De la littérature à un brouillon relisible

Produisez un plan de leçon sourcé qu'un enseignant peut examiner dans MySTRA, la vue de provenance de l'Observatory, avant de décider de l'approuver. Comptez 20 à 30 minutes une fois l'environnement Python de l'installation prêt. Le premier passage rejoue un exemple capturé : ni recherche web, ni appel de modèle payant.

Parcours de l'enseignant : sources, dossier de preuves, brouillon sourcé, vérification et lint, revue MySTRA, approbation humaine, puis la classe.

1. Rejouer l'exemple livré

Depuis la racine du dépôt, avec un dossier de travail neuf :

WORK="$HOME/studium-tutoriel"
.venv/bin/python tools/experience_packet.py prepare --passages examples/literature-experience/passages.json \
  --title "Que démontre une similarité spectrale ?" --target "Master" --out "$WORK/packet"
.venv/bin/python tools/experience_packet.py check --packet "$WORK/packet" \
  --response examples/literature-experience/author-response.json --out "$WORK/courses/spectral-evidence"
.venv/bin/python tools/experience_review.py "$WORK/courses/spectral-evidence"

Aucune sortie n'est écrasée sans le demander. L'exemple utilise un court extrait capturé de l'article SimMS et une réponse d'auteur préparée. Ses spectres sont synthétiques : ce n'est pas une reproduction des résultats de l'article.

Fichier Ce qu'il permet de vérifier
packet/evidence.json Textes capturés, identifiants, provenance et empreintes
packet/author-task.md La consigne destinée à l'assistant auteur
packet/response.schema.json Le format imposé à la proposition
plan.json Le plan canonique, au statut draft
source_links.json Les liens entre scène, preuve et citation exacte
viewers.json Des intentions de visualisation, pas un visualiseur exécuté
review.md Points de revue et limites
astra.yaml, course_provenance.myst.md Provenance structurée pour MySTRA

Tous les fichiers après les trois premiers se trouvent dans le dossier du cours. check valide les références et la structure ; il ne juge pas la vérité de l'interprétation.

2. Ouvrir la revue

.venv/bin/python services/observatory/observatory_app.py --course-root "$WORK/courses" --port 8124

Ouvrez http://127.0.0.1:8124/courses/spectral-evidence/mystra. Retrouvez la question, les décisions et leurs preuves. Comparez une citation au passage capturé. Relevez une limite scientifique et une amélioration pédagogique. Le statut doit rester DRAFT. Arrêtez le serveur avec Ctrl-C.

Vue MySTRA d'un cours dans l'Observatory : la question du cours, ses décisions et les preuves sur lesquelles chacune repose.

3. Remplacer l'exemple par votre littérature

Avec un connecteur Perspicacité réellement disponible et authentifié dans votre harnais, posez une question de recherche bornée et conservez l'enveloppe JSON renvoyée par son outil de passages. prepare attend ce contrat, pas une liste de titres ; voir le format de l'exemple. Un connecteur configuré ne prouve pas qu'une recherche a réussi. Sans connecteur, la commande passages d'Auto-apprentissage à partir de ses références capture une page, un PDF ou un fichier texte dans le même rôle.

Vérifiez pertinence, identifiants, extraits disponibles et droits de réutilisation. Une notice bibliographique n'est pas le texte intégral de l'article. Relancez ensuite prepare avec ce fichier et une nouvelle destination, puis demandez au harnais :

Lis author-task.md, evidence.json et response.schema.json du dossier. Propose le plan dans un nouveau author-response.json. Utilise les identifiants de preuve exacts et des citations présentes dans les passages. Distingue ce que chaque source soutient et ce qui manque. Garde status: draft et validated_by: null. Décris les interactions utiles des visualiseurs sans revendiquer un calcul qui n'a pas eu lieu. Ne soumets aucune réponse étudiante.

Faites pointer --response vers ce nouveau fichier. Corrigez les erreurs signalées par check dans le brouillon, jamais en modifiant la preuve. Dans author-response.json, reliez chaque scène aux identifiants de notions avec concept_refs et déclarez sur chaque notion celles dont elle dépend dans prerequisites ; check ne doit signaler ni identifiant inconnu ni scène sans notion.

4. Ajouter une capsule ASB

Ajoutez --capsule CHEMIN --task-id TASK_ID à prepare, avec l'identifiant réel de la tâche dans la capsule. Le préparateur capture la carte et ses contraintes, retire les valeurs d'environnement, garde les noms utiles et n'exécute pas le code. Une capsule documentaire Perspicacité et une capsule exécutable ASB ne sont pas interchangeables. Essayez d'abord la tâche dans un environnement prévu pour elle et conservez commande, entrées, versions et sortie, ou l'échec. Une carte marquée type-checked ne prouve pas une réussite locale. Le tutoriel suivant transforme une telle tâche en activité de jugement.

5. Décider de la suite

Relisez objectifs, prérequis, exactitude scientifique, questions, critères de réponse, charge de travail et droits sur les matériaux. Le dossier vérifié n'est pas un LessonBundle étudiant : ne le renommez jamais en lesson.json. Convertissez-le explicitement en squelette jouable :

.venv/bin/python tools/experience_packet.py bundle --course "$WORK/courses/spectral-evidence" \
  --out "$WORK/bundles/spectral-evidence/lesson.json"
apps/lesson-mcp/node_modules/.bin/tsx tools/bundle_validate.ts "$WORK/bundles/spectral-evidence/lesson.json"

Le squelette garde la marque DRAFT — not validated et contient des champs TODO: à remplacer et à relire. Il recopie les concept_refs, dérive le graphe de prérequis (source = notion dépendante, target = prérequis), ajoute la règle de reprise après deux erreurs rule_2err_replay_concept (--no-default-rules l'omet) et reprend les notes comme questions des quiz. check et bundle refusent une destination existante sans --force.

Une fois la leçon complétée et relue, enregistrez la décision :

.venv/bin/python tools/experience_packet.py approve --bundle "$WORK/bundles/spectral-evidence/lesson.json" \
  --validated-by "Votre nom"

approve refuse les textes provisoires restants et les erreurs de lint, et écrit approval.json à côté de la leçon, lié aux octets exacts de lesson.json : modifier la leçon ensuite rompt ce lien. Une leçon d'auto-apprentissage ne peut pas être approuvée. Depuis votre harnais, l'outil review_lesson montre le plan des scènes, qui détient chaque clé, le verdict du lint et la présence d'un enregistrement d'approbation correspondant, sans révéler aucune clé. La voie enseignant complète est dans Relire et approuver ; les règles de remplissage et les avertissements de licence, dans Rédiger une leçon.

Voir la source de cette page sur GitHub