DeepTutor

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

DeepTutor è l'implementazione open-source del framework di tutoring valutato nello studio DeepTutor, ed è cresciuto ben oltre l'ambito di quell'articolo, fino a diventare uno spazio di lavoro per l'apprendimento nativamente basato su agenti. Tutoring, risoluzione di problemi, generazione di quiz, pratica sulla padronanza, ricerca e visualizzazione condividono un unico runtime delle capacità e un unico contesto di sessione, perciò il profilo dello studente costruito mentre risolve i problemi condiziona le spiegazioni e gli elementi di pratica che seguono.

Cosa puoi farci

Dieci modalità — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading e Immersive Watching — girano sullo stesso runtime, attingendo a basi di conoscenza riutilizzabili, libri, bozze, taccuini, banche di domande e personae. Il recupero è volutamente multi-motore: librerie RAG versionate su LlamaIndex, PageIndex, GraphRAG, LightRAG o un server LightRAG remoto, più una base WeKnora self-hosted, una libreria Tencent IMA o MarginNote, oppure un vault Obsidian collegato. La memoria è ispezionabile anziché opaca: le tracce L1, i riassunti di superficie L2 e la sintesi L3 sono visibili e modificabili, con un Memory Graph che collega ogni riassunto alle evidenze che stanno dietro di esso. Un binario deeptutor fornisce un REPL da terminale e trasmette in streaming NDJSON per qualsiasi agente che voglia usarlo come strumento, e una comunità EduHub distribuisce competenze installabili.

A chi è rivolto

Docenti e ricercatori dell'istruzione superiore che vogliono una versione distribuibile del framework su cui verte l'articolo, sviluppatori che costruiscono su un runtime estendibile e studenti autodiretti disposti a eseguire una propria istanza. La documentazione si trova su deeptutor.info.

Note

Con licenza Apache 2.0, alla versione 1.6.9 a settembre 2026 con circa 40.000 stelle su GitHub. La valutazione pubblicata che ne sta alla base — un miglioramento medio del 10,8% sulle metriche personalizzate rispetto a solide baseline e un ragionamento agentico generale più forte del 29,4% su cinque modelli backbone, nel benchmark TutorBench — è riassunta nella pagina dell'articolo, i cui limiti valgono anche qui. Come per qualsiasi stack AI open-source, le chiavi dei provider di modelli le fornisci tu, e una distribuzione desktop o server richiede Python 3.11 e Node.

Concetti collegati

IA Agentica, Tutoraggio Intelligente, Apprendimento personalizzato, RAG (Generazione Aumentata da Recupero), Open source, Mastery learning, Tracciamento delle conoscenze, Generazione automatizzata di domande