¿Studeia tiene chat con IA?

Sí. Studeia ofrece un tutor IA conversacional multi-agente. A diferencia de un wrapper de ChatGPT, usa un pipeline pedagógico multi-componente: orquestación determinística, modelo del alumno, retrieval RAG y selección de estrategia alimentan la respuesta del LLM principal, mientras evaluación, follow-ups de contenido y seguridad/supervisión pueden ejecutarse en background. El tutor se adapta al dominio por concepto, cita material del curso y acompaña misconceptions.

¿Puedo cambiar Claude por GPT, Grok o Gemini?

Sí. El admin institucional configura TenantTaskModelConfig por tipo de tarea LLM. Los componentes LLM-backed del tutor y agentes administrativos usan esa configuración con fallback automático entre providers si uno cae (Claude → OpenAI → xAI Grok → Google Gemini). Los componentes determinísticos en TypeScript no seleccionan provider. Tool calling funciona con cualquier provider vía Vercel AI SDK.

¿El tutor tiene acceso al material de mi institución?

Sí, vía RAG per-tenant aislado. Cada curso puede ser 'ingerido' en el RAG: el sistema extrae texto de clases (slides, video transcripts, PDFs, quizzes, rich text), hace chunking, genera embeddings vía Voyage AI (1024 dims) y los almacena con filtro por tenantId+courseId. Cuando el alumno pregunta algo, el tutor busca únicamente en el material del tenant. Nunca cita contenido de otras instituciones.

¿Cuánto cuesta por alumno por mes?

Depende del uso. Típicamente R$2-8/alumno/mes en IA (registrado en AiUsageLog). El admin ve el desglose en Settings > IA. Mensajes cortos en Haiku (~$0.001), conversaciones largas en Sonnet (~$0.01-0.05). El tenant puede usar sus propias claves Anthropic/OpenAI para reducir costos + eliminar el margen de Studeia.

¿El tutor IA de Studeia es seguro para menores?

Sí. Tres capas: (1) User.isMinor=true activa filtros de contenido + refuerzo en el system prompt. (2) El agente Supervisor monitorea cada turno en background, clasifica en 5 niveles (low/medium/high/critical/safety) y 8 categorías, con 3 strikes = cuarentena 48h. (3) Self-harm (severity=safety) NUNCA penaliza al alumno — en cambio, muestra un mensaje de acogida + recursos de crisis (líneas de ayuda locales) y notifica al admin como URGENTE.

¿El tutor detecta errores conceptuales?

Sí. EvaluationAgent (Haiku, background, ~$0.001) clasifica respuestas y detecta StudentMisconception con trazabilidad completa (source, sourceSessionId, lessonId, questionText, contextSnippet, concepts[]). Los misconceptions tienen un ciclo de vida de 3 estados: active → resolving → resolved (state machine con reglas de transición por mastery update, quiz pass, tutor address). El propio tutor es consciente de los misconceptions activos y los aborda proactivamente.

Tutor IA Multi-Agente

Visión ejecutiva

El tutor IA de Studeia no es ChatGPT en un iframe. Es un sistema pedagógico construido para e-learning:

Mensaje del alumno
  ↓
1. StudentModelService    → carga ConceptMastery (bayesiano), misconceptions, quiz history
  ↓
2. RetrievalAgent         → búsqueda RAG tenant-scoped, boost por áreas débiles en quizzes
  ↓
3. PedagogicalAgent       → selecciona estrategia (5 opciones) según mastery
  ↓
4. Orquestador            → construye prompt enriquecido (mastery + misconceptions + RAG context)
  ↓
5. LLM (Vercel AI SDK)    → streaming, con fallback Claude → GPT → Grok → Gemini
  ↓ tras respuesta (after())
6. EvaluationAgent        → clasifica misconceptions (Haiku, $0.001)
7. ContentAgent           → pre-genera ejercicio de seguimiento
8. SupervisorAgent        → modera (5 niveles de severidad, 8 categorías)

Por qué multi-agente vs single LLM call

Single call:

Sin memoria del alumno → repite explicaciones ya dadas
Sin awareness del rendimiento en quizzes → trata igual a un alumno débil que a uno fuerte
Sin moderación → riesgos de jailbreak, off-topic, contenido inadecuado
Sin RAG → inventa hechos sobre el curso

Multi-agente:

