Catálogo de componentes Didact y huecos

Estado: catálogo pinneado v1 (34 tipos declarados, 6 bloqueados) Fuentes de verdad: apps/skillnet-api/src/personalization/didact_component_registry.v1.json (delta de integración del host), apps/skillnet-api/src/personalization/didact_snapshot.json (inventario del proveedor), apps/skillnet-api/src/render/kit.py (el UI Kit que el validador y el prompt conocen). Relacionado: didact-integration.md, extensibility.md, learning-experience-architecture.md

Este documento inventaría qué componentes hay hoy, cuáles están bloqueados y qué tipos pedagógicamente valiosos faltan, con una lista priorizada de recomendaciones. No implementa nada: es catálogo + auditoría.

1. Dos catálogos, una frontera

SkillNet mantiene dos vistas complementarias sobre los componentes de aprendizaje:

• El registro de disponibilidad Didact (didact_component_registry.v1.json + didact_catalog.py) responde qué está instalado y qué puede ejecutar el host ahora. Cada tipo declara: renderer_mode (direct / activity_definition / blocked), emission (enabled / disabled), authoring_strategy (inline / server_activity / unsupported) y los required_ports. La identidad pedagógica viene del snapshot autoritativo del proveedor (available_types, 34 tipos).
• El UI Kit (render/kit.py) es la fuente de verdad de la validación: los nombres de componente, los props exactos, los enums cerrados y el orden posicional del dialecto OpenUI que el LLM emite. render/spec.py lo hace cumplir.

Los puertos de host que SkillNet ofrece hoy son ["assets", "clock", "evaluation", "persistence", "progress"] (didact_component_registry.v1.json). Un componente que exige un puerto fuera de esa lista —scheduler, simulation, execution, events, media— no puede ejecutarse aunque esté instalado.

2. Catálogo Didact actual (34 tipos)

2.1 Componentes habilitados con render directo (inline)

Autoría inline: el LLM los emite directamente en el episodio; render propio de SkillNet.

2.2 Componentes habilitados como actividad de servidor (server_activity)

Se renderizan vía DidactActivity cargando por id una ActivityDefinition revisada (el programa nunca contiene respuestas). Requieren los puertos indicados.

2.3 Componentes BLOQUEADOS (emission: disabled, renderer_mode: blocked)

Seis tipos declarados pero no ejecutables hoy. Se dividen por causa del bloqueo:

Observación importante: branching-scenario y practice-set no están bloqueados por falta de puertos —los puertos que piden ya existen o no piden ninguno—, sino porque SkillNet todavía no ha construido su estrategia de autoría/renderer. Son los desbloqueos de menor coste técnico.

3. El UI Kit propio de SkillNet (render/kit.py)

Más allá de Didact, el kit incluye componentes de contenido y de experiencia que el LLM compone en el episodio. Los relevantes para esta auditoría:

• Contenedores / contenido: Stack (root), Card, TextContent, Callout, StepSequence, Table, CodeBlock, Chart, BeforeAfter, Markdown (solo fallback).
• Interacción / evaluación inline: QuizItem, DragOrder, Flashcard, HintReveal, DidactGlossary, DidactTimeline, DidactWorkedExample.
• Medios sintetizados: AudioExplanation, PronunciationExercise, y los dos broker-scoped PodcastPlayer / InfographicImage — reales y validables, pero que el generador solo ve cuando el media broker los inyecta por nodo porque existe un artefacto READY y la modalidad del aprendiz coincide (ver media-artifacts.md).
• Frontera neutral: LearningExperience (referencia opaca a una experiencia resuelta; no expone proveedor ni respuestas) y DidactActivity (llm_emittable=False, legacy_parseable=True: cargable por id, playback histórico).

Cada componente puede reclamar funciones de contenido (ENUMERAR, PROCEDIMENTAR, CUANTIFICAR, CONTRASTAR, VARIAR, EXPLORAR, LOCALIZAR, EVALUAR); hoy solo las cuatro primeras tienen detector que las emita (render/kit.py, shape.py).

4. Auditoría de huecos (¿nos falta más por meter?)

Dos categorías: (A) desbloquear lo ya declarado y (B) tipos genuinamente ausentes.

4.1 (A) Desbloquear lo declarado — mayor retorno inmediato

1. branching-scenario — sin coste de puertos. Escenarios de decisión ramificada con un grafo de estado serializable. Cubre una necesidad real que hoy no tiene ningún componente: practicar decisiones consecuentes (compliance, atención al cliente, seguridad de procedimiento). Solo falta la estrategia de autoría/renderer. Recomendación: primero.
2. retrieval-practice-session (recall espaciado) — requiere un puerto scheduler. SkillNet ya tiene repetición espaciada (HLR) a nivel de curso; falta exponerla como componente in-episode para recall dentro de la lección. Alto valor de retención.
3. code-exercise (sandbox) — requiere un puerto execution (adaptador de ejecución en sandbox). Habilitaría la colección technical-training entera (SQL, scripting). Coste alto (aislamiento/seguridad) pero es la palanca clave para cursos técnicos.
4. simulation-lab — requiere un puerto simulation. Sistemas cuantitativos ajustables (parámetros, observables, pasos deterministas). Alto valor para matemáticas, ciencia y operaciones.
5. practice-set — puerto evaluation ya disponible; solo falta autoría. Compone actividades sueltas en una sesión acotada con revisión. Coste bajo, valor medio.

4.2 (B) Tipos pedagógicos genuinamente ausentes del catálogo

Juzgados contra necesidades reales de aprendizaje, no una lista genérica:

1. Tutor socrático / diálogo conversacional evaluado — SkillNet tiene chat, pero no un componente in-episode que conduzca una conversación de práctica con oráculo de corrección. Encaja con la frontera LearningExperience. Alto valor para lengua, razonamiento y soft-skills.
2. Evaluación de habla / grabación de voz con oráculo — existe PronunciationExercise (front) pero sin corrección real. Un componente de speaking assessment (grabar → puntuar) cerraría el bucle de idiomas.
3. Media anotada con checkpoints / timeline-scrubber — interactive-media está habilitado como actividad de servidor, pero un scrubber sobre vídeo/audio con puntos de decisión incrustados y transcripción navegable no tiene render propio. Valor medio-alto para procedimientos y escucha.
4. Controlador de dificultad adaptativa / ruta de mastery — hoy la variedad de evaluación es rotación determinista (assessment.py); falta un componente que ajuste dificultad según el desempeño dentro del episodio.
5. Hoja de cálculo / data-wrangling interactivo — data-explorer cubre exploración gráfica/tabular, pero no manipulación tipo spreadsheet (fórmulas, transformaciones).
6. Anotación colaborativa / respuesta entre pares — ningún componente multi-aprendiz; requeriría el puerto events. Valor bajo para el modelo actual (individual), a vigilar.

4.3 Recomendaciones priorizadas (top)

Resumen de una línea: el mayor valor a corto plazo no es inventar tipos nuevos, sino desbloquear lo que Didact ya declara —empezando por branching-scenario, que no depende de ningún puerto— y luego proveer los tres puertos de host que faltan (scheduler, execution, simulation). El único tipo verdaderamente nuevo con retorno claro es el tutor conversacional evaluado.