Construcción de chatbots conversacionales con Amazon Lex - Diseño de intents e integración con Lambda

Define intents y slots con un motor de comprensión del lenguaje natural (NLU) y ejecuta el procesamiento backend mediante la integración con Lambda para construir bots interactivos. Se explica el soporte multilingüe y el uso de la API de conversación en streaming.

Unos 8 min de lecturaÚltima actualización: 2026-10-28

Descripción general de Lex

Amazon Lex es un servicio para construir interfaces de diálogo que combina comprensión del lenguaje natural (NLU) y reconocimiento automático de voz (ASR). Se basa en la misma tecnología de aprendizaje profundo que Alexa y permite construir bots interactivos tanto por texto como por voz. La versión actual, Lex V2, ha mejorado significativamente respecto a V1, ofreciendo soporte para múltiples idiomas, API de conversación en streaming y una lógica mejorada de resolución de slots. Es aplicable a cualquier caso de uso que requiera diálogo en lenguaje natural con los usuarios, como chatbots, IVR (respuesta de voz interactiva) y automatización del soporte al cliente.

Diseño de intents y slots

Un bot de Lex se compone de intents (intenciones del usuario) y slots (parámetros). Por ejemplo, en un "bot de reserva de hotel", se definen los slots CheckInDate, Nights y RoomType para el intent BookHotel. Se registran expresiones de ejemplo para cada intent ("Quiero reservar 2 noches a partir del viernes próximo", "Reservar una habitación individual") y el motor NLU mapea la entrada del usuario al intent correspondiente. Los tipos de slot pueden ser integrados (AMAZON.Date, AMAZON.Number, AMAZON.City) o personalizados. Un prompt de confirmación verifica los valores de los slots con el usuario, y el fulfillment invoca una función Lambda para ejecutar el procesamiento backend (llamada a la API de reservas, escritura en la base de datos). Para depurar el flujo de conversación se utiliza la ventana de pruebas, que permite verificar en tiempo real la precisión del reconocimiento de intents y el estado de resolución de slots.

Integración con Lambda y servicios externos

Lex ofrece dos tipos de integración con Lambda: el hook de código de diálogo y el hook de código de fulfillment. El hook de diálogo se invoca en cada turno y se utiliza para la validación de valores de slots y la generación dinámica de prompts. El hook de fulfillment se invoca después de que todos los slots están completos y ejecuta la lógica de negocio real (procesamiento de reservas, confirmación de pedidos). La integración con Amazon Connect permite incorporar bots de Lex en el IVR del centro de contacto, logrando respuestas automáticas por teléfono. También es posible la integración con canales externos como Twilio o Facebook Messenger a través de la API. La integración con Kendra proporciona la funcionalidad de buscar automáticamente respuestas en documentos de FAQ.

Precios de Lex

Los precios de Lex V2 siguen un modelo de pago por uso basado en el número de solicitudes. Las solicitudes de texto cuestan aprox. 0.75 USD por cada 1,000 y las solicitudes de voz, aprox. 4.00 USD por cada 1,000 (a fecha de agosto de 2026). La API de conversación en streaming se cobra según los segundos de audio, a aprox. 0.0002 USD por segundo. La capa gratuita de 12 meses de las cuentas antiguas creadas antes del 15 de julio de 2025 cubría 10,000 solicitudes de texto al mes y 5,000 solicitudes de voz al mes. A las cuentas nuevas creadas a partir de esa fecha se les aplica un plan gratuito basado en créditos de hasta 200 USD, con una duración máxima de 6 meses (las condiciones vigentes figuran en el sitio oficial de AWS). Si se usa con la integración de Connect, además de los cargos de Lex se generan por separado los cargos por llamadas de Connect.

Mejores prácticas de diseño de conversaciones

La clave para crear un bot fácil de usar está en el diseño de la conversación. Si registra para 1 intent las diversas expresiones que los usuarios usarían realmente, la precisión del reconocimiento mejora. Cuando falte información necesaria, complétela con una repregunta natural y, antes de una operación importante, confirme el contenido. Ante entradas que no se entienden, guíe al usuario con un fallback adecuado para que la conversación no se atasque. Si diseña el bot para que herede el contexto de los enunciados anteriores, puede lograr un diálogo con continuidad en lugar de preguntas y respuestas aisladas. Construir con cuidado el flujo de la conversación desde el punto de vista del usuario es lo que lleva a un bot con alta satisfacción.

