Omnilearn: Bots escolares de AI multi-agente para educação universal na infância

Esta é uma apresentação para o Heroku “Back to School” AI Challenge Omnilearn: Bots da Escola AI multi-agente para a educação universal da infância. Esta é a minha apresentação para o desafio da experiência de Back to School da IA. Eu construí um aplicativo de IA multi-agente chamado Omnilearn, uma rede de “bots escolares” especializados projetados para capacitar as crianças com acesso a todos os conhecimentos criados pela humanidade. Esses bots agem como tutores personalizados, dividindo tópicos complexos em lições interativas apropriadas para a idade-pense em um bot histórico que narrando civilizações antigas com visuais de AR ou um bot científico simulando experimentos por meio de passos guiados por voz. O aplicativo transforma a preparação de volta às aulas em uma aventura de aprendizado sem fim, tornando a educação divertida, adaptável e abrangente para crianças em todo o mundo. O que eu construía é uma plataforma de IA multi-agente implantada no Heroku, onde agentes inteligentes colaboram para oferecer experiências educacionais personalizadas. Cada bot é especializado em um domínio (por exemplo, bot de matemática para solução de problemas, bot de idioma para histórias multilíngues, bot de conhecimento geral para consultas interdisciplinares), mas se baseia em um “cofre de conhecimento unificado”, que não é o primeiro conhecimento humano-o que está de acordo com o Focuss, como o que é o que é o que está de acordo com o Focushed, como o que é o que está de acordo com o Focuss. Configure “agente que avalia seu nível de série, interesses e objetivos por meio de um questionário divertido (voz ou texto). Em seguida, os bots criam horários personalizados, ajudantes de lição de casa e estudam amigos. Por exemplo: lições interativas: carregue um desenho de uma planta; Biologia Bot identifica e ensina a fotossíntese com explicações animadas. Aprendizagem colaborativa: agentes “se unem” para projetos, como Bots Physics + Bot Art para um modelo solar. Construído com o back -end do Node.js no Heroku, o React Frontend e o Heroku AI integrado para escala perfeita. São crianças seguras (filtros de conteúdo, controles parentais) e acessíveis por meio da Web/Mobile PWA. O Twist Crazy: Bots “Evolve” aprendendo com interações anonimizadas (com consentimento), simulando uma sala de aula global em que as crianças se refletem em Demiles: Demiles: Demiles, que não se destaca (finalmente, o que é um desanimador de co-riduciosos; Teste) .Demo Video (5 minutos): Assista no YouTube. Ele mostra uma interação infantil: configuração do teste, botão de matemática, resolvendo um quebra-cabeça, histórias de bot histórico com análise de imagens e colaboração de agentes para um projeto de ciências. Os agentes avaliam por meio de bolhas de bate -papo. (Imagem: Kid Avatar Selecionando “Eu amo dinossauros!” Com respostas de bot.) Painel de bot: grade de ícones de bot; Selecione Bot Science para uma lição sobre vulcões. (Imagem: Bots animados com anéis de progresso.) Sessão interativa: Carregue a foto de um problema de matemática; O BOT resolve e explica passo a passo. (Imagem: Sobreposição de AR na imagem carregada com equações.) Consulta do Vault Knowledge: Pesquise “Toda invenção da humanidade”; Bot recupera e resume com os cronogramas. (Imagem: pesquisa semântica resulta em cartões.) Visão parental: Analytics on Learning Streaks e Bots sugeridos. (Imagem: Gráfico de tópicos abordados.) O vídeo destaca interações de agentes em tempo real, garantindo que os juízes vejam a magia multi-agente em ação. Como eu usei o Heroku AI apresenta o kit de ferramentas da AI da Ai fez com que a base de conhecimento de McAgent Multi), sem a manutenção de um integramento de reflexão e o integramento de McE.Mod, com a manutenção de integrações de McE.Mod. Acesse ferramentas externas e dados em tempo real, criando uma camada de contexto “plug-and-play”. Por exemplo, o bot de matemática se conecta via MCP a uma API da calculadora para equações complexas, enquanto o bot geografia extrai mapas ao vivo da API do Google Maps. Implementação: implantou um servidor MCP no Heroku (usando o Heroku CLI e o Github Repo para o servidor MCP da plataforma), que os agentes consultam dinamicamente. Isso garantiu que a passagem consistente do contexto para o LLMS (por exemplo, “fornecer explicações passo a passo para uma criança de 8 anos”), reduzindo alucinações e permitindo que os bots “entreguem” as sessões (por exemplo, história à arte). Integração simplificada padrão aberta do MCP, tornando o aplicativo extensível para novos bots. Inferência gerenciada e agentes gerenciados: o núcleo da configuração multi-agente! Eu provisionei o heroku gerenciado add-on de inferência e agentes para executar modelos de fundação (por exemplo, GPT-4O por meio de fornecedores suportados) para o raciocínio de cada bot. Os agentes são orquestrados como um fluxo de trabalho: um “agente de coordenador” central de consultas de rotas (por exemplo, “física quântica para crianças? → Bot de física”), usando a inferência gerenciada por respostas de baixa latência. Para voltar às aulas, gera planejadores personalizados (por exemplo, “cronograma semanal com base no plano de estudos”). A implantação era perfeita-adiante anexada ao meu aplicativo Heroku, com escala automática para sessões de crianças simultâneas. Isso lidou com ~ 80% da lógica da IA, liberando -me para me concentrar em prompts educacionais.pgvector for Heroku Postgres: para armazenar “todos os conhecimentos já criados”, habilitei o PGVector em um banco de dados Heroku Postgres para incorporados de vetores de embutimentos de embutidos de abertura. Os bots realizam pesquisas semânticas (por exemplo, similaridade de cosseno por “explicar a relatividade como Einstein com uma criança”) para recuperar pedaços relevantes para o RAG (geração de recuperação de recuperação). Configuração: Adicionado a extensão via Heroku CLI (Heroku PG: PSQL para ativar), vetores indexados com HNSW para consultas rápidas. This powers the knowledge vault, ensuring bots access accurate, up-to-date info without external APIs, and supports multi-agent collaboration (eg, shared retrieval for interdisciplinary lessons).Together, these features created a robust, serverless AI backbone: pgvector for storage/retrieval, Managed Agents for execution, and MCP for extensibility—all deployed in minutes on Heroku.Category: O aluno sucessivo e suporta diretamente apoia o aprendizado dos alunos, fornecendo ferramentas educacionais adaptativas e abrangentes que organizam o conhecimento em experiências envolventes e pequenas. Isso aumenta o desempenho acadêmico por meio de aulas personalizadas, rastreamento de progresso e agentes colaborativos-ideais para o sucesso de volta às aulas, ajudando as crianças a dominar qualquer assunto do básico a tópicos avançados. Ao fazer “todo conhecimento” acessível e divertido, nivela o campo de jogo para crianças em todos os lugares. O omnillearn-school-Bots (inclui configuração do servidor MCP, esquemas de pgvector e fluxos de trabalho do agente) .Este projeto mostra o poder da inovação educacional da Heroku AI-excitada para trazer aprendizado universal para as crianças! 🚀

Fonte