Por que construímos uma camada em vez de um wrapper

A abordagem óbvia para construir produtos de aprendizagem com IA é chamar a API de um modelo de fundação e formatar a saída. Muitos produtos funcionam exatamente assim, e para casos de uso simples isso é adequado. Nossos casos de uso não são simples. Precisamos de respostas que sejam factualmente precisas, calibradas ao nível do aluno, sensíveis ao seu histórico recente de interação, livres de confabulação, e responsivas à tarefa cognitiva específica em questão. Nenhum modelo único entrega de forma confiável todas essas propriedades simultaneamente. A arquitetura que entrega não é um wrapper em torno de um modelo — é uma camada que orquestra múltiplos componentes com responsabilidades definidas.

04 — Validator
Checks accuracy, calibration, task structure
03 — Generator
Produces response with model + retrieved context
02 — Retrieval
Fetches learner context, anchors, knowledge state
01 — Router
Classifies task type, selects model + latency budget
↑ Learner request enters hereOutput delivered here ↑
Quatro camadas, um pipeline. Toda inferência passa pelos quatro componentes antes de chegar ao aluno.

Os componentes da camada

O Talos tem quatro componentes principais. O roteador classifica as requisições entrantes por tipo cognitivo e seleciona o modelo ou combinação de modelos apropriado. O sistema de recuperação mantém contexto por aluno: histórico de interação, estado de conhecimento demonstrado, âncoras de memória e concepções errôneas inferidas. O gerador produz a resposta, baseando-se tanto no modelo selecionado quanto no contexto recuperado. O validador verifica a saída antes da entrega, sinalizando respostas factualmente inconsistentes, inadequadamente calibradas, ou estruturalmente malformadas para o tipo de tarefa. Esses componentes se comunicam através de uma representação de sessão compartilhada que persiste através das interações do aluno com qualquer produto Arconite.

Os quatro componentes do Talos

  • Roteador — classifica o tipo de tarefa, seleciona o modelo, define orçamentos de latência e confiança
  • Recuperação — busca o contexto do aluno, estado de conhecimento e cronograma de âncoras de memória
  • Gerador — produz a resposta usando o modelo selecionado e o contexto recuperado
  • Validador — verifica a saída quanto à precisão, calibração e correção estrutural da tarefa

O sinal de aprendizagem compartilhado entre Gripho e Skemax é o que torna o Talos uma camada de inteligência — e não apenas duas integrações de IA separadas vestidas com a mesma marca.

Sinal compartilhado entre produtos

A decisão arquitetural mais importante que tomamos com o Talos foi compartilhar o sinal de aprendizagem entre Gripho e Skemax. Um aluno que trabalha um conceito em uma conversa com o Gripho gera sinal — conhecimento demonstrado, lacunas identificadas, cronograma de âncoras de memória — que fica disponível para a Skemax quando esse aluno abre um curso relevante. Um aluno que tem dificuldade com um objetivo específico em um curso da Skemax gera uma prioridade de recuperação sobre a qual o Gripho pode agir em uma sessão subsequente. Esse sinal entre produtos é o que torna o Talos uma camada de inteligência, e não duas integrações de IA separadas. É também o que torna o ecossistema Arconite qualitativamente diferente de usar duas ferramentas de aprendizagem desconectadas.

4Camadas de arquiteturaRoteador → Recuperação → Gerador → Validador
∞Memória de sessãoO contexto do aluno persiste em todos os produtos
0Dados para modelos externosDados de alunos nunca treinam sistemas externos