Tutor de IA conversacional para o aprendizado de inglês

Abstract

Este trabalho apresenta o desenvolvimento de um tutor de inteligência artificial conversacional para o aprendizado de inglês, focado em falantes de português. O projeto aborda as limitações das abordagens puramente neurais no ensino, que carecem de precisão e personalização, bem como o alto custo e latência da arquitetura multiagente tradicional. A solução proposta é uma arquitetura composta por um pipeline de processamento em camadas implementado em LangGraph para análise gramatical, e um agente central unificado (AFM) que adota o paradigma Chain-of-Agents (CoA). Este agente simula internamente a colaboração de múltiplos agentes com diferentes papéis a fim de estabelecer raciocínios complexos com eficiência. O sistema integra tanto ferramentas simbólicas como o LanguageTool para validação gramatical determinística, quanto neurais para análise semântica, sendo implementado como um aplicativo móvel cliente usando React Native, e servidor em FastAPI. A eficiência da arquitetura foi validada frente aos pilares do framework OAgents e como resultado o trabalho entrega uma ferramenta pedagógica de baixa latência e com menor custo do que a abordagem multiagente tradicional, sendo capaz de oferecer correções instantâneas, proporcionando um ambiente seguro para a prática conversacional.

This work presents the development of a conversational artificial intelligence tutor for English language learning, focused on Portuguese speakers. The project addresses the limitations of purely neural approaches in education, which lack precision and personalization, as well as the high cost and latency of traditional multi-agent architectures. The proposed solution is an architecture composed of a layered processing pipeline implemented using LangGraph for grammatical analysis, and a unified central agent (AFM) that adopts the Chain-of-Agents (CoA) paradigm. This agent internally simulates the collaboration of multiple agents with different roles to efficiently perform complex reasoning. The system integrates both symbolic tools, such as LanguageTool for deterministic grammatical validation, and neural tools for semantic analysis. It is implemented as a client mobile application using React Native and a server in FastAPI. The architecture’s efficiency was validated against the pillars of the OAgents framework. As a result, the work delivers a pedagogical tool with low latency and lower cost than the traditional multi-agent approach, capable of offering instant corrections and providing a safe environment for conversational practice.