DeepTutor

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

DeepTutor — реалізація з відкритим кодом рамки тьюторства, оціненої в дослідженні DeepTutor, і вона значно виросла за межі охоплення тієї статті, перетворившись на загальне робоче навчальне простори, орієнтоване на агентів. Тьюторство, розв’язування задач, генерація тестів, практика на оволодіння матеріалом, дослідження й візуалізація спільно використовують одне середовище виконання можливостей і один контекст сесії, тому профіль здобувача, побудований під час розв’язування задач, обумовлює пояснення та практичні завдання, що за ними ідуть.

Що з ним можна робити

Десять режимів — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading і Immersive Watching — працюють на тому ж середовищі виконання, спираючись на багаторазові бази знань, книги, чернетки, блокноти, банки запитань і персони. Пошук свідомо є багатодвижковим: версійовані бібліотеки RAG на LlamaIndex, PageIndex, GraphRAG, LightRAG або віддалений сервер LightRAG, плюс самостійно розміщена база WeKnora, бібліотека Tencent IMA або MarginNote, чи пов’язане сховище Obsidian. Пам’ять доступна для перегляду, а не непрозора: сліди L1, поверхневі підсумки L2 і синтез L3 є видимими та редагованими, а Memory Graph пов’язує кожен підсумок із доказами, що стоять за ним. Виконуваний файл deeptutor надає термінальний REPL і передає потік NDJSON для будь-якого агента, який хоче керувати ним як інструментом, а спільнота EduHub розповсюджує встановлювані навики.

Для кого він

Викладачі вищої освіти та дослідники, які хочуть розгортальну версію рамки, про яку повідомляє стаття; розробники, які будують на базі розширюваного середовища виконання; і здобувачі з самокеруванням, готові запускати власний екземпляр. Документація розміщена на deeptutor.info.

Зауваження

Ліцензія Apache 2.0, версія 1.6.9 станом на вересень 2026 року, приблизно 40 000 зірок на GitHub. Опубліковане оцінювання, що стоїть за ним — покращення на 10,8% у середньому за персоналізованими метриками порівняно з сильними базовими рівнями та на 29,4% сильніше загальне агентне міркування на п’яти основних моделях на бенчмарку TutorBench — узагальнено на сторінці статті, обмеження якої поширюються і тут. Як і в разі будь-якого стека ШІ з відкритим кодом, ключі до постачальників моделей ви надаєте самі, а розгортання на комп’ютері чи сервері очікує Python 3.11 і Node.

Пов’язані поняття

Агентний ШІ, Інтелектуальний тьюторінг, Персоналізоване навчання, RAG (генерація з доповненням пошуком), Відкритий код, Освоєння навчального матеріалу, Відстеження знань, Автоматизована генерація питань