Canales e implementación

Un bot creado con Lex se puede implementar en diversos puntos de contacto. Colóquelo según los canales que usen los usuarios, como un widget de chat integrado en un sitio web o la integración con plataformas de mensajería o de centros de llamadas. Si maneja voz, puede usar un mecanismo que intercambia la conversación en tiempo real y crear una experiencia similar a la atención telefónica. Como la misma lógica del bot se puede reutilizar en varios canales, se evita duplicar el desarrollo. El formato de entrada y la forma de mostrar las respuestas cambian según el canal en el que se ofrezca, así que despliéguelo en el canal adecuado pensando en cómo lo usarán los usuarios a los que se dirige.

Soporte multilingüe y mejora continua

Lex admite varios idiomas, y un mismo bot puede tener una configuración para cada idioma. Registre las expresiones de los usuarios en cada idioma para lograr un diálogo natural. Un bot no termina al crearlo: se va mejorando mientras se opera. Si analiza los registros de conversación, verá los enunciados que no se reconocieron y los puntos en los que los usuarios se atascaron. Si, con base en ello, repite la adición de expresiones y la corrección del flujo de conversación, la precisión del reconocimiento y la facilidad de uso mejoran de forma continua. Mantener un ciclo de mejora basado en datos de uso reales es la vía directa para convertirlo en un bot que se use durante mucho tiempo.

Seguridad y gobernanza

Un chatbot puede recibir de los usuarios información personal o información sensible. Hay que tener cuidado de no dejar esa información tal cual en los registros de conversación, por ejemplo ocultando los valores de los slots sensibles o eliminando la información personal de los registros. Limite al mínimo los permisos que se conceden al Lambda del backend y restrinja las operaciones que puede realizar el bot. Defina con claridad qué datos se recopilan y almacenan y con qué fin, y gestiónelos estableciendo un período de retención. No confíe demasiado en la entrada de los usuarios y verifíquela también en el procesamiento posterior. Un diseño que ofrezca comodidad y, al mismo tiempo, asuma la responsabilidad del manejo de la información es la base de un bot que se pueda usar con tranquilidad.

Resumen

Amazon Lex es un servicio de construcción de bots conversacionales basado en la misma tecnología NLU/ASR que Alexa. Define flujos de conversación mediante el diseño de intents y slots, y ejecuta el procesamiento backend a través de la integración con Lambda. Construye interfaces de diálogo a través de la integración con diversos canales y servicios, como bots de voz con Connect y respuestas automáticas de FAQ con Kendra.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

Entrenamiento de machine learning basado en GPU con AWS Batch - Entrenamiento a gran escala con eficiencia de costosEjecute entrenamiento GPU con sus contenedores Docker existentes y reduzca costos hasta un 90% usando instancias Spot y checkpointing. Incluye orientación sobre cuándo elegir Batch sobre SageMaker.Uso de Claude en Amazon Bedrock - Selección de modelos, diseño de prompts y optimización de costosComparamos los modelos Anthropic Claude disponibles en Amazon Bedrock, proporcionamos directrices de selección de modelos por caso de uso y cubrimos mejores prácticas de diseño de prompts y optimización de costos.Construcción de aplicaciones RAG con Amazon Bedrock Knowledge Bases - Implementación de generación aumentada por recuperaciónIndexe automáticamente documentos en S3 y unifique búsqueda y generación con la API RetrieveAndGenerate. Cubre la selección de estrategia de chunking y la seguridad con Guardrails.Primeros pasos con computación cuántica en Amazon Braket - Diseño y simulación de circuitos cuánticosCree prototipos gratis con el simulador local y ejecute circuitos cuánticos en el hardware real de IonQ y Rigetti. Presentamos técnicas para implementar VQE y QAOA con Hybrid Jobs.ML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.Procesamiento de lenguaje natural con Amazon Comprehend - Análisis de sentimiento y extracción de entidadesExplicamos el análisis de sentimiento, la extracción de entidades y la construcción de modelos de clasificación personalizados con Comprehend.Construcción de bots conversacionales - Interfaces de conversación natural con Amazon Lex y PollyAprenda a construir bots conversacionales utilizando Amazon Lex y Amazon Polly.Extracción de texto de documentos - Procesamiento inteligente de documentos con Amazon TextractExplicamos la extracción automática de texto, tablas y datos de formularios de documentos con Amazon Textract, y la construcción de pipelines de procesamiento de lenguaje natural en combinación con Amazon Comprehend. Presentamos patrones de automatización para procesamiento de facturas y análisis de contratos.