GenMentor · multi-agent goal-oriented learning framework

GenMentor research group · INT · тип R · стадия poc · контур: greenfield

Канвас 18 секций

00 Онтологический статус ⓘ draft · enriched-from-waves

GenMentor представлен как deployed/application плюс исследование (study), то есть это не просто прототип или симуляция, а реальный кейс с внедрением и оценкой в живых условиях. Это подтверждает позицию кейса как практического решения в контексте multi-agent goal-oriented learning frameworks.

01 Сигнатура и контекст ⓘ draft · imported

GenMentor — multi-agent framework, который переводит цель учащегося в skill map, строит learning path и генерирует адаптивный контент. AI действует как педагогический планировщик, диагност и генератор. Эталон агентности 3/6. Поддерживает [[H2-assistant-to-autonomy]] и моду [[re-skilling]].

02 Проблема и исходная ситуация ⓘ draft · enriched-from-waves

В традиционном AI-образовании проблема заключалась не в одиночных ответах на запросы студента, а в отсутствии системного подхода, который связывают цели обучения с необходимыми навыками (goal-to-skill mapping), выявляет skill gaps и строит индивидуальные учебные траектории (learning path scheduling). В частности, отсутствие педагогического планировщика с диагностикой и генерацией маршрутов препятствовало персонализации и целенаправленному развитию компетенций.

03 Гипотеза эффекта ⓘ draft · enriched-from-waves

GenMentor обещает повысить эффективность обучения за счёт автоматизации структурирования целей обучающегося в набор необходимых скиллов, выявления пробелов в знаниях, построения оптимального персонализированного учебного пути и динамической генерации учебного контента под конкретные дефициты. Такая orchestration управляется multi-agent framework с уровнем агентности 3/6, что означает автономную координацию нескольких функций AI для поддержки гибкого адаптивного обучения.

04 Архитектура AI ⓘ draft · enriched-from-waves

Архитектура GenMentor опирается на fine-tuned LLM, который выступает ключевым компонентом для goal-to-skill mapping. Для построения расписания траекторий используется evolving optimization approach, при этом профиль обучающегося является динамическим (dynamic learner profile). Контент создаётся через механизм exploration–drafting–integration, который адаптирует учебные материалы под выявленные skill gaps. Таким образом система функционирует как orchestration NET-тип с hybrid control, объединяя автоматический и управляемый AI-подходы.

05 Ролевая модель команды ⓘ нет данных