Studeia dispose-t-il d'un chat avec IA ?

Oui. Studeia propose un tuteur IA conversationnel multi-agent. Contrairement à un simple wrapper de ChatGPT, il utilise un pipeline pédagogique multi-composant : orchestration déterministe, modèle apprenant, retrieval RAG et sélection de stratégie alimentent la réponse du LLM principal, tandis que l'évaluation, les follow-ups de contenu et la sécurité/supervision peuvent s'exécuter en arrière-plan. Le tuteur s'adapte à la maîtrise par concept, cite le contenu du cours et suit les misconceptions.

Puis-je remplacer Claude par GPT, Grok ou Gemini ?

Oui. L'administrateur institutionnel configure TenantTaskModelConfig par type de tâche LLM. Les composants LLM-backed du tuteur et des agents administratifs utilisent cette configuration avec basculement automatique entre fournisseurs en cas de panne (Claude → OpenAI → xAI Grok → Google Gemini). Les composants déterministes en TypeScript ne sélectionnent pas de fournisseur. Le tool calling fonctionne avec n'importe quel fournisseur via le Vercel AI SDK.

Le tuteur a-t-il accès au contenu de mon établissement ?

Oui, via un RAG par tenant isolé. Chaque cours peut être « ingéré » dans le RAG : le système extrait le texte des leçons (diaporamas, transcriptions vidéo, PDFs, quiz, texte enrichi), le découpe en morceaux, génère des embeddings via Voyage AI (1024 dimensions) et les stocke avec un filtre par tenantId+courseId. Lorsqu'un apprenant pose une question, le tuteur effectue sa recherche uniquement dans le contenu du tenant. Il ne cite jamais le contenu d'autres établissements.

Quel est le coût par apprenant par mois ?

Cela dépend de l'utilisation. Typiquement R$2-8/apprenant/mois en IA (enregistré dans AiUsageLog). L'administrateur consulte le détail dans Paramètres > IA. Les messages courts en Haiku (~$0.001), les conversations longues en Sonnet (~$0.01-0.05). Le tenant peut utiliser ses propres clés Anthropic/OpenAI pour réduire les coûts et supprimer la marge Studeia.

Le tuteur IA de Studeia est-il sûr pour les mineurs ?

Oui. Trois couches de protection : (1) User.isMinor=true active les filtres de contenu et renforce le system prompt. (2) L'agent Superviseur surveille chaque tour de conversation en arrière-plan, classifie en 5 niveaux (low/medium/high/critical/safety) et 8 catégories, avec 3 infractions = mise en quarantaine 48h. (3) Le self-harm (severity=safety) ne punit JAMAIS l'apprenant — il affiche à la place un message d'accompagnement + des ressources de crise et notifie l'administrateur en URGENCE.

Le tuteur détecte-t-il les erreurs conceptuelles ?

Oui. L'EvaluationAgent (Haiku, arrière-plan, ~$0.001) classifie les réponses et détecte les StudentMisconception avec une traçabilité complète (source, sourceSessionId, lessonId, questionText, contextSnippet, concepts[]). Les misconceptions ont un cycle de vie à 3 états : active → resolving → resolved (machine à états avec règles de transition par mise à jour de la maîtrise, réussite de quiz, traitement par le tuteur). Le tuteur lui-même est conscient des misconceptions actifs et les aborde de manière proactive.

Tuteur IA Multi-Agent

Vue d'ensemble

Le tuteur IA de Studeia n'est pas ChatGPT dans une iframe. C'est un système pédagogique conçu pour la formation en ligne :

Message de l'apprenant
  ↓
1. StudentModelService    → charge ConceptMastery (bayésien), misconceptions, historique de quiz
  ↓
2. RetrievalAgent         → recherche RAG limité au tenant, boost sur les zones faibles aux quiz
  ↓
3. PedagogicalAgent       → sélectionne la stratégie (5 options) selon la maîtrise
  ↓
4. Orchestrateur          → construit le prompt enrichi (maîtrise + misconceptions + contexte RAG)
  ↓
5. LLM (Vercel AI SDK)    → streaming, avec basculement Claude → GPT → Grok → Gemini
  ↓ après réponse (after())
6. EvaluationAgent        → classifie les misconceptions (Haiku, $0.001)
7. ContentAgent           → pré-génère un exercice de suivi
8. SupervisorAgent        → modère (5 niveaux de sévérité, 8 catégories)

Pourquoi multi-agent plutôt qu'un seul appel LLM

Appel unique :

Sans mémoire de l'apprenant → répète des explications déjà données
Sans connaissance des performances aux quiz → traite un apprenant faible comme un fort
Sans modération → risques de jailbreak, hors-sujet, contenu inapproprié
Sans RAG → invente des faits sur le cours

