Генерация сильна в широте и адаптации
AI-тьютор может превратить один Frame в рабочий пример, ситуацию из поездки, role-play или короткий quiz. Он меняет сложность и сразу отвечает на вопрос учащегося. Это сильные возможности, потому что язык всегда зависит от контекста, а разным людям нужны разные ситуации.
Metkagram может использовать такую гибкость, когда сгенерированная активность привязана к известному Frame, Move или Contrast. Модель расширяет практику, а проверенный объект даёт ей стабильную точку отсчёта.
Проверенный корпус решает другую задачу
Стабильный Frame получает идентификатор, проверенные ограничения, примеры, отношения, metadata качества и provenance. Один и тот же объект может появляться на сайте, в API, в teacher export или в AI-сессии, не меняя незаметно своё определение от запроса к запросу.
Такая стабильность важна для истории обучения и исследования. Если человек регулярно путает два Frames, система завтра может вернуться к тому же Contrast, а не просить модель каждый раз заново изобретать различие.
Сильная комбинация разделяет авторитет контента и поведение тьютора
AI-тьютор может выбирать prompt, персонализировать ситуацию, просить retrieval и объяснять обратную связь. Канонический корпус определяет, какой именно Frame практикуется и какие связи действительно прошли редакционную проверку. Такое разделение оставляет интерфейсу свободу, не выдавая каждое сгенерированное утверждение за одинаково проверенное.
Архитектура Metkagram уже следует этому принципу: AI может использовать корпус, но не становится редакционным source of truth только потому, что умеет писать гладкие примеры.