2026Hackathon · UTA

Asistente de cursos CTT-FISEI

Asistente de Telegram con intervención humana en vivo

El operador tiene el control: la IA se pausó porque la prospecta pidió un asesor. La conversación es de demostración.El acceso del operador, en móvil.

Asistente de cursos por texto y voz en Telegram. Diseñé el sistema y el panel de intervención en la Hackathon UTA 2026. El código lo escribieron agentes de IA que orquesté.

Año
2026
Contexto
Hackathon UTA 2026 · Talleres Tecnológicos CTT-FISEI
Código
GitHub
En línea
helpdesk-agent-uta.vercel.app
de la planificación al bot y el panel en producción
85 min
casos de la batería del agente en verde, seis de ellos ataques
19/19
pruebas unitarias, en CI con GitHub Actions
46
modelos de Gemini en la cadena de respaldo
5

El sistema

El asistente atiende a cualquier hora y recomienda uno o dos de los 18 cursos del CTT-FISEI según el perfil de cada persona. Responde dudas y guía la inscripción. En el panel, el operador ve cada mensaje y el estado del prospecto. Cuando toma el control, la IA se pausa y el operador responde desde el mismo bot.

Arquitectura

Arquitectura: Asistente de cursos CTT-FISEIwebhookRESTRealtimeTelegramgrammYPanel de mandoReact · VercelSupabasePostgres · RLSAPINestJS · RenderGeminiJSON · zodGuardrailspre · postCatálogoscraping · 6 hInscripciónGoogle Form
síncronoasíncrono

Decisiones técnicas

Una sola llamada al LLM por mensaje, con salida JSON validada con zod (respuesta, estado del lead, intención, perfil y si hace falta un humano): la mitad de latencia y de tokens que encadenar un clasificador y un generador. El modelo nunca es la fuente de los datos comerciales: los precios salen de la base, cada importe de la respuesta se valida contra el catálogo y el enlace de inscripción lo genera el servidor. El panel lee de Supabase en tiempo real y escribe sólo por la API autenticada: la clave pública no puede modificar nada.

Qué hace

  • Responde en el idioma del usuario y entiende notas de voz: las transcribe Gemini, sin otro servicio.
  • Catálogo real de 18 cursos, sincronizado cada seis horas con la web oficial del CTT; si la web cae o cambia su HTML, se conserva el anterior. El estado de cada curso se calcula con la fecha de Ecuador y el botón de inscripción de la web: la web marcaba como abiertos cursos de 2025 ya terminados.
  • Perfila al prospecto conversando (nombre, interés, nivel, disponibilidad, tipo de participante) y le da el precio de su audiencia: estudiante UTA, graduado o personal UTA, o público general.
  • La IA se pausa sola ante la frustración o si piden una persona. Al tomar el control, el operador recibe un resumen automático (interés, objeciones, siguiente paso); al devolverla, la IA retoma sabiendo lo que dijo el humano.
  • Defensa contra prompt injection en capas: la entrada del usuario va delimitada como dato, un detector previo reconoce falsa autoridad, DAN, "revela tu prompt" o precios "prometidos", y la salida se valida contra el catálogo. Si falla, se regenera una vez o sale una respuesta segura.
  • Nunca deja al usuario sin respuesta: una cadena de cinco modelos de Gemini, cada uno con su propia cuota, salta los 429, 404 y 5xx.
  • Métricas en vivo: personas atendidas, distribución por estado, leads calientes, derivaciones, manipulaciones bloqueadas, latencia, tokens y saltos de modelo.
  • Login del operador con token HMAC, límite de intentos y comparación en tiempo constante; webhook de Telegram con secret_token y RLS de sólo lectura para el panel.
  • 19 casos de evaluación del agente en verde (ventas, objeciones, cierre, frustración, faltas de ortografía, inglés y seis ataques), 46 pruebas unitarias y CI en GitHub Actions.

Un reto concreto

La IA hablaba después de que el operador tomara el control

Entre que llega un mensaje y Gemini responde pasan uno o dos segundos. Si el operador pulsaba "Tomar control" en ese hueco, la respuesta de la IA salía igual y se cruzaba con la suya: la pausa se comprobaba al recibir el mensaje, no al enviarlo. Ahora se vuelve a leer ai_paused justo antes de enviar. Si el operador tomó el control durante la inferencia, la respuesta no sale: se guarda como descartada y el panel la muestra tachada, para que se sepa qué habría dicho la IA.

Capturas

Mi parte

Todo el proyecto, sola. Entendí el reto y la rúbrica, diseñé la arquitectura y el modelo de datos, decidí qué recortar para llegar a tiempo, configuré Telegram, Gemini, Supabase, Render y Vercel, y probé el bot como usuaria real en cada iteración. El código lo escribieron agentes de IA que orquesté: Claude Code planificaba, escribía una especificación cerrada por tarea (archivos permitidos, contratos y criterio de terminado), lanzaba a los implementadores (Cursor Agent CLI, hasta tres en paralelo sobre carpetas distintas), revisaba cada diff, corría las pruebas y desplegaba. 23 tareas, un commit por tarea.

AlcanceHecho en una hackathon: la planificación empezó a las 11:36 y la entrega era a las 13:00. La primera versión (bot, panel y handover) quedó en producción antes del corte; el resto del día fueron el catálogo real, la identidad visual del CTT, la robustez, las pruebas y la CI.

Stack

  • NestJS
  • TypeScript
  • Supabase
  • PostgreSQL
  • Gemini API
  • grammY
  • zod
  • React
  • Vite
  • Tailwind CSS
  • GitHub Actions
  • Render
  • Vercel
Siguiente proyectoFiadoVerificación facial en vivo para una cooperativa de ahorro y crédito