The future of context engineering

19:24

una ventana de chat. Este, por

19:25

supuesto que es solamente uno de los

19:26

tantos ejemplos o cosas que se pueden

19:29

implementar con N8N. Y vamos a suponer

19:31

que este formulario después llega a un

19:34

proceso que nosotros diseñamos, el cual

19:36

utiliza el modelo GPT4. Yo digo GPT4,

19:39

pero podría ser perfectamente cualquier

19:41

modelo. Y acá nosotros lo que hacemos es

19:43

pedirle al modelo que identifique este

19:46

formulario que nosotros estamos

19:47

recibiendo como una tarea de soporte, si

19:49

es una duda comercial o de algún otro

19:51

tipo. Vamos a dejarlo aquí como etc

19:53

indicando que pueden haber muchas más

19:55

clasificaciones. Y en el caso de que sea

19:56

una duda de soporte, lo que nosotros

19:58

podemos hacer es ir a una base de datos,

20:01

realizar la consulta, por ejemplo, de

20:03

este usuario en particular para ver sus

20:05

datos y también para poder obtener

20:07

documentos de cómo este debería

20:09

comportarse. Y después tomamos el prompt

20:11

del usuario en conjunto con lo que nos

20:13

devuelve la base de datos y se lo

20:14

entregamos nuevamente a nuestro ll. Este

20:18

nos va a entregar una respuesta. Esa

20:20

respuesta después nosotros la podemos

20:21

tomar y se la podemos reenviar como

20:23

correo electrónico al usuario que

20:25

rellenó este formulario. O si queremos

20:27

hacer algo más interesante, lo que

20:29

podemos hacer es entregarle esta

20:31

respuesta a un servidor que utiliza

20:33

Websockets y después este servidor se

20:36

encarga de actualizar una ventana de

20:39

chat donde se encuentra también

20:41

chateando el usuario. Y ahora, en el

20:43

caso que este sea una duda comercial,

20:45

podemos indicar que los documentos en

20:47

lugar de ir a buscarlos a una base de

20:49

datos, los debería ir a buscar a un

20:51

directorio y luego ese directorio con

20:53

los documentos que te devuelve. Y además

20:55

si adjuntamos el prompt del usuario, se

20:58

lo podemos entregar también a nuestro

21:00

modelo de inteligencia artificial

21:02

generativa, en este caso GPT4.

21:05

nuevamente, este, finalmente se lo

21:07

devolvemos al usuario como alguna de las

21:09

formas que te había mencionado antes,

21:10

que podría ser a través de un chat,

21:11

podría ser a través de un correo

21:12

electrónico o de algún otro sistema que

21:14

a ti también se te ocurra. Futuro del

21:16

context engineering.

21:19

El futuro del context engineering apunta

21:21

a cada vez una automatización mayor de

21:23

los procesos. Eventualmente, en un

21:25

futuro, nosotros podríamos ver modelos

21:27

que son capaces de gestionar y

21:29

actualizar su propio contexto. Esto

21:30

priorizando información relevante sin

21:32

necesidad de interacción humana. Esto va

21:34

a incluir, por ejemplo, memorias

21:36

persistentes que recuerden absolutamente

21:37

todo el contexto del usuario, como si

21:39

también las preferencias y el historial.

21:41

Y esto va a hacer que las interacciones

21:42

sean cada vez más personalizadas y

21:44

fluidas. Además, por supuesto que van a

21:46

seguir surgiendo herramientas

21:47

específicas para personas que apliquen

21:50

context engineering. Estas van a

21:51

facilitar