🤝 ¡Damos la bienvenida a cualquier tipo de contribución! Vota en los elementos del roadmap o propone nuevos en
Roadmap, y consulta nuestra Guía de Contribución para la estrategia de ramas, estándares de código y cómo comenzar.
- 2026-05-22 🌐 Sitio de documentación oficial disponible en deeptutor.info — guías, referencias y tours de capacidades, todo en un solo lugar.
- 2026-04-19 🎉 ¡20k estrellas en 111 días! Gracias por el apoyo hacia una tutoría verdaderamente personalizada e inteligente.
- 2026-04-10 📄 Nuestro artículo ya está en arXiv — lee el preprint para conocer el diseño y las ideas detrás de DeepTutor.
- 2026-02-06 🚀 ¡10k estrellas en solo 39 días! Un enorme agradecimiento a nuestra increíble comunidad.
- 2026-01-01 🎊 ¡Feliz Año Nuevo! Únete a nuestro Discord, WeChat o Discussions — juntos demos forma al futuro de DeepTutor.
- 2025-12-29 🎓 ¡DeepTutor está oficialmente lanzado!
DeepTutor es un espacio de trabajo de aprendizaje nativo de agentes que conecta tutoría, resolución de problemas, generación de cuestionarios, investigación, visualización y práctica de dominio en un sistema extensible.
- Un runtime para todos los modos — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading e Immersive Watching comparten un mismo runtime de capacidades y contexto de sesión, pero conservan bucles y pipelines especializados para cada propósito.
- Contexto de aprendizaje conectado — Las bases de conocimiento, los libros, los borradores de Co-Writer, los cuadernos, los bancos de preguntas, las personas y Memory pueden reutilizarse en los flujos de trabajo que los admiten, sujetos a los permisos de la cuenta y a las políticas de aprendizaje.
- Aprendizaje inmersivo por vídeo — pega un enlace de YouTube para una reproducción nativa con privacidad mejorada, subtítulos sincronizados, tutoría basada en marcas de tiempo y progreso reanudable; los administradores pueden cambiar la reproducción a una instancia de Invidious autoalojada sin reconstruir los materiales.
- Subagentes y Partners — desde Chat, consulta un entorno de agente en vivo (Claude Code, Codex, Antigravity, Kimi, opencode, MiMo, Hermes, OpenClaw o DeepSeek) o un Partner, importa conversaciones pasadas y ejecuta compañeros IM persistentes con el mismo cerebro.
- Conocimiento multi-motor — bibliotecas RAG con versiones: LlamaIndex, PageIndex, GraphRAG, LightRAG, un LightRAG Server remoto, una base de conocimiento WeKnora autoalojada, una biblioteca de Tencent IMA o MarginNote 4, o un vault Obsidian vinculado, con análisis de documentos conectable.
- Herramientas y habilidades extensibles — herramientas integradas, servidores MCP, aplicaciones CLI, modelos de generación de imagen / video / voz, y skills de la comunidad instalables desde EduHub.
- Memoria inspectable — las trazas L1, los resúmenes de superficie L2 y la síntesis L3 hacen visible y editable la personalización; el Memory Graph vincula los hechos L2 con la evidencia L1 y la síntesis L3 con las superficies que contribuyeron a ella.
DeepTutor incluye cuatro rutas de instalación. Todas comparten un diseño de espacio de trabajo: la configuración vive en data/user/settings/ bajo el directorio desde el que se inicia (o bajo DEEPTUTOR_HOME / deeptutor start --home si se establece explícitamente). Para la aplicación completa, el flujo recomendado es elegir un directorio de espacio de trabajo → instalar → deeptutor init → deeptutor start.
Opción 1 — Instalar desde PyPI · aplicación web local completa + CLI, sin necesidad de clonar
Aplicación web local completa + CLI, sin necesidad de clonar. Requiere Python 3.11–3.14 y un runtime Node.js 20+ en PATH (el servidor standalone Next.js empaquetado es iniciado por deeptutor start).
mkdir -p my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init # solicita puertos + proveedor LLM + embedding/búsqueda opcionales
deeptutor start # inicia backend + frontend; mantener la terminal abiertadeeptutor init solicita el puerto de backend (predeterminado 8001), el puerto de frontend (predeterminado 3782), proveedor LLM / URL base / clave API / modelo, un proveedor de embeddings opcional para Base de Conocimiento / RAG y un proveedor de búsqueda opcional para Web Search.
Después de deeptutor start, abre la URL del frontend impresa en la terminal — por defecto http://127.0.0.1:3782. Presiona Ctrl+C en esa terminal para detener tanto el backend como el frontend. Omitir deeptutor init está bien para una prueba rápida; la aplicación arranca con puertos predeterminados y configuración de modelo vacía, configúralos luego en Settings → Models.
Opción 2 — Instalar desde el Código Fuente · desarrollar contra un checkout
Para desarrollo en un checkout. Usa Python 3.11–3.14 y Node.js 22 LTS para coincidir con CI y Docker.
git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
# Crear un venv (macOS/Linux). Windows PowerShell:
# py -3.11 -m venv .venv ; .\.venv\Scripts\Activate.ps1
python3 -m venv .venv && source .venv/bin/activate
python -m pip install --upgrade pip
# Instalar dependencias de backend + frontend
python -m pip install -e .
( cd web && npm ci --legacy-peer-deps )
deeptutor init
deeptutor start --devdeeptutor start compila el frontend web/ local para producción una vez y lo reutiliza; --dev ejecuta Next.js con HMR (recarga en caliente de módulos). El diseño de configuración, los puertos y Ctrl+C coinciden con la Opción 1.
