DeepTutor

Tłumaczenie automatyczne tej strony z języka angielskiego, jeszcze nie sprawdzone przez rodzimego użytkownika języka.

DeepTutor to otwartoźródłowa implementacja ram korepetycji ocenianych w badaniu DeepTutor, która rozrosła się znacznie poza zakres tamtej pracy, stając się ogólnym, agentowym środowiskiem uczenia się. Korepetycje, rozwiązywanie problemów, generowanie quizów, ćwiczenie do mistrzostwa, badania i wizualizacja dzielą jedno środowisko wykonawcze i jeden kontekst sesji, więc profil uczącego się budowany podczas rozwiązywania problemów warunkuje kolejne wyjaśnienia i zadania ćwiczeniowe.

Co można z nim zrobić

Dziesięć trybów — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading i Immersive Watching — działa na tym samym środowisku wykonawczym, korzystając z baz wiedzy wielokrotnego użytku, książek, szkiców, notatników, banków pytań i person. Wyszukiwanie jest celowo wielosilnikowe: wersjonowane biblioteki RAG na LlamaIndex, PageIndex, GraphRAG, LightRAG lub zdalnym serwerze LightRAG, a do tego samodzielnie hostowana baza WeKnora, biblioteka Tencent IMA lub MarginNote albo podłączony skarbiec Obsidian. Pamięć jest dostępna do wglądu, a nie nieprzejrzysta: ślady L1, powierzchniowe streszczenia L2 i synteza L3 są widoczne i edytowalne, a Graf Pamięci wiąże każde streszczenie z dowodami, na których się opiera. Binarka deeptutor daje REPL w terminalu i strumieniuje NDJSON dla każdego agenta, który chce sterować nią jak narzędziem, a społeczność EduHub rozprowadza instalowalne umiejętności.

Dla kogo

Wykładowcy i badacze ze szkolnictwa wyższego, którzy chcą wdrożalnej wersji ram opisanych w pracy, deweloperzy budujący na wymiennym środowisku wykonawczym oraz samokierujący się uczący, gotowi uruchomić własną instancję. Dokumentacja znajduje się na deeptutor.info.

Uwagi

Licencja Apache 2.0, wersja 1.6.9 na wrzesień 2026, z około 40 000 gwiazdek na GitHubie. Opublikowana ewaluacja, na której się opiera — średnia poprawa o 10,8% na metrykach personalizowanych wobec silnych punktów odniesienia i o 29,4% mocniejsze ogólne rozumowanie agentowe w pięciu modelach bazowych, na benchmarku TutorBench — jest streszczona na stronie artykułu, którego ograniczenia obowiązują również tutaj. Jak w każdym otwartoźródłowym stosie SI, klucze dostawców modeli dostarcza się samodzielnie, a wdrożenie desktopowe lub serwerowe wymaga Pythona 3.11 i Node.

Powiązane pojęcia

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