Los sistemas de recomendación han evolucionado significativamente en los últimos años, utilizando técnicas avanzadas como la inteligencia artificial explicable, el aprendizaje por refuerzo y las redes neuronales gráficas para mejorar tanto la eficiencia como la transparencia. Este estudio presenta un nuevo marco, XR2K2G (X por explicabilidad, la primera R por sistemas de recomendación, la segunda R por aprendizaje por refuerzo, la primera K por grafo de conocimiento, la segunda K por destilación de conocimiento y G por técnicas basadas en grafos), con el objetivo de desarrollar un sistema de recomendación de próxima generación con un enfoque en el empoderamiento de carreras. Para optimizar las recomendaciones mientras se asegura la sostenibilidad y la transparencia, el método propuesto integra el aprendizaje por refuerzo con representaciones basadas en grafos de trayectorias profesionales. Además, incorpora técnicas de destilación de conocimiento para refinar aún más el rendimiento del modelo al transferir conocimiento de un modelo más grande a uno más eficiente. Nuestro enfoque emplea algoritmos de aprendizaje por refuerzo, incrustaciones gráficas y destilación de conocimiento para mejorar las recomendaciones al proporcionar explicaciones claras y comprensibles para las recomendaciones. En este trabajo, discutimos los fundamentos técnicos del marco, las estrategias de implementación y su aplicabilidad práctica en escenarios profesionales del mundo real. La efectividad y la interpretabilidad de nuestro enfoque se demuestran a través de resultados experimentales.