Tutor IA Multi-Agente

Q: ¿Studeia tiene chat con IA?

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

Q: ¿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 los agentes administrativos usan esa configuración con fallback automático entre providers si uno falla (Claude → OpenAI → xAI Grok → Google Gemini). Los componentes determinísticos en TypeScript no seleccionan provider. El tool calling funciona con cualquier provider mediante Vercel AI SDK.

Q: ¿El tutor tiene acceso al material de mi institución?

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

Q: ¿Cuánto cuesta por alumno por mes?

Depende del uso. Típicamente R$2-8/alumno/mes en IA (registrado en AiUsageLog). El admin puede ver 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.

Visión ejecutiva

El tutor IA de Studeia no es ChatGPT en un iframe. Es un sistema pedagógico construido para la educación en línea:

Mensaje del alumno
  ↓
1. StudentModelService    → carga ConceptMastery (bayesiano), misconceptions, historial de quizzes
  ↓
2. RetrievalAgent         → búsqueda RAG tenant-scoped, boost por áreas débiles en quizzes
  ↓
3. PedagogicalAgent       → selecciona estrategia (5 opciones) basado en mastery
  ↓
4. Orquestrador           → construye prompt enriquecido (mastery + misconceptions + RAG context)
  ↓
5. LLM (Vercel AI SDK)    → streaming, con fallback Claude → GPT → Grok → Gemini
  ↓ tras la respuesta (after())
6. EvaluationAgent        → clasifica misconceptions (Haiku, $0.001)
7. ContentAgent           → pre-genera ejercicio de follow-up
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 un feedback loop para que el sistema aprenda
SupervisorAgent garantiza seguridad

Estrategias pedagógicas

PedagogicalAgent selecciona una de 5 estrategias basándose en 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 mediante PedagogicalConfig (a nivel de tenant), 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 (modos: full | incremental)
Itera las clases publicadas, extrae texto por tipo (rich_text→HTML strip, slides→elements, quiz→question+explanation, PDF→OCR vía document-extractor)
Chunking (800 tokens, 200 de overlap, preserva estructura)
Embeddings mediante Voyage AI (1024 dims, fallback OpenAI)
Metadata en cada chunk: { source: "course_lesson", courseId, lessonId, lessonTitle, moduleTitle, ingestionId }
autoSyncRag: true reingiere 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 URGENTE
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 5 veces en 30s, salta al fallback hasta 60s.

Limitaciones

El text-to-speech de salida y el avatar visual del tutor están disponibles como experiencias opt-in.
La entrada por voz/STT (dictado) ya está implementada en B2B y el avatar en tiempo real (HeyGen/D-ID vía WebRTC) está disponible por curso; siguen en el roadmap la conversación bidireccional por voz (STT en bucle con el avatar) y la nota automática de pronunciación.
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 regression en la evidence.

Ver también

FAQ

¿Studeia tiene chat con IA?

Sí. Studeia ofrece un tutor IA conversacional multi-agente. A diferencia de un wrapper de ChatGPT, utiliza un pipeline pedagógico multi-componente: orquestación determinística, modelo del estudiante, retrieval RAG y selección de estrategia alimentan la respuesta del LLM principal, mientras que la evaluación, los follow-ups de contenido y la seguridad/supervisión pueden ejecutarse en background. El tutor se adapta al dominio por concepto, cita el material del curso y hace seguimiento de 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 los agentes administrativos usan esa configuración con fallback automático entre providers si uno falla (Claude → OpenAI → xAI Grok → Google Gemini). Los componentes determinísticos en TypeScript no seleccionan provider. El tool calling funciona con cualquier provider mediante Vercel AI SDK.

¿El tutor tiene acceso al material de mi institución?

Sí, mediante RAG per-tenant aislado. Cada curso puede ser 'ingerido' en el RAG: el sistema extrae texto de las clases (slides, transcripciones de video, PDFs, quizzes, rich text), realiza chunking, genera embeddings mediante Voyage AI (1024 dims) y los almacena con filtro por tenantId+courseId. Cuando el estudiante hace una pregunta, 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 puede ver 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 y notifica al admin de forma 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 (máquina de estados con reglas de transición por mastery update, quiz pass, tutor address). El propio tutor es consciente de los misconceptions activos y los aborda de forma proactiva.