Tuteur IA : pipeline multi-agent

Pipeline détaillé

Pré-LLM (synchrone, coût LLM zéro)

1. StudentModelService.getSnapshot(userId, courseId)

   • Charge ConceptMastery (distribution Beta par concept)
   • Charge les misconceptions actives/en résolution (avec trace de preuves)
   • Charge EpisodicMemory (ce qui a fonctionné auparavant)
   • Charge quizContext (avgScore, passRate, totalAttempts, weakAreas)
   • Charge l'historique ChatSession (fenêtre glissante de 10 messages)

2. RetrievalAgent.retrieve(query, studentModel)

   • Reformule la requête en utilisant le contexte (remplace "ça", "cela" par les concepts actuels)
   • Recherche pgvector avec filtres (tenantId, courseId)
   • Boost par zones faibles dans les quiz (quizWeakAreas du studentModel)
   • Top-K avec re-classement sémantique

3. PedagogicalAgent.select(studentModel, query)

   • Évalue la maîtrise moyenne + la maîtrise spécifique à la requête
   • Applique des ajustements (divergence chat-quiz, âge, style d'apprentissage)
   • Retourne la stratégie + l'ajout au system prompt

4. buildEnrichedPrompt(query, studentModel, ragChunks, strategy, misconceptions)

   • Construit le system prompt avec :
     • Stratégie pédagogique sélectionnée
     • Contexte RAG (top-5 chunks avec attribution de source)
     • Misconceptions actives (avec instructions pour les aborder)
     • Tentatives de quiz récentes (mémoire inter-tours)
     • Contexte de déclenchement de quiz inline (s'il y a eu un quiz récent)

LLM principal (streaming, SSE)

router.stream(taskType: "chat_tutor", messages, options) résout le provider via TenantTaskModelConfig :

• Claude (primary) → OpenAI → xAI Grok → Google Gemini (chaîne de fallback)
• Circuit breaker par provider (état Redis)
• Middleware de comptage : limite de débit + vérification de crédit + calculateur de coût
• Streaming via Server-Sent Events vers le client

Le LLM peut émettre des appels d'outils spéciaux :

• [INLINE_QUIZ]{...}[/INLINE_QUIZ] — quiz interactif rendu dans le chat
• present_quiz tool call — format Vercel AI SDK

Post-LLM (background via after(), fire-and-forget)

5. EvaluationAgent.evaluate(turn, studentModel) — Haiku, ~$0.001

   • Classifie la compréhension : correct | partial | incorrect | unclear
   • Détecte StudentMisconception avec :
     • source : "chat"
     • sourceSessionId
     • contextSnippet (max 500 caractères)
     • concepts[] (mappés vers ConceptMastery)
   • Met à jour ConceptMastery (mise à jour bayésienne via beta(alpha+success, beta+failure))
   • Appelle MisconceptionResolutionService.checkAndTransition (machine à états)

6. ContentAgent.preGenerate(studentModel, conceptId) — Haiku, ~$0.001

   • Génère un exercice de suivi basé sur les concepts faibles
   • Stocke dans Redis (TTL 30min) pour servir au tour suivant
   • Réduit la latence perçue par l'apprenant

7. SessionSummarizer (toutes les 10 tours) — Haiku, ~$0.001

   • Résume l'historique long
   • Remplace les anciens messages dans la fenêtre glissante
   • Préserve les insights pédagogiques pertinents

8. SupervisorAgent.run(turn, courseContext) — Haiku, ~$0.001

   • Classifie la sévérité (5 niveaux) + catégorie (8 types)
   • Crée AiSupervisorIncident si severity != "none"
   • Applique les strikes / quarantaine / safety cooldown selon les règles

Configuration par l'admin

TenantTaskModelConfig

L'admin choisit le provider+modèle par type de tâche :

chat_tutor          → Claude Sonnet 4.6 (ou GPT-4o, ou Grok-3, etc)
chat_evaluation     → Claude Haiku
chat_summarization  → Claude Haiku
chat_supervisor     → Claude Haiku
content_generation  → Claude Haiku
course_review       → Claude Sonnet
gamification_agent  → Claude Sonnet
course_agent        → Claude Sonnet

PedagogicalConfig

Configurabilité pédagogique par tenant :

• masteryThresholds : seuils pour changer de stratégie (défaut 0.3, 0.5, 0.7, 0.9)
• domainOverrides : ajustement par domaine (ex : les mathématiques utilisent un scaffolding plus agressif)
• ageOverrides : ajustement par tranche d'âge (enfant = direct_instruction plus fréquent)
• learningStyleOverrides : visuel, auditif, kinesthésique

Personnalisation du template de prompt

L'admin institutionnel peut modifier le system prompt du tuteur via PromptTemplate (en base de données) :

• Par taskType (chat_tutor)
• Par provider (Anthropic, OpenAI, Google, xAI — variantes optimisées)
• Par locale (pt-BR, en-US, es-ES, fr-FR)
• Par tenant (ou null = global)
• Par cours (override par cours)

Limitations techniques

• Latence premier token : 800-1500ms (incluant le pipeline pré-LLM)
• Latence totale du tour : 2-8s pour une réponse moyenne (~300 mots)
• Fenêtre de contexte : limitée par le provider (Claude Sonnet 4.6 = 200K, GPT-4o = 128K)
• Langues : le tuteur répond dans la langue de l'apprenant mais en interne le pipeline est bilingue (en/pt)
• Images : le tuteur accepte les images en entrée (multimodal Claude/GPT/Gemini) mais le RAG est text-only
• Avatar parlant + voix (sortie) : disponible en opt-in par cours — avatar parlant en temps réel avec voix TTS via HeyGen LiveAvatar ou D-ID (BYO key). Voir Avatar & TTS.
• Voix en entrée (STT) : parler au tuteur (parole de l'apprenant → speech-to-text → chat) n'est pas encore implémenté (roadmap).

Voir aussi

• Tuteur IA : vision executive
• Avatar & TTS
• RAG Ingestion
• Agent Superviseur