Trinity разделила школьного AI-помощника на шесть агентов

University Startups вместе с AWS-партнёром g/d/n/a перестроила Trinity — разговорный сервис, который помогает учащимся с инвалидностью формулировать цели после школы. Вместо статической анкеты ученик обсуждает интересы, сильные стороны и планы, а система готовит переходный раздел Individualized Education Program, согласованный с требованиями американского Individuals with Disabilities Education Act. По данным AWS, за первый год Trinity дошла до преподавателей и учеников более чем в двенадцати штатах США.

Главное изменение произошло внутри продукта. Ранний прототип пытался одним большим prompt одновременно вести опрос, искать карьерные варианты, проверять соответствие правилам и писать документ. В production эти задачи конкурировали за контекст: ошибка retrieval или неверный тон могли повредить всю сессию. Команда заменила монолит иерархией из шести специализированных агентов, связанных общим профилем учащегося.

Шесть ролей вместо одного универсального ответа

Orchestrator Agent читает разговор, выбирает маршрут и объединяет итог. College Agent ищет среди более чем 30 тысяч записей об университетах и community colleges; Employment Agent сопоставляет интересы с базой более чем из тысячи профессий; Training Agent работает с более чем пятью тысячами программ и сертификатов. Community Agent добавляет социальные и волонтёрские активности, а Independent Living Agent — цели по самостоятельной жизни и бытовым навыкам.

Процесс разделён на две фазы. Сначала ученик проходит разговорный intake из четырёх сегментов, после чего основной агент возвращает от пяти до десяти ранжированных вариантов. После выбора все агенты готовят свои части документа, а оркестратор сводит их в единый переходный план. AWS утверждает, что экспорт форматированного PDF занимает от пяти до десяти секунд, а WebSocket-соединение поддерживает отзывчивость интерфейса преподавателя.

Поиск учитывает не только смысл запроса

Для рекомендаций g/d/n/a поддерживает три Amazon Bedrock Knowledge Bases. Гибридная формула отдаёт 30% семантическому сходству, 25% совпадению ключевых слов, 20% географическому предпочтению и ещё 25% атрибутам программы — наличию поддержки инвалидности, стоимости и уровню образования. Перед поиском запрос расширяется моделью, а результаты ниже порога релевантности 25% отбрасываются.

Это важнее обычного списка похожих профессий. Подходящий колледж должен одновременно находиться в доступном регионе, предлагать нужную программу, иметь необходимые сервисы поддержки и укладываться в бюджет. Явные веса делают логику хотя бы частично проверяемой, хотя опубликованный кейс не содержит независимого сравнения качества рекомендаций с работой опытного школьного специалиста.

Serverless-контур и доступность

Веб-клиент подключается через Amazon API Gateway по REST и WebSocket, вычисления выполняются в AWS Lambda, а состояние разговора хранится в DynamoDB. В описанной версии ответы генерирует Claude 3.5 Sonnet через Amazon Bedrock. Amazon Polly озвучивает текст, Amazon Transcribe преобразует речь ученика в текст, а Cognito связывается со школьной Canvas через LTI 1.3, чтобы не создавать отдельные учётные записи.

Архитектура полностью serverless, но это не означает отсутствия операционной сложности. Команде всё равно нужно контролировать задержку шести агентов, качество каждой базы знаний, согласованность итогового документа и региональную доступность модели. Guardrails фильтруют контент и помогают снижать риск hallucinations, но не заменяют предметную проверку преподавателем.

Защита чувствительных школьных данных

Trinity обрабатывает имена, сведения об инвалидности, accommodations и контакты школы. Кейс описывает шифрование отдельных полей через AWS KMS с ежегодной ротацией ключей, least-privilege политики IAM и серверный role-based access control. Super Admin видит показатели нескольких округов, координатор — данные своего округа, сотрудник школы — своих учеников, а ученик — только собственные сессии и планы.

AWS и партнёры связывают этот контур с требованиями FERPA и HIPAA к чувствительным данным. Это заявление поставщиков о спроектированном решении, а не опубликованный результат независимого compliance-аудита. Для школы практическая проверка должна включать сроки хранения, журнал доступа, экспорт и удаление данных, реакцию на ошибочную рекомендацию и точную границу между черновиком AI и юридически значимым IEP.

Почему это важно

Trinity показывает уместный случай для multi-agent архитектуры: роли отличаются не декоративно, а источниками данных, правилами отбора и местом в процессе. Разделение уменьшает радиус одной ошибки и позволяет отдельно тестировать карьерный поиск, бытовые цели и консолидацию документа. Но больше агентов означает больше точек отказа, поэтому качество итогового PDF нельзя выводить только из факта успешного выполнения workflow.

Практический вывод для команд EdTech — начинать с карты решений и ответственности, а не с количества агентов. Для каждого шага нужны эталонные случаи, измерение полноты retrieval, видимая атрибуция и обязательное подтверждение специалистом. В образовании персонализация полезна только тогда, когда ученик действительно участвует в выборе, а модель остаётся инструментом подготовки, не подменяющим родителей, педагогов и предусмотренную законом процедуру.