Este documento presenta SPARK_AI, una arquitectura de sistema orquestada por prompts para gobernar cómo los modelos de lenguaje grandes (LLMs) llevan a cabo un razonamiento estructurado y adaptativo en la interacción humano-AI. El marco mitiga el uso ad hoc de LLM al reemplazar la generación directa de respuestas con un flujo de trabajo de razonamiento orientado a procesos y paso a paso. Nos centramos en SPARK_AI_MATH, un módulo de dominio que apoya a los aprendices en la resolución de tareas de resolución de problemas no rutinarias al operacionalizar fases de resolución de problemas bien establecidas y estrategias de diálogo de preguntas guiadas (prompts al estilo socrático), con una capa de visualización mediada por herramientas opcional (por ejemplo, GeoGebra). El módulo implementa un protocolo conversacional de cinco fases que consiste en la interpretación del problema, análisis de los datos dados, planificación, ejecución y reflexión, junto con una política de pistas controlada. Este diseño se realiza a través de una arquitectura de sistema con estado en la que cada instancia de problema se mantiene como una pista de interacción independiente con un estado de razonamiento persistente. La aceptación del usuario fue evaluada por estudiantes de primer año de ingeniería mecánica (N = 108) utilizando un instrumento ampliado del Modelo de Aceptación Tecnológica, y los resultados fueron analizados a través de PLS-SEM. Los hallazgos indican percepciones generales favorables, con la utilidad percibida y el apoyo al aprendizaje emergiendo como predictores clave de la intención de uso continuado. Más allá de este dominio específico, el marco SPARK_AI permite una adaptación de dominio eficiente a través de estrategias de prompts localizadas mientras preserva una capa de control cognitivo compartido para la interacción centrada en el razonamiento entre humanos y LLM.