Multi-agent :

StudentModel garantit une personnalisation réelle
RetrievalAgent garantit l'ancrage dans le contenu du cours
PedagogicalAgent garantit l'adéquation de la stratégie
EvaluationAgent garantit une boucle de rétroaction pour l'apprentissage du système
SupervisorAgent garantit la sécurité

Stratégies pédagogiques

PedagogicalAgent sélectionne l'une des 5 stratégies en fonction de mastery (probabilité de maîtrise) :

Maîtrise	Stratégie	Comportement
< 0.3	direct_instruction	Explication claire, exemples concrets, pas à pas
0.3-0.5	scaffolding	Indices progressifs, questions guidées simples
0.5-0.7	socratic	Questions menant à la découverte
0.7-0.9	guided_practice	Exercices avec retour, application pratique
> 0.9	challenge	Problèmes complexes, connexions entre concepts

Les seuils sont configurables par l'administrateur via PedagogicalConfig (niveau tenant), avec surcharge par domaine.

Ajustement selon les performances aux quiz

Si maîtrise élevée (chat) + score faible au quiz → « compréhension superficielle » → ajustement DOWN de la stratégie. Si maîtrise faible + score élevé au quiz → « apprenant discret » → ajustement UP. Taux de réussite < 40% → plafonnement au scaffolding (pas d'avancement vers le mode socratique).

RAG par tenant

Chaque cours peut être ingéré dans le RAG du tenant :

POST /api/institution/courses/[id]/rag-ingest (modes : full | incremental)
Itère sur les leçons publiées, extrait le texte par type (rich_text→suppression HTML, slides→éléments, quiz→question+explication, PDF→OCR via document-extractor)
Découpage (800 tokens, 200 de chevauchement, préserve la structure)
Embeddings via Voyage AI (1024 dimensions, basculement OpenAI)
Métadonnées dans chaque morceau : { source: "course_lesson", courseId, lessonId, lessonTitle, moduleTitle, ingestionId }
autoSyncRag: true réingère de manière incrémentielle lorsque l'administrateur modifie les leçons

Détails dans RAG Ingestion.

Modération par l'agent Superviseur

SupervisorAgent (Haiku, arrière-plan) s'exécute après chaque tour de chat :

5 niveaux de sévérité : low, medium, high, critical, safety
8 catégories : langage inapproprié, violence, illégal, sexuel, off_topic, harassment, self_harm, jailbreak_attempt
3 infractions (LOW/MEDIUM en 7 jours) → quarantaine 48h
safety ne punit JAMAIS — affiche un message d'accompagnement + ressources de crise + notifie l'administrateur en URGENT
Coût : ~$0.001/tour (Haiku via generateDirect)
Activation en cascade : Course.supervisorEnabled → Tenant.supervisorEnabled → activé par défaut

Détails dans Agent Superviseur.

Multi-fournisseur IA

Les composants LLM-backed du tuteur et des agents administratifs utilisent TenantTaskModelConfig. Les composants déterministes en TypeScript, comme Orchestrator/Retrieval/Pedagogical, ne sélectionnent pas de fournisseur :

Agent	Méthode router	Fournisseur configurable ?
Tuteur (streaming chat)	`router.stream()`	Oui
Orchestrateur	TypeScript pur	N/A
RetrievalAgent	TypeScript pur	N/A
PedagogicalAgent	TypeScript pur	N/A
EvaluationAgent	`router.generateDirect()`	Oui
ContentAgent	`router.generateDirect()`	Oui
SessionSummarizer	`router.generateDirect()`	Oui
CourseReviewAgent	`router.generate()`	Oui
CourseAgent (CMS)	`router.generate()` + tools	Oui
GamificationAgent	`router.generate()` + tools	Oui
SupervisorAgent	`router.generateDirect()`	Oui

Chaîne de basculement par niveau :

LLM rapide (Haiku):   Claude Haiku → GPT-4o-mini → Grok-3-mini → Gemini Flash
LLM moyen (Sonnet):   Claude Sonnet → GPT-4o → Grok-3-fast → Gemini Pro
LLM complexe (Opus):  Claude Opus → GPT-4.5 → Grok-3 → Gemini 2.5 Pro

Disjoncteur par fournisseur (état dans Redis) : en cas d'échec 5 fois en 30s, bascule vers le suivant pendant 60s.

Limitations

La sortie text-to-speech et l'avatar visuel du tuteur sont disponibles comme expériences opt-in.
L'entrée vocale/STT et l'avatar real-time via WebRTC/fournisseurs externes restent sur la feuille de route.
Le RAG est par cours, et non par établissement entier. Chaque cours est ingéré séparément.
Les misconceptions résolus peuvent régresser (re-détectés) — c'est attendu, le système enregistre la régression dans l'evidence.