Entorno Conda (en lugar de venv)
conda create -n deeptutor python=3.11
conda activate deeptutor
python -m pip install --upgrade pipExtras de instalación opcionales — motores RAG / dev / partners / matrix / math-animator
pip install -e ".[rag-lightrag]" # Motor LightRAG integrado (SDK compatible exacto)
pip install -e ".[graphrag]" # Motor GraphRAG de Microsoft (Python 3.11–3.13)
pip install -e ".[dev]" # herramientas de pruebas/lint
pip install -e ".[partners]" # SDKs de canales IM de Partners
pip install -e ".[video-learning]" # compatibility extra; captions ship in the full/CLI installs
pip install -e ".[matrix]" # canal Matrix sin E2EE/libolm
pip install -e ".[matrix-e2e]" # Matrix E2EE; requiere libolm
pip install -e ".[math-animator]" # complemento Manim; requiere LaTeX/ffmpeg/libs del sistemaAjustes de dependencias del frontend y solución de problemas del servidor de desarrollo
Cambiar dependencias del frontend: ejecuta npm install --legacy-peer-deps para actualizar web/package-lock.json, luego confirma tanto web/package.json como web/package-lock.json.
Servidor de desarrollo atascado: si deeptutor start --dev informa de un frontend existente que no responde, detén el PID que imprime. Si no hay ningún proceso Next.js en ejecución, los archivos de bloqueo están obsoletos — elimínalos y vuelve a intentarlo:
rm -f web/.next/dev/lock web/.next/lock
deeptutor start --devOpción 3 — Docker · un contenedor autocontenido
Un contenedor para la aplicación web completa. Imágenes en GitHub Container Registry:
ghcr.io/hkuds/deeptutor:latest— versión estable más recienteghcr.io/hkuds/deeptutor:<version>— versión exacta sin lavinicial (por ejemplo,:1.6.3); las versiones preliminares reciben únicamente su etiqueta de versión
Consulta CONTAINERIZATION.md para despliegues con podman/rootless/sistema de archivos raíz de solo lectura y la guía completa por instalación.
docker run --rm --name deeptutor \
-p 127.0.0.1:3782:3782 \
-v deeptutor-data:/app/data \
ghcr.io/hkuds/deeptutor:latestSolo se necesita publicar
3782. El navegador habla exclusivamente con el origen del frontend; el middleware de Next.js (web/proxy.ts) reenvía/api/*y/ws/*al backend FastAPI dentro del contenedor. Publicar8001(-p 127.0.0.1:8001:8001) es opcional — útil solo para acceder a la API directamente con curl o scripts.
Abre http://127.0.0.1:3782. El contenedor crea /app/data/user/settings/*.json en el primer arranque; configura los proveedores de modelos desde la página de Settings web. La configuración, las claves API, los registros, los archivos del espacio de trabajo, la memoria y las bases de conocimiento persisten en el volumen deeptutor-data. Los extras opcionales pertenecen al despliegue, no a una shell: establece DEEPTUTOR_EXTRAS (y DEEPTUTOR_APT_PACKAGES para bibliotecas de sistema) y cada contenedor iniciado a partir de él los vuelve a aplicar, mientras que un docker exec … pip install se perdería en el siguiente compose down.
- Puertos de host diferentes: cambia el lado izquierdo de cada mapeo
-p host:container(ej.-p 127.0.0.1:8088:3782). Si cambias los puertos del lado del contenedor en/app/data/user/settings/system.json, reinicia y actualiza el lado derecho de cada mapeo para que coincida. - Desconectado: agrega
-d, luegodocker logs -f deeptutorpara seguir,docker stop deeptutorpara detener,docker rm deeptutorantes de reutilizar el nombre. El volumendeeptutor-datamantiene tu configuración y espacio de trabajo entre reinicios.
Docker remoto / proxy inverso: el navegador solo habla con el origen del frontend (:3782); el middleware de Next.js dentro del contenedor reenvía /api/* y /ws/* al servidor backend del lado del servidor. Para el caso común de contenedor único no necesitas configurar ninguna base de API — simplemente apunta tu proxy inverso / terminador TLS a :3782. Solo necesitas una base de API para un despliegue dividido (backend en un contenedor/host separado): establece next_public_api_base en data/user/settings/system.json con la dirección en red que el servidor frontend usa para llegar al backend (se lee del lado del servidor, nunca se envía al navegador).
{
"next_public_api_base": "http://backend:8001"
}next_public_api_base_external (y su alias public_api_base) se aceptan como alternativas de menor precedencia. CORS usa orígenes de frontend, no URLs de API. Con la autenticación deshabilitada, DeepTutor permite los orígenes normales de navegador HTTP/HTTPS por defecto. Con la autenticación habilitada, agrega los orígenes exactos del frontend:
{
"cors_origins": ["https://deeptutor.example.com"]
}Conectarse a Ollama / LM Studio / llama.cpp / vLLM / Lemonade en el host
Dentro de Docker, localhost es el propio contenedor, no tu máquina host. Para llegar a un servicio de modelo que se ejecuta en el host, usa la puerta de enlace del host (recomendado):
docker run --rm --name deeptutor \
-p 127.0.0.1:3782:3782 -p 127.0.0.1:8001:8001 \
--add-host=host.docker.internal:host-gateway \
-v deeptutor-data:/app/data \
ghcr.io/hkuds/deeptutor:latestLuego en Settings → Models, apunta la URL Base del proveedor a host.docker.internal:
- Ollama LLM:
http://host.docker.internal:11434/v1 - Ollama embedding:
http://host.docker.internal:11434/api/embed - LM Studio:
http://host.docker.internal:1234/v1 - llama.cpp:
http://host.docker.internal:8080/v1 - Lemonade:
http://host.docker.internal:13305/api/v1
Docker Desktop (macOS/Windows) generalmente resuelve host.docker.internal sin --add-host. En Linux, el flag es la forma portátil de crear ese nombre de host en Docker Engine moderno.
