DeepTutor

Ennek az angol oldalnak a gépi fordítása, amelyet még nem ellenőrzött anyanyelvi beszélő.

A DeepTutor a DeepTutor-tanulmányban értékelt tutorálási keretrendszer nyílt forráskódú megvalósítása, amely jóval túlnőtt a cikk hatókörén egy általános, ügynökre épülő tanulási munkaterületté. A tutorálás, a problémamegoldás, a kvízgenerálás, az elsajátítási gyakorlás, a kutatás és a vizualizáció egyetlen képességi futtatókörnyezeten és egyetlen munkamenet-kontextuson osztozik, így a problémák megoldása közben felépülő tanulói profil meghatározza az utána következő magyarázatokat és gyakorlóelemeket.

Mire használható

Tíz mód – Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading és Immersive Watching – fut ugyanazon a futtatókörnyezeten, újrafelhasználható tudásbázisokra, könyvekre, vázlatokra, jegyzetfüzetekre, kérdésbankokra és személyekre támaszkodva. A visszakeresés szándékosan többmotoros: verziózott RAG-könyvtárak LlamaIndex, PageIndex, GraphRAG, LightRAG vagy távoli LightRAG-szerver fölött, valamint saját hosztolású WeKnora-bázis, Tencent IMA vagy MarginNote könyvtár, vagy kapcsolt Obsidian-tároló. A memória átvizsgálható, nem átláthatatlan: az L1-nyomok, az L2 felszíni összefoglalók és az L3 szintézis látható és szerkeszthető, egy Memory Graph pedig minden összefoglalót a mögötte álló bizonyítékhoz kapcsol. A deeptutor bináris terminál-REPL-t ad, és NDJSON-t streamel bármely ügynöknek, amely eszközként akarja vezérelni, az EduHub közösség pedig telepíthető készségeket oszt meg.

Kinek szól

Felsőoktatási oktatók és kutatók, akik a cikkben bemutatott keretrendszer telepíthető változatát akarják, fejlesztők, akik cserélhető futtatókörnyezetre építenek, és önállóan tanulók, akik hajlandók saját példányt futtatni. A dokumentáció a deeptutor.info oldalon van.

Megjegyzések

Apache 2.0 licenc, 2026 szeptemberében 1.6.9-es verzió, körülbelül 40 000 GitHub-csillaggal. A mögötte álló publikált értékelést – átlagosan 10,8%-os javulás a személyre szabott mérőszámokon erős alapvonalakhoz képest, és 29,4%-kal erősebb általános ügynöki következtetés öt gerincmodellen, a TutorBench benchmarkon – a cikkoldal foglalja össze, amelynek korlátai itt is érvényesek. Mint minden nyílt forráskódú MI-verem esetében, a modellszolgáltatói kulcsokat Ön adja, az asztali vagy szerveres telepítés pedig Python 3.11-et és Node-ot vár.

Kapcsolódó fogalmak

Ügynöki MI, Intelligent Tutoring, Personalized Learning, RAG (Retrieval-Augmented Generation), Open Source, Mastery Learning, Knowledge Tracing, Automated Question Generation