Guia 1, Arquitetura do assistente

Este guia abre o projeto final, em que tudo se junta. Vamos desenhar a arquitetura do Multi-Agent Educational Assistant, mostrando como as peças dos treze módulos se encaixam em um único sistema coeso.

Você percorreu uma trilha longa, dos fundamentos de IA até a modelagem de longo prazo do aluno. A cada módulo, construiu uma peça, e muitas vezes parou para pensar como elas se conectavam. Chegou a hora de juntar tudo. O projeto final é o Multi-Agent Educational Assistant with Learning Analytics and Long-Term Student Modeling, um assistente que ensina, avalia, orienta, analisa e se adapta a cada aluno.

Antes de programar, é preciso desenhar. Um sistema que integra tantas partes exige uma arquitetura clara, que diga quem faz o quê e como as peças conversam. Este guia apresenta essa arquitetura, mostrando como o RAG, os agentes, o multi-agentes, o analytics e a modelagem do aluno se combinam. Entender o desenho é o que torna a construção, no próximo guia, uma questão de montar peças que você já conhece.

Objetivos

Ao final deste guia, você deve ser capaz de:

• Descrever a arquitetura geral do assistente educacional completo.
• Identificar de qual módulo vem cada componente do sistema.
• Entender como os componentes se comunicam para atender o aluno.
• Reconhecer o fluxo de uma interação, da pergunta à resposta personalizada.

A arquitetura

O assistente é organizado em torno de um coordenador que, no padrão do agente do Módulo 10, lê a mensagem livre do aluno, decide qual ação tomar e a encaminha ao componente certo. Esse roteamento é o que torna o coordenador um agente que decide, e não um simples seletor de comandos pré-rotulados. Cada componente é uma peça que você construiu em um módulo anterior.

flowchart TB
    AL[Aluno, mensagem livre] --> RO[Roteador<br/>M10 decide a ação]
    RO -->|dúvida| T[Tutor Agent<br/>M9 RAG com citação + M13 profundidade]
    RO -->|conta| C[Ferramenta calculadora<br/>M10]
    RO -->|exercício| EX[Banco de exercícios<br/>M11 + M13]
    RO -->|resposta| E[Evaluator Agent<br/>M11]
    RO -->|relatório| RE[Analytics + Mentor]
    EX --> AL
    E --> MO[Modelo do aluno<br/>M13 knowledge tracing + pré-requisitos]
    E --> AN[Analytics Agent<br/>M12 engajamento, risco, relatório]
    AN --> RE
    MO --> RE
    MO --> T
    MO -.salva e recarrega.-> D[(Modelo em JSON)]
    RE --> AL
    T --> AL
    C --> AL

Vejamos cada peça e a sua origem na trilha. O roteador, do Módulo 10, classifica a mensagem do aluno em uma ação, dúvida, conta, pedido de exercício, resposta a um exercício ou relatório. O Tutor Agent ensina, e para isso busca o trecho mais relevante no material com o RAG do Módulo 9, cita a fonte, e adapta a profundidade da explicação ao domínio do aluno, usando a personalização do Módulo 13. A ferramenta de calculadora, do Módulo 10, resolve contas com segurança. O banco de exercícios propõe a questão na dificuldade certa, e o Evaluator Agent, do Módulo 11, corrige a resposta. Cada avaliação atualiza o modelo do aluno, com o knowledge tracing do Módulo 13, e registra o evento no Analytics, do Módulo 12. O Mentor Agent, do Módulo 11, usa o modelo e o analytics para sugerir o próximo passo, respeitando um grafo de pré-requisitos entre os temas. E o modelo do aluno é salvo ao final e recarregado na sessão seguinte, garantindo o acompanhamento de longo prazo.

O fluxo de uma interação

Para sentir a arquitetura em movimento, acompanhe o que acontece em uma sessão. O aluno digita em texto livre, e o roteador decide a ação. Quando é uma dúvida, o Tutor busca o trecho no material e o entrega, citando a fonte, na profundidade certa para o domínio atual daquele aluno. Quando o aluno pede um exercício, o assistente escolhe um na dificuldade recomendada e o propõe. Quando o aluno responde, o Evaluator corrige, atualiza o domínio daquele tema no modelo do aluno, e registra o resultado no Analytics. Quando o aluno pede orientação, o Mentor olha o modelo e o analytics, identifica os temas fracos, e sugere revisar ou avançar para o próximo tema desbloqueado.

Repare na sinergia. O modelo do aluno, alimentado pelas avaliações, é o que permite ao Tutor personalizar e ao Mentor orientar. O Analytics, alimentado pelos mesmos eventos, dá a visão do desempenho. Tudo se conecta pelo coordenador e pelo modelo compartilhado do aluno, e o resultado é um comportamento de acompanhamento que nenhuma peça teria sozinha.

O que cada módulo contribui

A tabela abaixo resume a contribuição de cada módulo ao assistente final, mostrando que o projeto é, de fato, a costura de tudo o que você construiu.

A pesquisa mostra que sistemas tutores bem feitos se aproximam da eficácia da tutoria humana, como revisou VanLehn, e que os LLMs abrem novas possibilidades e desafios para a educação, como discutem Kasneci e colegas. O nosso assistente é uma síntese acessível dessas ideias.

Próximos passos

Com a arquitetura clara, o próximo guia trata da construção e da avaliação, mostrando como montar o assistente reunindo as peças e como testá-lo de ponta a ponta. O código completo já está no projeto projects/m14-final-assistant/, pronto para estudar, rodar e estender.

Leituras Recomendadas

• O artigo de VanLehn sobre a eficácia de sistemas tutores inteligentes.
• O artigo de Kasneci e colegas sobre LLMs na educação.
• As referências de cada módulo da trilha, reunidas no arquivo de bibliografia.

Referências Científicas

As referências abaixo são reais e estão registradas em references/referencias.bib. As chaves entre parênteses são as do BibTeX.

• VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197-221. (vanlehn2011relative)
• Kasneci, E., et al. (2023). ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education. Learning and Individual Differences, 103, 102274. (kasneci2023chatgpt)
• Brusilovsky, P. (2001). Adaptive Hypermedia. UMUAI, 11(1-2), 87-110. (brusilovsky2001adaptive)