Alternativa para Linux — red del host: agrega --network=host y elimina los flags -p. El contenedor comparte la red del host directamente, así que abre http://127.0.0.1:3782 (o el frontend_port en system.json), y los servicios del host se pueden alcanzar con URLs de localhost normales como http://127.0.0.1:11434/v1. Ten en cuenta que la red del host expone los puertos del contenedor directamente en el host y puede entrar en conflicto con servicios existentes — para mantenerlos en loopback, establece BACKEND_HOST=127.0.0.1 y FRONTEND_HOST=127.0.0.1 (consulta CONTAINERIZATION.md).
Opción 4 — Solo CLI · sin UI web, desde un checkout de fuente
Cuando no necesitas la UI web. El paquete de solo CLI se instala desde un checkout de fuente, no desde PyPI.
git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
# Crear un venv (macOS/Linux). Windows PowerShell:
# py -3.11 -m venv .venv-cli ; .\.venv-cli\Scripts\Activate.ps1
python3 -m venv .venv-cli && source .venv-cli/bin/activate
python -m pip install --upgrade pip
python -m pip install -e ./packaging/deeptutor-cli
deeptutor init --cli
deeptutor chatdeeptutor init --cli comparte el mismo diseño data/user/settings/ que la aplicación completa, pero omite las solicitudes de puertos de backend/frontend. Sigue ofreciendo los selectores Embedding y Search (elige Skip cuando no los necesites), escribe los archivos clave de runtime (system.json, auth.json, integrations.json, interface.json, model_catalog.json, main.yaml, agents.yaml) y solicita el proveedor LLM y el modelo activos.
Comandos comunes
deeptutor chat # REPL interactivo
deeptutor chat --capability deep_solve --tool rag --kb my-kb
deeptutor run chat "Explain Fourier transform"
deeptutor run deep_solve "Solve x^2 = 4" --tool rag --kb my-kb
deeptutor kb create my-kb --doc textbook.pdf
deeptutor memory show
deeptutor config showLa instalación local de deeptutor-cli no incluye activos web ni dependencias de servidor. Mantén el checkout de fuente cerca — la instalación editable apunta a él. Para agregar la aplicación web más tarde, instala el paquete PyPI (Opción 1) y ejecuta deeptutor init + deeptutor start desde el mismo espacio de trabajo.
Sandbox de Ejecución de Código (skills de oficina) · ejecutar código generado por el modelo para docx / pdf / pptx / xlsx
Las skills de oficina integradas — docx / pdf / pptx / xlsx — funcionan haciendo que el
modelo escriba un script Python corto (python-docx, reportlab, openpyxl, …),
lo ejecute a través de las herramientas exec / code_execution y devuelva una URL de descarga.
Esas herramientas se montan siempre que haya un backend de sandbox activo. DeepTutor selecciona
el backend configurado más sólido en este orden:
- Runner sidecar:
DEEPTUTOR_SANDBOX_RUNNER_URLdirige la ejecución al servicio endurecido y con privilegios mínimos deDockerfile.runner. - Linux bubblewrap: cuando está disponible,
bwrapaísla el proceso y los archivos. - Fallback de subproceso restringido: las instalaciones locales y de contenedor único solo lo usan cuando está permitido; bajo Docker, el contenedor sigue siendo otra barrera.
La configuración sandbox_allow_subprocess de data/user/settings/system.json
(predeterminada en true) controla únicamente el último fallback. Establécela en false (o exporta
DEEPTUTOR_SANDBOX_ALLOW_SUBPROCESS=0) para rechazar la ejecución mediante subprocesos cuando no haya
un backend runner o bwrap; no desactiva esos backends más sólidos.
Referencia de configuración — archivos de configuración bajo data/user/settings/ (JSON/YAML)
Todo bajo data/user/settings/ es JSON/YAML plano. La página Settings en el navegador es el editor recomendado.
| Archivo | Propósito |
|---|---|
model_catalog.json |
Conexiones de proveedores, además de perfiles LLM, de tareas, embeddings, búsqueda, TTS, STT, imagen y vídeo, credenciales y selecciones activas |
system.json |
Puertos de backend/frontend, base de API pública, CORS, verificación SSL, directorio de adjuntos y límites de subida/extracción |
auth.json |
Interruptor de autenticación opcional, nombre de usuario, hash de contraseña, configuración de token/cookie |
integrations.json |
Configuración opcional de PocketBase e integraciones sidecar |
interface.json |
Idioma de UI y de salida del modelo / tema / preferencias de barra lateral |
video_learning.json |
Proveedor de reproducción predeterminado de YouTube/Invidious, orígenes de Invidious y adaptador de transcripción opcional |
main.yaml |
Valores predeterminados de comportamiento de runtime e inyección de rutas |
agents.yaml |
Configuración de temperatura y tokens de capacidades/herramientas |
Las referencias de Web Search se filtran de forma predeterminada: solo se muestran URL públicas http/https sin credenciales incrustadas ni puertos inusuales. Los despliegues pueden añadir una política de dominios centrada en la educación en data/user/settings/system.json:
{
"web_search_source_filtering": {
"enabled": true,
"blocked_domains": ["spam.example"],
"trusted_domains": ["edu.cn", "arxiv.org"]
}
}Cuando trusted_domains no está vacío, las referencias se limitan a esos dominios y sus subdominios; blocked_domains siempre tiene prioridad.
El .env de la raíz del proyecto no se lee como archivo de configuración de la aplicación. Para una configuración mínima del modelo, abre Settings → Models, agrega un perfil LLM (URL Base / clave API / nombre del modelo) y guarda. Agrega un perfil de embeddings solo si planeas usar funciones de Base de Conocimiento / RAG.
