Multi-Agent XR Authoring Framework · classroom authoring MAS

Multi-Agent XR Authoring Framework находится на стадии прототипа, предназначенного для classroom authoring use в K–12 контексте. Это не коммерческое решение и не policy, а исследовательский пример архитектуры, демонстрирующий организацию разнофункциональных агентов в XR-среде. Исходя из описания, система еще не прошла полноценный rollout и масштабное внедрение, сохраняя экспериментальный статус.

Multi-Agent XR Authoring — multi-agent система для авторинга XR-контента в школьном классе. Pedagogical agent / Execution agent / Safeguard agent / Tutor agent.

До внедрения Multi-Agent XR Authoring Framework в K–12 классы существовали ограничения в координации создания и контроля XR образовательного контента на уровне агентного распределения ролей. Традиционные системы либо концентрировались на отдельных ERP/authoring инструментах без интеграции safety агентности, либо не обеспечивали явную специализированную роль педагогики, исполнения и безопасности. Контроль качества XR контента и его педагогические параметры оставались разрозненными, что усложняло системную подготовку учебной среды учителем. В частности, отсутствие отдельного Safeguard Agent в существующих решениях создаёт риски безопасности и несоответствия нормам, а отсутствие явного Tutor Agent снижало качество образовательной поддержки.

Система обещает повысить качество и безопасность авторинга XR-контента через распределение функций между специализированными агентами: Pedagogical Agent формирует учебные цели и спецификации, Execution Agent осуществляет сбор 3D ассетов и контента, Safeguard Agent проверяет безопасность по нескольким критериям, а Tutor Agent добавляет образовательные комментарии и вопросы для проверки знаний. Такая архитектура направлена на orchestration учебной среды на уровне NET-фасеты с промежуточным agentivity 3/6, что означает значительную, но не полную автономность, где ИИ-агенты координируются в совместном workflow, служа для поддержки учителя и улучшения школьного образовательного процесса.

Архитектура Multi-Agent XR Authoring Framework опирается на распределённый multi-agent подход с 4 основными ролями: Pedagogical Agent, который управляет спецификациями контента и образовательными целями в соответствии с grade-appropriate требованиями; Execution Agent, отвечающий за сбор и интеграцию 3D ассетов и XR материалов; Safeguard Agent, встроенный для проверки безопасности по пяти критериям, обеспечивая соответствие XR среды нормам и предотвращая риски; и Tutor Agent, который добавляет учебно-педагогический контент — образовательные заметки и quiz questions. Используется многомодельная технология (multiple-models) с акцентом на XR, что поддерживает NET-оркестрацию и гибридный режим контроля (HYBR), ориентированный на teacher-facing использование.

В рамках кейса выделяются четко распределённые роли AI-агентов, помимо человеческих участников. Среди AI: Pedagogical Agent, Execution Agent, Safeguard Agent и Tutor Agent, которые отвечают за разные этапы производства и контроля XR образовательного контента. Роль teachera, скорее всего, сосредоточена на координации, проверке и использовании сгенерированного контента в классе, при этом AI-агенты направлены не на замену учителя, а на поддержку и автоматизацию частей workflow. От человека ожидается управление и принятие финальных решений, особенно в контексте безопасности и педагогического администрирования.

ИИ-агенты выполняют функции pedagogical design (Pedagogical Agent), исполнения и сбора материалов (Execution Agent), обеспечения безопасности контента (Safeguard Agent) и формирования учебной поддержки (Tutor Agent). В этом кейсе AI выступает не как автономный учитель, а как комплексный исполнитель и оркестратор учебной среды, выступая в роли multi-agent system с промежуточным уровнем agentivity (3/6), обеспечивая баланс между автономностью и контролем человека. Таким образом, AI играет ключевую роль в создании, проверке и поддержке XR контента для образовательных целей.

Процесс авторинга начинается с того, что Pedagogical Agent формирует требования к XR контенту согласно учебным целям и возрастной категории. Далее Execution Agent собирает необходимые 3D объекты и компилирует XR-среду. Safeguard Agent проверяет весь создаваемый контент и среду по пяти критериям безопасности, исключает потенциально опасные элементы и гарантирует соответствие стандартам. Завершает цикл Tutor Agent, который добавляет образовательные заметки, пояснения и вопросы для оценки усвоения материала. Учитель использует полученный XR материал, направляя и контролируя учебный процесс с гибридным контролем, где AI-agent workflow тесно встроен в teacher-facing интерфейс.