DeepTutor

Автоматический перевод данной английской страницы, не проверенный носителем языка.

DeepTutor — открытая реализация рамки тьюторства, оценённой в исследовании DeepTutor, и она выросла далеко за рамки той статьи, превратившись в общее агентное рабочее пространство для обучения. Тьюторство, решение задач, генерация тестов, практика на овладение материалом, исследование и визуализация используют общую среду выполнения и общий контекст сессии, поэтому профиль учащегося, построенный во время решения задач, обуславливает объяснения и практические задания, которые следуют за ними.

Что можно с ним делать

Десять режимов — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading и Immersive Watching — работают на одной среде выполнения, опираясь на переиспользуемые базы знаний, книги, черновики, блокноты, банки вопросов и персоны. Поиск намеренно многодвижковый: версионированные библиотеки RAG на LlamaIndex, PageIndex, GraphRAG, LightRAG или удалённый сервер LightRAG, плюс самостоятельно размещённая база WeKnora, библиотека Tencent IMA или MarginNote, или связанное хранилище Obsidian. Память прозрачна, а не непроницаема: следы L1, сводки поверхности L2 и синтез L3 видимы и редактируемы, а Граф памяти (Memory Graph) связывает каждую сводку с доказательствами, лежащими в её основе. Бинарный файл deeptutor даёт терминальный REPL и передаёт поток NDJSON для любого агента, который хочет управлять им как инструментом, а сообщество EduHub распространяет устанавливаемые навыки.

Для кого это

Для преподавателей и исследователей в высшем образовании, которые хотят развёртываемую версию рамки, описанной в статье, для разработчиков, строящих на основе подключаемой среды выполнения, и для самостоятельных учащихся, готовых запускать собственный экземпляр. Документация находится по адресу deeptutor.info.

Примечания

Лицензия Apache 2.0, версия 1.6.9 на сентябрь 2026 года, примерно 40 000 звёзд на GitHub. Опубликованная оценка, лежащая в его основе, — в среднем на 10,8% лучше по персонализированным метрикам по сравнению с сильными базовыми моделями и на 29,4% сильнее по общему агентному рассуждению на пяти базовых моделях на бенчмарке TutorBench — обобщена на странице статьи, чьи ограничения действуют и здесь. Как и в случае любого стека ИИ с открытым кодом, вы сами предоставляете ключи провайдеров моделей, а развёртывание настольного или серверного варианта ожидает наличия Python 3.11 и Node.

Связанные концепции

Агентный ИИ, Интеллектуальное тьюторство, Персонализированное обучение, RAG (генерация с дополненным поиском), Открытый код, Обучение на основе мастерства, Трассирование знаний, Автоматическая генерация вопросов