Los perfiles de LLM y de modelos de tareas ofrecen una opción de formato de API cuando su proveedor admite distintas alternativas. Mantén Auto para el enrutamiento y el fallback normales, o elige OpenAI Chat Completions, OpenAI Responses o Anthropic Messages; el modo Responses forzado sigue fallando de forma cerrada. El campo persistido es api_format (auto, openai_chat, openai_responses o anthropic); wire_api es un estado de compatibilidad derivado. Los ajustes por modelo Auto / Supported / Not supported abarcan las llamadas a herramientas, la entrada de imágenes, la salida JSON y los controles de razonamiento.
Desinstalación y limpieza
DeepTutor separa el código instalado de su espacio de trabajo de runtime. De forma predeterminada, el espacio de trabajo es el directorio donde ejecutas deeptutor init / deeptutor start; --home PATH o DEEPTUTOR_HOME lo reemplazan. La salida de runtime es el directorio data dentro de ese espacio de trabajo, por lo que la línea del banner de inicio que comienza con Workspace: identifica qué debes limpiar.
-
Detén la aplicación. Presiona
Ctrl+Cen la terminal que ejecutadeeptutor start, o ejecutadeeptutor stop [--home PATH]para un launcher iniciado con--detach; detén cualquier Partner en ejecución y los contenedores Docker separados antes de eliminar datos. -
Elimina los datos de runtime solo si también quieres borrar todo el estado local. Esto incluye la configuración y las claves API, el historial de chat, las sesiones, Memory, Notebooks, Books, el estado de Reading, Skills, el estado de Partners, los registros, las Knowledge Bases, las cachés de análisis, los artefactos generados y la caché de runtime del frontend empaquetado.
Primero copia la ruta exacta de
Workspace:del banner de inicio y comprueba que su elemento hijodatasea el directorio de datos de DeepTutor previsto. Haz una copia de seguridad si pudieras necesitar algo más adelante y, después, mueve ese directorio exacto a la Papelera de tu sistema operativo. No ejecutes un comando de eliminación recursiva contra una ruta relativa ni una variable de entorno sin resolver. -
Elimina el paquete instalado. Usa el comando correspondiente a la distribución:
python -m pip uninstall deeptutor python -m pip uninstall deeptutor-cli
Si el entorno virtual se creó solo para DeepTutor, elimínalo mediante tu gestor de entornos. Para una instalación desde el código fuente, desactiva el entorno, sal del directorio fuente y ejecuta
git status --shortdentro de ese checkout exacto. Mueve el checkout a la Papelera únicamente después de confirmar que no contiene trabajo ajeno o sin confirmar. -
Para la ruta de Docker, inspecciona el contenedor y el volumen con nombre exactos antes de eliminarlos. Eliminar el volumen borra de forma permanente los datos administrados por Docker:
docker ps -a --filter name=^/deeptutor$ docker volume inspect deeptutor-data docker rm -f deeptutor docker volume rm deeptutor-data
Comienza con las superficies principales que usarás día a día: Chat, Partners, Mis Agentes, Co-Writer, Book, Centro de Conocimiento, Espacio de Aprendizaje, Memory y Settings. El tour luego cubre los despliegues Multi-Usuario para espacios de trabajo compartidos y aislados.
Si una respuesta pierde una restricción anterior, cita evidencia débil o contradice el material seleccionado, recopila los diagnósticos de REASONING_SAFETY_CHECKLIST.md antes de abrir un issue.
🏗️ Arquitectura del sistema
💬 Chat — El Bucle de Agente que Realmente Usas
Chat es la capacidad predeterminada y el lugar donde comienza la mayor parte del trabajo. Un único hilo puede conversar normalmente, llamar herramientas, fundamentarse en bases de conocimiento seleccionadas, leer adjuntos, generar imágenes, consultar subagentes, escribir registros de notebook y continuar con el mismo contexto entre turnos.
El bucle es deliberadamente simple: el modelo piensa en rondas, llama herramientas cuando es útil, observa los resultados y termina con un mensaje sin herramientas. ask_user es especial — en lugar de adivinar, el agente puede pausar el turno, hacer una pregunta de aclaración estructurada y reanudar una vez que respondes.
Las herramientas activables por el usuario son brainstorm, web_search, paper_search, reason y geogebra_analysis — más imagegen y videogen una vez que configures el modelo de generación correspondiente. Las herramientas contextuales como rag, kb_files, read_source, read_memory, write_memory, read_skill, load_tools, exec, web_fetch, ask_user, list_notebook, write_note, question_bank, github y consult_subagent se montan automáticamente cuando el turno tiene el contexto adecuado.
El contexto viene en dos tipos: el contexto de sesión persistente (capacidad, espacio de trabajo o curso, herramientas, bases de conocimiento, persona, modelo y estado de Reading / Mastery) persiste entre turnos; las referencias de un solo uso (archivos, historial de chat, libros, secciones de lectura, cuadernos, banco de preguntas, agentes importados) vienen del menú + para un único turno. El botón de voz solo transcribe el mensaje actual.
Inicio mantiene Chat, Ask Questions, Quiz y Visualize a un clic; Research para informes con citas, Solve para razonamiento trabajado e Immersive Watching se encuentran bajo More Capabilities. Mastery Path e Immersive Reading son espacios de trabajo dedicados en la barra lateral; Reading añade citas verificadas en las que se puede hacer clic, citas y notas guardadas, acciones de lectura en voz alta / orientación de estudio / vocabulario / quiz / traducción fundamentadas en la fuente y captura en notebooks, mientras que Course Study mantiene su propio contexto vinculado al curso.
🤝 Partner — Compañeros Persistentes con el Mismo Cerebro
Los Partners son compañeros persistentes con su propio alma, política de modelo, biblioteca, memoria y canales. No son un motor de bot separado: cada mensaje web o IM entrante se convierte en un turno normal de ChatOrchestrator dentro de un espacio de trabajo con alcance de partner. Un partner es "un chat que tiene personalidad y número de teléfono."
