agente.

Por qué Bedrock Agents y no un orquestador a mano

Cuando empezamos a definir Unibot barajamos tres caminos: un orquestador propio sobre la API de un modelo, un framework tipo LangChain corriendo en un servicio Node, o Bedrock Agents. Con un equipo de frontend pequeño, escribir y mantener nuestro propio loop de function calling no tenía sentido: Bedrock ya resuelve el parsing de la respuesta del modelo, el manejo del historial de turnos y la invocación de las action groups. Lo que sí nos costó fue diseñar bien esas action groups y decidir qué vive en el prompt del agente y qué vive en código.

La arquitectura que quedó

  • Un agente en Bedrock con instrucciones del dominio académico y dos action groups: consulta de cursos y consulta de calificaciones
  • Cada action group apunta a una función Lambda que valida el JWT del alumno (Keycloak) antes de tocar cualquier dato
  • Un servicio Express delante del agente que guarda el historial de la conversación y las cuotas de uso en PostgreSQL
  • Un límite de mensajes por alumno por día, para no depender solo de los límites de la cuenta de AWS

El handler de una action group

Bedrock invoca la Lambda con el nombre de la función y los parámetros que el modelo extrajo del mensaje del alumno. Mi handler siempre valida esos parámetros antes de ir a la base de datos, porque el modelo puede mandar un courseId vacío o mal formado:

export const handler = async (event: BedrockAgentEvent) => {
  const { function: fn, parameters } = event

  if (fn === 'getCourseGrades') {
    const courseId = parameters.find(p => p.name === 'courseId')?.value
    if (!courseId) {
      return buildResponse(event, { error: 'courseId requerido' })
    }

    const grades = await gradesRepository.findByCourseAndStudent(
      courseId,
      event.sessionAttributes.studentId
    )

    return buildResponse(event, { grades })
  }

  return buildResponse(event, { error: 'acción no reconocida' })
}

El studentId no lo mando en los parámetros de la action group: lo inyecto como sessionAttributes desde el servicio Express, después de validar el token. Así el modelo nunca puede "pedir" las notas de otro alumno cambiando un parámetro en el mensaje.

Lo que nadie cuenta en los tutoriales

Las cuotas importan más que el prompt

La primera semana en producción, un grupo de alumnos descubrió que podía pedirle a Unibot que le explicara el mismo tema veinte veces seguidas por curiosidad. No es un ataque, es uso normal de un adolescente probando algo nuevo. Sin un límite diario por alumno guardado en PostgreSQL, el costo de invocaciones se hubiera disparado sin que nadie hiciera nada malicioso.

El agente no debe decidir todo

Al inicio dejamos que el agente decidiera libremente cuándo mostrar un promedio calculado. Cambiaba de fórmula entre conversaciones porque el prompt daba margen a interpretación. La solución fue mover ese cálculo a la Lambda: el agente solo pide los datos crudos y una función determinística hace la cuenta. El modelo es bueno interpretando lenguaje, no tanto siendo consistente con aritmética entre turnos distintos.

Bedrock Agents vs las alternativas que evaluamos

OpciónVentaja realCosto que pagamos
Bedrock AgentsOrquestación y parsing resueltos, se integra directo con LambdaMenos control fino sobre el formato exacto del function calling
Orquestador propio (SDK del modelo)Control total del flujoMantener nuestro propio manejo de historial y reintentos
LangChain sobre ExpressEcosistema grande de integracionesUna capa más que actualizar y depurar en cada versión

¿Ya integraste Bedrock Agents con Lambda y te topaste con límites de cuotas o de sesión distintos a los míos? Me interesa comparar notas.


Recursos que usé:

  • Documentación oficial de Amazon Bedrock Agents
  • Cómo definir action groups

Sigue leyendo

Arquitectura por eventos en AWS: lo que aprendí armando un sistema de agendamiento ↗NestJS en un producto fintech multi-tenant: arquitectura hexagonal, CQRS y CASL ↗Todos los artículos
devjose↗

© 2026 José Manrique

BlogGitHub LinkedIn PrivacidadTérminosArriba ↑