Ecosistema de Agentes

El Ecosistema de Agentes y OAS

El estándar OAS no está diseñado únicamente para evaluar exámenes. Está concebido como un Data Lake estructurado donde un enjambre de inteligencias artificiales especializadas (cada una con un rol específico) colabora para crear, actualizar y ejecutar el ciclo de vida educativo de forma autónoma.

graph TD
    OAS[(OAS Specs Repository\nYAMLs)]
    
    Evaluator[Agentes Evaluadores\nEvalúan alumnos contra Rúbricas C0] -->|Lectura| OAS
    Curator[Agentes Curadores\nProcesan PDFs/Docs para generar Capas C0/C1/C2] -->|Lectura/Escritura| OAS
    Manager[Spec Managers\nOrquestan y Compilan Recetas] -->|Lectura| OAS
    Modernizer[Agentes Modernizadores\nMigran paquetes LMS antiguos a OAS] -->|Escritura| OAS
    ExerciseGen["Agentes Creadores de Ejercicios\nGeneran ejercicios dinámicos (C1)"] -->|Escritura| OAS
    ResourceGen["Agentes de Recursos de Aprendizaje\nSintetizan material educativo (C2)"] -->|Escritura| OAS
    
    style OAS fill:#f9f,stroke:#333,stroke-width:2px

• Agentes Evaluadores (Evaluators): Consumen el estándar de solo lectura. Cruzan el ExerciseSpec con el payload del alumno para emitir calificaciones matemáticas precisas y feedback formativo.
• Agentes Curadores (Curators): Son los encargados de la ingesta de conocimiento en bruto. Analizan documentos, leyes en PDF o textos crudos y generan las diferentes capas del estándar (extrayendo taxonomías C0, diseñando tareas C1 o preparando bancos de contexto C2), guardando el resultado como nuevos archivos YAML.
• Agentes Modernizadores (Modernizers): Actúan como un Pipeline ETL para sistemas legacy. Ingieren paquetes exportados de plataformas LMS tradicionales (archivos ZIP de Moodle, Canvas, Blackboard, o formatos como IMS QTI) y los transforman automáticamente al ecosistema estructural de OAS.
• Agentes Creadores de Ejercicios (Exercise Creators): Utilizan las especificaciones didácticas y contextos preexistentes para generar iterativamente nuevos ejercicios dinámicos alineados con los estándares, guardándolos como instancias estructuradas en OAS.
• Agentes de Recursos de Aprendizaje (Learning Resource Generators): Encargados de destilar el contenido teórico y generar material educativo sintético, adaptativo o de apoyo pedagógico para alimentar los bancos de recursos (C2).

Red de Agentes: Implementación en ColabEdu

Dentro de la infraestructura de ColabEdu, este ecosistema no opera de forma aislada. Utilizamos un enfoque multi-agente donde un modelo orquestador enruta las solicitudes hacia Workers especializados, garantizando un rendimiento óptimo y aislamiento de contextos.

graph LR
    User((Profesor / Alumno))
    
    subgraph ColabEdu Cloud
        Gateway[API Gateway]
        Supervisor[LangGraph4j Supervisor]
        
        Worker1[Evaluator Worker]
        Worker2[Curator Worker]
        Worker3[Rubric Generator]
        
        Supervisor -->|Delega Tareas| Worker1
        Supervisor -->|Delega Tareas| Worker2
        Supervisor -->|Delega Tareas| Worker3
    end
    
    User <--> Gateway
    Gateway <--> Supervisor
    Worker1 -.-> SpecManager[Spec Manager API]
    Worker2 -.-> SpecManager
    Worker3 -.-> SpecManager
    
    style ColabEdu Cloud fill:#f0f8ff,stroke:#00509E,stroke-width:2px

El Supervisor (basado en LangGraph4j) actúa como el cerebro de tráfico. Analiza la intención del usuario (ej. “Evalúa este ensayo de Historia”) y despierta exclusivamente al Evaluator Worker con las instrucciones precisas. A su vez, todos estos agentes carecen de memoria a largo plazo propia; utilizan el SpecManager API como su única fuente de verdad, asegurando que cualquier cambio en la ley o en la rúbrica se aplique inmediatamente a todos los agentes.