Cada partner tiene un SOUL.md, selección de modelo, canales, política de herramientas y biblioteca asignada. Las bases de conocimiento, skills y notebooks se copian en data/partners/<id>/workspace/, por lo que las mismas herramientas de RAG, skill, notebook y memoria funcionan sin casos especiales. Los usuarios autenticados que no son administradores conservan sesiones privadas de Partner y memoria de relación, mientras el Partner lee su memoria personal en modo de solo lectura; el tráfico de administradores, grupos y usuarios no vinculados utiliza el ámbito compartido del Partner.
La capa de canales está impulsada por esquema y puede conectarse a plataformas IM como Feishu, Telegram, Slack, Discord, DingTalk, QQ/NapCat, WeCom, WhatsApp, Zulip, Mattermost, Matrix, Mochat y Microsoft Teams dependiendo de los extras instalados y las credenciales configuradas. Un partner también puede conectarse como subagente y ser consultado desde un turno de chat normal — consulta Mis Agentes a continuación.
Para una configuración más rápida, la página de canales de Partner puede crear una app de Feishu/Lark o un bot IA de WeCom, o iniciar sesión con una cuenta personal de WeChat, a partir de un código QR dibujado en el navegador en lugar del registro del servidor. Feishu/Lark detecta el dominio de la cuenta y guarda al usuario que escanea como el remitente permitido inicial. WeCom conserva una lista blanca existente y de lo contrario predetermina a todos los usuarios que pueden alcanzar al bot, con una advertencia visible de acceso abierto; los formularios de canal manuales siguen disponibles si el protocolo de escaneo de un proveedor cambia.
🧑🚀 Mis Agentes — Consultar e Importar Otros Agentes
Mis Agentes convierte a otros agentes en contexto para DeepTutor y hace dos cosas distintas. Conectar un agente en vivo — Claude Code, Codex, Antigravity, Kimi, opencode, MiMo Code, Hermes Agent, OpenClaw o DeepSeek Harness en tu máquina, o uno de tus Partners — y consultarlo desde dentro de un turno de chat: DeepTutor realmente ejecuta el otro agente y transmite su trabajo al panel de Activity a través de la herramienta consult_subagent. Selecciónalo y establece su límite de rondas con el chip Agent, o filtra la misma lista de agentes conectados con @; la selección permanece vinculada a la sesión.
Importar conversaciones pasadas — trae tu historial existente de Claude Code y Codex como agentes nombrados, buscables y reanudables. Elige el historial de Claude por proyecto / directorio de trabajo y el de Codex por fecha del calendario; actualizar vuelve a sincronizar ese ámbito y recupera conversaciones nuevas. Referencia una desde un turno de Chat a través de + → Mis Agentes, y DeepTutor la lee como una transcripción de terceros — sigue siendo su conversación, no la voz propia de DeepTutor.
✍️ Co-Writer — Redacción Markdown con Conciencia de Selección
Co-Writer es un espacio de trabajo Markdown de vista dividida para informes, tutoriales, notas y artefactos de aprendizaje de formato largo. Los documentos se guardan automáticamente y renderizan una vista previa en vivo (matemáticas KaTeX, cercas de diagramas), y se pueden guardar de vuelta en cuadernos cuando un borrador se convierte en contexto reutilizable. Importa un .docx para empezar un borrador, y exporta el editor actual como Markdown o Word.
Su idea definitoria es la edición quirúrgica: selecciona un fragmento y pide a DeepTutor que lo reescriba, expanda o acorte. El agente de edición puede fundamentar el cambio en una base de conocimiento o evidencia web y conserva un rastro de sus llamadas a herramientas. Si el borrador no ha cambiado mientras trabaja, el resultado sustituye directamente el texto seleccionado y sigue siendo reversible con Undo.
📖 Book — Libros Vivos de tus Materiales
Book convierte las fuentes seleccionadas en un libro vivo interactivo — no un PDF estático, sino un entorno de lectura construido a partir de bloques tipados. Un libro puede comenzar desde bases de conocimiento, cuadernos, bancos de preguntas o historial de chat; el flujo de creación propone un esquema de capítulos antes de que se genere el contenido, así revisas la estructura en lugar de aceptar una salida de un solo intento sin verla antes.
Cada capítulo se compila en bloques tipados editables — texto, callouts, quizzes, tarjetas flash, líneas de tiempo, código, figuras, HTML interactivo, animaciones, gráficos de conceptos, profundizaciones y notas de usuario — con su propio Page Chat. Inserta, mueve, regenera, reescribe o cambia el tipo de un bloque; los pasajes seleccionados entran en una bandeja revisable de capturas de aprendizaje. El progreso, los marcadores, los intentos de quiz, las capturas y Page Chat se mantienen privados para cada lector incluso cuando un libro del administrador se comparte en modo de solo lectura o edición colaborativa; la eliminación de libros compartidos sigue siendo exclusiva del administrador. Cualquier libro se exporta a Markdown, las compilaciones largas se pausan y reanudan, y deeptutor book health / refresh-fingerprints señalan divergencias en las fuentes.
