La computación de niebla es una de las plataformas de computación distribuida en crecimiento incorporada por las industrias hoy en día, ya que realiza análisis de datos en tiempo real más cerca del borde de la red de IoT. Ofrece capacidades de nube en el borde de las redes de niebla a través de una mayor eficiencia y flexibilidad. A medida que las demandas de los dispositivos de Internet de las cosas (IoT) siguen variando, es importante modificar rápidamente las políticas de asignación de recursos para satisfacerlas. La fluctuación constante de las demandas lleva a la sobre o subasignación de recursos. La capacidad de cómputo de los nodos de niebla es pequeña, por lo que es necesario desarrollar políticas de asignación de recursos que reduzcan la demora y el consumo de ancho de banda. En este documento, se diseña y desarrolla un novedoso marco de aprendizaje Q guiado por un gran modelo de lenguaje (LLM). La incertidumbre en el entorno de niebla en términos de demora incurrida, uso de ancho de banda y heterogeneidad de nodos de niebla se representa utilizando el modelo LLM. La formación de recompensas de un agente de aprendizaje Q se enriquece considerando el valor heurístico del modelo LLM. Los resultados experimentales aseguran que el marco propuesto es bueno con respecto a la demora de procesamiento, consumo de energía, equilibrio de carga y violación del acuerdo de nivel de servicio en un entorno de computación de niebla finito e infinito. Los resultados son validados además a través de la metodología estadística de análisis de valor esperado.