DeepTutor

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

DeepTutor adalah implementasi open-source dari kerangka bimbingan yang dievaluasi dalam studi DeepTutor, dan telah tumbuh jauh melampaui cakupan makalah itu menjadi ruang kerja belajar agent-native yang umum. Bimbingan, pemecahan masalah, pembuatan kuis, latihan penguasaan, riset dan visualisasi berbagi satu runtime kapabilitas dan satu konteks sesi, sehingga profil pembelajar yang terbangun saat menyelesaikan masalah mengondisikan penjelasan dan butir latihan berikutnya.

Apa yang dapat Anda lakukan dengannya

Sepuluh mode — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading dan Immersive Watching — berjalan pada runtime yang sama, memanfaatkan basis pengetahuan, buku, draf, notebook, bank soal dan persona yang dapat dipakai ulang. Retrieval-nya sengaja multi-mesin: pustaka RAG berversi di atas LlamaIndex, PageIndex, GraphRAG, LightRAG atau server LightRAG jarak jauh, plus basis WeKnora yang dihosting sendiri, pustaka Tencent IMA atau MarginNote, atau vault Obsidian yang ditautkan. Memori dapat diperiksa alih-alih buram: jejak L1, ringkasan permukaan L2 dan sintesis L3 terlihat dan dapat diedit, dengan Memory Graph yang menautkan setiap ringkasan ke bukti di baliknya. Biner deeptutor menyediakan REPL terminal dan mengalirkan NDJSON untuk agen mana pun yang ingin menjalankannya sebagai alat, dan komunitas EduHub mendistribusikan skill yang dapat dipasang.

Untuk siapa

Dosen dan peneliti pendidikan tinggi yang menginginkan versi kerangka yang dilaporkan makalah itu dalam bentuk yang dapat diterapkan, pengembang yang membangun di atas runtime yang dapat dipasang-pasang, dan pembelajar mandiri yang bersedia menjalankan instansnya sendiri. Dokumentasi berada di deeptutor.info.

Catatan

Berlisensi Apache 2.0, pada versi 1.6.9 per September 2026 dengan sekitar 40.000 bintang GitHub. Evaluasi terbit di baliknya — perbaikan rata-rata 10,8% pada metrik personalisasi dibanding baseline yang kuat dan penalaran agentic umum yang 29,4% lebih kuat di lima model tulang punggung, pada benchmark TutorBench — diringkas di halaman artikelnya, yang batasannya juga berlaku di sini. Seperti tumpukan AI open-source mana pun, Anda menyediakan kunci penyedia model, dan penerapan desktop atau server mengharapkan Python 3.11 dan Node.

Konsep terkait

AI Agensik, Tutoring Cerdas, Pembelajaran yang Dipersonalisasi, RAG (Pembangkitan yang Diperkaya dengan Pengambilan), Sumber Terbuka, Pembelajaran Penguasaan, Pelacakan Pengetahuan, Pembuatan Soal Otomatis