📚 Centro de Conocimiento — Bibliotecas RAG Multi-Motor
Las bases de conocimiento son las colecciones de documentos detrás del RAG — fundamentan los turnos de Chat, las ediciones de Co-Writer, la generación de Book y las conversaciones de Partner. Lo que las distingue es la elección de motores de recuperación: LlamaIndex (el predeterminado, vector híbrido + BM25 con reranking opcional mediante cross-encoder e índices FAISS exact-flat o HNSW), PageIndex (recuperación por razonamiento con citas a nivel de página, hospedado o autoalojado OSS), GraphRAG y LightRAG (recuperación por grafo de conocimiento), LightRAG Server (recuperación delegada a una instancia externa de LightRAG a la que te conectas por HTTP), WeKnora (recuperación desde una base de conocimiento de tu despliegue autoalojado, sin índice local ni copia de documentos), Tencent IMA (una biblioteca que curas en IMA — consultada, explorada y con escritura de vuelta a través de su OpenAPI), MarginNote 4 (tus datos de estudio de MN4 — documentos, extractos, tarjetas de mapa mental y los enlaces entre ellos — enviados por el Add-on de la app y navegados con herramientas dedicadas), o un vault Obsidian vinculado que el tutor lee y escribe en el lugar. Cada KB está vinculada a un motor.
¿Estás migrando una biblioteca existente de Obsidian, Hermes o Markdown? Consulta la guía de migración de conocimiento para conocer las rutas de vault conectado y copia indexada.
Al crear una KB, puedes crear nueva (subir documentos y construir un índice nuevo) o vincular existente (reutilizar un índice construido en otro lugar, leer en el lugar sin re-indexar). Una KB también puede rastrear repositorios de GitHub (repositorio, rama y patrón glob) o URLs de sitios de documentación (con límites de profundidad de rastreo y número de páginas); la sincronización bajo demanda compara hashes para detectar contenido añadido, modificado y eliminado, de modo que la documentación que sigues se mantiene actualizada sin volver a subirla. La re-indexación escribe un nuevo directorio version-N plano y conserva los anteriores, de modo que un índice funcional nunca se destruye a mitad de la reconstrucción. Un solo documento puede eliminarse incluso de una base en estado de error — descartando un archivo que no se pudo analizar sin necesidad de borrar y reconstruir todo. El análisis de documentos — Text-only, MinerU, Docling, Tika, markitdown, PyMuPDF4LLM o LiteParse — se elige en Settings → Knowledge Base, con descargas de modelos locales desactivadas por defecto. Docling también puede ejecutarse en modo remoto contra un servidor Docling Serve (sin necesidad de instalación local ni modelos), configurado a través de Settings → Document Parsing (mode=remote, una URL base de servidor y una clave API opcional) o las variables de entorno DOCLING_MODE / DOCLING_API_BASE_URL / DOCLING_API_TOKEN. Tika es solo remoto y apunta al servidor Apache Tika configurado en esa página. La CLI refleja el ciclo de vida con list/info/create/add/search/set-default/delete, comandos para añadir o eliminar fuentes, list-sources y sync.
El motor LightRAG integrado se instala con pip install 'deeptutor[rag-lightrag]'. Ese extra contiene el SDK de LightRAG compatible pero no instala MinerU. Elige MinerU de forma independiente en Document Parsing y configura su modo en la nube o instala su CLI local vigente cuando se desee un análisis estructurado. MinerU acepta PDF, imágenes rasterizadas comunes, DOCX, PPTX y XLSX; el comando heredado magic-pdf sigue limitado a PDF. Text-only y los demás motores de análisis no requieren MinerU.
🌐 Espacio de Aprendizaje — Skills, Personas y Contexto Reutilizable
El Espacio de Aprendizaje es la capa de biblioteca, organización y personalización. Conversaciones y Materiales guarda el historial de Chat, cuadernos — con registros que se mueven o copian entre cuadernos y una exportación a Markdown — y un banco de preguntas que conserva tu respuesta, la respuesta de referencia y una explicación. Personalización guarda personas, skills (guías SKILL.md), Servicios MCP con instalación en un clic y Aplicaciones CLI del catálogo CLI-Anything, cada una con una guía de uso cargada bajo demanda. El espacio de trabajo independiente Mis cursos agrupa las conversaciones por materia y los hilos del tutor; cada recurso solo se ofrece en los flujos de trabajo que lo admiten.
No tienes que escribir cada skill tú mismo — Importar desde EduHub navega el catálogo comunitario y descarga una skill directamente en tu biblioteca a través de una puerta de seguridad (consulta Ecosistema).
🧠 Memory — Personalización Inspectable
Memory es un sistema de tres capas respaldado por archivos que puedes leer, curar y auditar — deliberadamente no un almacén de vectores oculto. L1 es el espejo del espacio de trabajo más un rastro de eventos de solo adición (trace/<surface>/<date>.jsonl); L2 son hechos curados por superficie (L2/<surface>.md) con referencias a entidades L1; L3 es síntesis entre superficies (L3/<profile|recent|scope|preferences>.md) que registra las superficies L2 que contribuyeron a ella.
El Memory Graph muestra toda la pirámide — síntesis L3 en el centro, L2 en el anillo intermedio, trazas L1 en el exterior — con aristas de evidencia L2 → L1 exactas y enlaces de L3 → superficies contribuyentes. La memoria se rastrea en las superficies chat, notebook, quiz, kb, book, partner y cowriter; los presupuestos de Actualización / Auditoría / Deduplicación del consolidador se ajustan en Settings → Memory.
⚙️ Settings — Un Panel de Control
Settings es el panel de control operativo, con una tira de estado en vivo (estado del backend y memoria residente en todo el árbol de procesos) y un navegador persistente y con búsqueda que llega a cualquier página en un clic: Apariencia (tema, idioma de UI y de salida del modelo, estilo de bloques de código), Red (base de API, puertos, CORS), Modelos (Connections, LLM, Task models, Embedding, Search, Text-to-Speech, Speech-to-Text, Image Generation, Video Generation), Knowledge Base (motor de análisis de documentos), Chat (Video Learning, herramientas con búsqueda, parámetros por capacidad, sugerencias iniciales, límites de adjuntos), Partners & Agents (nueve entornos de agentes locales), Perfil del alumno (edad, curso, currículo, idioma, nivel de lectura, estilo de explicación), Guardian (alumnos autorizados, materiales, informes y restablecimiento de credenciales), Memory (los presupuestos del consolidador) y About (comprobaciones de versión y actualizaciones seguras). Una conexión (Connection) guarda una credencial de proveedor y la refleja en cada servicio que ese proveedor puede ofrecer, de modo que una clave se introduce una sola vez en lugar de pegarla en cinco páginas; los modelos de tarea (Task models) fijan un modelo pequeño y rápido para el trabajo que nadie pidió — nombrar una conversación, escribir las sugerencias iniciales del compositor — y recurren al predeterminado activo cuando se dejan vacíos.