StudentModel garantiza personalización real
RetrievalAgent garantiza grounding en el material del curso
PedagogicalAgent garantiza adecuación de la estrategia
EvaluationAgent garantiza el feedback loop para que el sistema aprenda
SupervisorAgent garantiza la seguridad

Estrategias pedagógicas

PedagogicalAgent selecciona una de 5 estrategias según el mastery (probabilidad de dominio):

Mastery	Estrategia	Comportamiento
< 0.3	direct_instruction	Explicación clara, ejemplos concretos, paso a paso
0.3-0.5	scaffolding	Pistas progresivas, preguntas guiadas simples
0.5-0.7	socratic	Preguntas que llevan al descubrimiento
0.7-0.9	guided_practice	Ejercicios con feedback, aplicación práctica
> 0.9	challenge	Problemas complejos, conexiones entre conceptos

Los umbrales son configurables por el admin vía PedagogicalConfig (tenant-level), con override por dominio.

Ajuste por rendimiento en quizzes

Si mastery alta (chat) + quiz bajo → "comprensión superficial" → nudge DOWN de estrategia. Si mastery baja + quiz alto → "alumno silencioso" → nudge UP. Pass rate < 40% → cap en scaffolding (no avanza a socratic).

RAG per-tenant

Cada curso puede ser ingerido en el RAG del tenant:

POST /api/institution/courses/[id]/rag-ingest (modes: full | incremental)
Itera clases publicadas, extrae texto por tipo (rich_text→HTML strip, slides→elements, quiz→question+explanation, PDF→OCR vía document-extractor)
Chunking (800 tokens, 200 overlap, preserva estructura)
Embeddings vía Voyage AI (1024 dims, fallback OpenAI)
Metadata en cada chunk: { source: "course_lesson", courseId, lessonId, lessonTitle, moduleTitle, ingestionId }
autoSyncRag: true re-ingiere incrementalmente cuando el admin edita clases

Detalles en RAG Ingestion.

Moderación por agente Supervisor

SupervisorAgent (Haiku, background) se ejecuta tras cada turno del chat:

5 niveles de severidad: low, medium, high, critical, safety
8 categorías: lenguaje inapropiado, violencia, ilegal, sexual, off_topic, harassment, self_harm, jailbreak_attempt
3 strikes (LOW/MEDIUM en 7 días) → cuarentena 48h
safety NUNCA penaliza — muestra acogida + recursos de crisis + notifica admin URGENT
Costo: ~$0.001/turno (Haiku vía generateDirect)
Habilitación en cascada: Course.supervisorEnabled → Tenant.supervisorEnabled → default ON

Detalles en Agente Supervisor.

Multi-provider IA

Los componentes LLM-backed del tutor y de los agentes administrativos usan TenantTaskModelConfig. Los componentes determinísticos en TypeScript, como Orchestrator/Retrieval/Pedagogical, no seleccionan provider:

Agente	Método router	¿Provider configurable?
Tutor (chat streaming)	`router.stream()`	Sí
Orchestrator	TypeScript puro	N/A
RetrievalAgent	TypeScript puro	N/A
PedagogicalAgent	TypeScript puro	N/A
EvaluationAgent	`router.generateDirect()`	Sí
ContentAgent	`router.generateDirect()`	Sí
SessionSummarizer	`router.generateDirect()`	Sí
CourseReviewAgent	`router.generate()`	Sí
CourseAgent (CMS)	`router.generate()` + tools	Sí
GamificationAgent	`router.generate()` + tools	Sí
SupervisorAgent	`router.generateDirect()`	Sí

Cadena de fallback por tier:

LLM rápido (Haiku):    Claude Haiku → GPT-4o-mini → Grok-3-mini → Gemini Flash
LLM medio (Sonnet):    Claude Sonnet → GPT-4o → Grok-3-fast → Gemini Pro
LLM complejo (Opus):   Claude Opus → GPT-4.5 → Grok-3 → Gemini 2.5 Pro

Circuit breaker por provider (estado en Redis): si falla 5x en 30s, salta al fallback hasta 60s.

Limitaciones

Text-to-speech de salida y avatar visual del tutor están disponibles como experiencias opt-in.
Entrada por voz/STT y avatar real-time vía WebRTC/proveedores externos siguen en el roadmap.
El RAG es por curso, no por institución completa. Cada curso se ingiere por separado.
Los misconceptions resueltos pueden regresar (re-detectados) — esto es esperado, el sistema marca la regresión en la evidencia.