O Studeia tem chat com IA?

Sim. Studeia oferece um tutor IA conversacional multi-agente. Diferente de um wrapper de ChatGPT, e um pipeline com 6 agentes (orchestrator, retrieval, pedagogical, evaluation, content, supervisor) que adapta a resposta baseado no dominio do aluno em cada conceito, cita material do curso via RAG per-tenant, detecta misconceptions e ajusta estrategia pedagogica (direct instruction, scaffolding, socratic, guided practice, challenge).

Posso trocar Claude por GPT, Grok ou Gemini?

Sim. Admin institucional configura TenantTaskModelConfig por tipo de tarefa. Todos os 7 agentes IA respeitam essa config — fallback automatico entre providers se um cair (Claude → OpenAI → xAI Grok → Google Gemini). Tool calling funciona com qualquer provider via Vercel AI SDK.

O tutor tem acesso ao material da minha instituicao?

Sim, via RAG per-tenant isolado. Cada curso pode ser 'ingerido' no RAG: o sistema extrai texto de aulas (slides, video transcripts, PDFs, quizzes, rich text), chunka, gera embeddings via Voyage AI (1024 dims) e armazena com filtro por tenantId+courseId. Quando o aluno pergunta algo, o tutor busca apenas no material do tenant. Nunca cita conteudo de outras instituicoes.

Quanto custa por aluno por mes?

Depende do uso. Tipicamente R$2-8/aluno/mes em IA (registrado em AiUsageLog). Admin ve breakdown em Settings > IA. Mensagens curtas em Haiku (~$0.001), conversas longas em Sonnet (~$0.01-0.05). Tenant pode usar proprias chaves Anthropic/OpenAI para reduzir custo + remover margem Studeia.

O tutor IA do Studeia e seguro para menores?

Sim. Tres camadas: (1) User.isMinor=true ativa filtros de conteudo + reforco no system prompt. (2) Agente Supervisor monitora cada turno em background, classifica em 5 niveis (low/medium/high/critical/safety) e 8 categorias, com 3 strikes = quarentena 48h. (3) Self-harm (severity=safety) NUNCA pune o aluno — em vez disso, mostra mensagem de acolhimento + recursos de crise (CVV 188, SAMU 192) e notifica admin URGENTE.

O tutor detecta erros conceituais?

Sim. EvaluationAgent (Haiku, background, ~$0.001) classifica respostas e detecta StudentMisconception com rastreabilidade completa (source, sourceSessionId, lessonId, questionText, contextSnippet, concepts[]). Misconceptions tem lifecycle de 3 estados: active → resolving → resolved (state machine com regras de transicao por mastery update, quiz pass, tutor address). O proprio tutor e consciente dos misconceptions ativos e os aborda proativamente.

Tutor IA Multi-Agente

Visao executiva

Tutor IA do Studeia nao e ChatGPT em iframe. E um sistema pedagogico construido para EAD:

Mensagem do aluno
  ↓
1. StudentModelService    → carrega ConceptMastery (bayesiano), misconceptions, quiz history
  ↓
2. RetrievalAgent         → busca RAG tenant-scoped, boost por areas fracas em quizzes
  ↓
3. PedagogicalAgent       → seleciona estrategia (5 opcoes) baseado em mastery
  ↓
4. Orquestrador           → monta prompt enriquecido (mastery + misconceptions + RAG context)
  ↓
5. LLM (Vercel AI SDK)    → streaming, com fallback Claude → GPT → Grok → Gemini
  ↓ apos resposta (after())
6. EvaluationAgent        → classifica misconceptions (Haiku, $0.001)
7. ContentAgent           → pre-gera exercicio follow-up
8. SupervisorAgent        → modera (5 niveis severidade, 8 categorias)

Por que multi-agente vs single LLM call

Single call:

Sem memoria do aluno → repete explicacoes ja dadas
Sem awareness de quiz performance → trata aluno fraco igual a forte
Sem moderacao → riscos de jailbreak, off-topic, conteudo inadequado
Sem RAG → inventa fatos sobre o curso

Multi-agente:

StudentModel garante personalizacao real
RetrievalAgent garante grounding no material do curso
PedagogicalAgent garante adequacao da estrategia
EvaluationAgent garante feedback loop para o sistema aprender
SupervisorAgent garante seguranca

Estrategias pedagogicas

PedagogicalAgent seleciona uma de 5 estrategias baseado em mastery (probabilidade de dominio):

Mastery	Estrategia	Comportamento
< 0.3	direct_instruction	Explicacao clara, exemplos concretos, passo-a-passo
0.3-0.5	scaffolding	Dicas progressivas, perguntas guiadas simples
0.5-0.7	socratic	Perguntas que levam a descoberta
0.7-0.9	guided_practice	Exercicios com feedback, aplicacao pratica
> 0.9	challenge	Problemas complexos, conexoes entre conceitos

Thresholds sao configuraveis por admin via PedagogicalConfig (tenant-level), com override por dominio.

Ajuste por quiz performance

Se mastery alta (chat) + quiz baixo → "compreensao superficial" → nudge DOWN estrategia. Se mastery baixa + quiz alto → "aluno quieto" → nudge UP. Pass rate < 40% → cap em scaffolding (nao avanca para socratic).

RAG per-tenant

Cada curso pode ser ingerido no RAG do tenant:

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

Detalhes em RAG Ingestion.

Moderacao por agente Supervisor

SupervisorAgent (Haiku, background) roda apos cada turno do chat:

5 niveis severidade: low, medium, high, critical, safety
8 categorias: linguagem impropria, violencia, ilegal, sexual, off_topic, harassment, self_harm, jailbreak_attempt
3 strikes (LOW/MEDIUM em 7 dias) → quarentena 48h
safety NUNCA pune — mostra acolhimento + recursos crise + notifica admin URGENT
Custo: ~$0.001/turno (Haiku via generateDirect)
Habilitacao cascateada: Course.supervisorEnabled → Tenant.supervisorEnabled → default ON

Detalhes em Agente Supervisor.

Multi-provider IA

Todos os 7 agentes IA do Studeia respeitam TenantTaskModelConfig:

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

Fallback chain por tier:

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

Circuit breaker por provider (estado em Redis): se falhar 5x em 30s, pula para fallback ate 60s.

Limitacoes

Tutor nao tem voz (text-to-speech) por padrao. Roadmap.
Tutor nao gera video ou avatar real-time. Roadmap (HeyGen/D-ID).
RAG e por curso, nao por instituicao inteira. Cada curso ingere separadamente.
Misconceptions resolvidos podem regredir (re-detectados) — isso e esperado, o sistema marca regression na evidence.