Video Learning en Settings → Chat usa de forma predeterminada el reproductor IFrame oficial de YouTube con privacidad mejorada. Para mantener la reproducción en local, configura el origen de la API de Invidious gestionado por el administrador (por ejemplo http://127.0.0.1:3000), pruébalo, selecciona Invidious y guarda. Los vídeos nuevos o reabiertos adoptan inmediatamente el proveedor con el mismo ID de material y progreso. El contenido multimedia de Invidious se transmite a través del proxy de rangos de bytes de DeepTutor; las URL de origen no se exponen al navegador ni se almacenan en disco. Si la instancia falla, DeepTutor permanece desconectado de YouTube hasta que el alumno elija explícitamente la alternativa nativa de YouTube. La tutoría mediante subtítulos públicos es opcional: instala .[video-learning]; la reproducción continúa sin este extra, mientras que Explain here basado en la transcripción se desactiva con una explicación.
La mayoría de las secciones usan un flujo de borrador y aplicación, de modo que puedes probar un proveedor antes de confirmarlo. También puedes simplemente pedirlo en Chat: el asistente lee la configuración actual, aplica un cambio y te dice si necesita un reinicio o una reindexación — probando un modelo nuevo antes de confirmarlo, de modo que no puede cambiarse a sí mismo hacia algo inalcanzable. Las claves API nunca pasan por el modelo, que en su lugar abre el formulario correspondiente para ti. Cuatro temas se incluyen por defecto — Default, Cream, Dark y Glass. Los archivos .env de la raíz del proyecto se ignoran intencionalmente; la configuración de runtime vive bajo data/user/settings/*.json a menos que DEEPTUTOR_HOME o deeptutor start --home apunten la app en otro lugar.
OpenAI Codex OAuth (experimental). Elegir OpenAI Codex bajo Models → LLM reemplaza los campos de clave API por un inicio de sesión en el navegador que se ejecuta contra tu propio plan de ChatGPT, de modo que no se necesita OPENAI_API_KEY. Los tokens viven solo en data/system/user-secrets/<owner>/private/openai-codex/ — en el despliegue multi-contenedor con Compose, fuera de cualquier árbol al que el sandbox de ejecución pueda acceder — y DeepTutor nunca lee ni modifica tu inicio de sesión de la CLI ~/.codex. La lista de modelos proviene del catálogo en vivo de esa cuenta; iniciar sesión publica el perfil, pero este solo se convierte en el modelo activo cuando todavía no hay ningún LLM configurado. Como un token autoriza el plan de una sola persona, el perfil no se puede compartir a través de permisos de usuario — cada cuenta inicia sesión por sí misma, incluidos los usuarios comunes: su tarjeta se encuentra bajo Models → LLM, y los modelos, el catálogo y el cierre de sesión resultantes permanecen privados para esa cuenta.
Los despliegues locales predeterminados de Docker y Podman usan redes de loopback separadas y necesitan un puente temporal durante el inicio de sesión. Sigue la guía del puente temporal local de OAuth de Codex para conocer los comandos exactos de Docker, Compose, Podman y desmontaje.
Para un despliegue remoto, el localhost del navegador y el localhost del servidor son máquinas diferentes, de modo que un proxy inverso ordinario por sí solo no puede llevar la devolución de llamada localhost del navegador hasta el servidor. Usa un túnel SSH como puente de devolución de llamada. El túnel llega hasta el puerto Web ya publicado; Next.js reescribe únicamente la ruta exacta de devolución de llamada hacia el broker público de devolución de llamada, y el broker valida state antes de enrutar hacia la operación OAuth original. El listener de devolución de llamada permanece en el loopback del backend, los puertos 1455 y 1457 no se publican, y esta ruta admite la red bridge predeterminada de Docker.
ssh -N -L 1455:127.0.0.1:3782 <ssh-user>@<server-host>Si DeepTutor reporta el puerto de devolución de llamada de reserva 1457, usa:
ssh -N -L 1457:127.0.0.1:3782 <ssh-user>@<server-host>Ejecuta solo el comando que coincide con el puerto de devolución de llamada real; nunca ejecutes ambos. 3782 es solo el puerto Web de ejemplo: es el puerto de frontend/contenedor configurado, reportado como callback_forward_port. Ese valor no garantiza que el mismo puerto esté escuchando en el 127.0.0.1 del host SSH. Si Docker o Podman publican un puerto de host diferente, o un proxy inverso escucha en un puerto distinto, reemplaza solo el puerto de destino del lado derecho (3782 arriba) por el puerto Web que realmente escucha en el 127.0.0.1 del host SSH; conserva el puerto de devolución de llamada del lado izquierdo como 1455 o 1457. <server-host> es el host SSH cuyo loopback posee ese puerto en escucha. Si la URL del navegador nombra un proxy inverso o balanceador de carga, reemplázala por el host frontend SSH correcto.
La CLI imprime el comando del túnel y luego intenta abrir el navegador de inmediato. En un despliegue remoto, mantén abierta la página de autorización sin completarla, establece el túnel impreso en otra terminal, y solo entonces continúa la autorización.
La detección de topología remota tiene un límite de localhost. Si Web mismo se alcanza a través de un forward de localhost de SSH o del IDE, el navegador no puede saber que el servidor es remoto. Para la operación Web actual, deja su página de autorización sin terminar, lee redirect_uri en la URL de autorización de esa operación para identificar el puerto de devolución de llamada 1455 o 1457, y crea el segundo túnel desde ese puerto local hasta el puerto Web real. Alternativamente, cancela esa operación Web e inicia una nueva con la CLI; la salida de la CLI pertenece a la nueva operación y no debe usarse para la operación Web existente. Los errores de cuota y las fallas de catálogo se reportan tal cual y nunca recurren a un proveedor de pago. Esta ruta de compatibilidad es experimental: la interfaz upstream puede cambiar.
👥 Multi-Usuario — Despliegues Compartidos · autenticación opcional, espacios de trabajo aislados por usuario
La autenticación está desactivada por defecto — DeepTutor corre en modo monousuario. Actívala y un árbol data/ aloja un espacio de trabajo de administrador, espacios de trabajo aislados por usuario y espacios de trabajo de partner en paralelo:
data/
├── user/ # Espacio de trabajo del administrador + configuración global
├── users/<uid>/ # Alcance por usuario: historial de chat, memoria, cuadernos, KBs
├── partners/<id>/workspace/ # Alcance del partner (usuario sintético)
├── cli-apps/ # Aplicaciones CLI instaladas, montadas de solo lectura en el sandbox
└── system/ # auth · grants · audit · user-secrets/<owner> (tokens OAuth)
El primer usuario registrado se convierte en administrador y controla los catálogos de modelos, las credenciales de proveedor, las bases de conocimiento compartidas, las skills, los libros compartidos canónicos y los permisos por usuario. Para los usuarios locales creados por el administrador se elige Standard, Learner o Custom. Learner bloquea las capacidades de aprendizaje y la política de materiales, añade un perfil adaptativo y admite credenciales de dispositivo revocables con caducidad y límites diarios; los guardianes autorizados pueden ver informes, aprobar materiales y restablecer credenciales. Los demás usuarios obtienen espacios de trabajo aislados y acceso con alcance a modelos, KBs, skills, Partners y libros compartidos sin recibir claves API en bruto. Si auth.json ya contiene un username + password_hash, esa cuenta es el administrador: /register permanece cerrado y las cuentas creadas desde /admin/users siempre tienen role=user hasta que las asciendas.
Activarlo: activa la autenticación en data/user/settings/auth.json, reinicia deeptutor start, registra al primer administrador en /register, luego agrega usuarios desde /admin/users y asigna modelos, KBs, skills, Partners, política de herramientas/MCP/CLI-apps y acceso de ejecución de código a través de permisos; configura los libros compartidos en el panel Book access de cada usuario.
PocketBase sigue siendo una integración monousuario — mantén
integrations.pocketbase_urlen blanco para despliegues multi-usuario a menos que hayas conectado un almacén de usuarios externo.
Un binario deeptutor, dos formas de entrar: un REPL interactivo para quienes viven en la terminal, y JSON estructurado para otros agentes que manejan DeepTutor como herramienta. Las mismas capacidades, herramientas y bases de conocimiento de cualquier manera.
Manejarlo tú mismo
deeptutor chat abre un REPL interactivo y selecciona un modo con --capability; deeptutor run <capability> "<message>" recibe esa capacidad como primer argumento posicional y sale después de un turno. Ambos aceptan --tool, --kb y --config.
deeptutor chat # REPL interactivo
deeptutor chat --capability deep_solve --kb my-kb --tool rag
deeptutor run chat "Explain the Fourier transform" --tool rag --kb textbook
deeptutor run deep_research "Survey 2026 papers on RAG" \
--config mode=report --config depth=standardLa gestión esencial del espacio de trabajo también está disponible aquí — bases de conocimiento (kb), sesiones (session), partners (partner), skills (skill), cuadernos, memoria y config; la organización de cursos y sesiones permanece en la aplicación Web. Lista completa a continuación.
Dejar que un agente lo maneje
DeepTutor está construido para ser operado por otro agente. Agrega --format json a cualquier run y cada turno transmite NDJSON — un evento por línea (content, tool_call, tool_result, done, …), cada línea etiquetada con su session_id. Las ejecuciones son seguras sin TTY: una pausa ask_user sin TTY se resuelve automáticamente con una respuesta vacía en lugar de bloquearse.
# Disparo único, legible por máquina
deeptutor run deep_solve "Find d/dx[sin(x^2)]" --tool reason --format json
# Encadenar turnos en una sesión con estado — captura el id, reutilízalo
SID=$(deeptutor run deep_research "Survey 2026 papers on RAG" \
--config mode=report --config depth=standard --format json \
| jq -r 'select(.type=="done").session_id')
deeptutor run deep_question "Quiz me on that survey" --session "$SID" --format jsonEl repo incluye un SKILL.md raíz — un documento de traspaso de ~200 líneas que enseña a cualquier LLM que use herramientas toda la superficie en una lectura. Entrégaselo a Claude Code, Codex u OpenCode (los recogen automáticamente), o envuelve deeptutor run como herramienta en un bucle LangChain / AutoGen. Recetas completas: Agent Handoff.
Referencia de comandos
| Comando | Descripción |
|---|---|
deeptutor init |
Crear o actualizar data/user/settings para el espacio de trabajo actual |
deeptutor doctor [--online] |
Verificar si el espacio de trabajo está listo para iniciar una sesión; --online también sondea el proveedor de modelo configurado, --format json imprime el informe |
deeptutor start [--home PATH] [--dev] [--detach] [--no-browser] |
Lanzar backend + frontend juntos; separar el proceso u omitir la apertura del navegador de forma opcional |
deeptutor stop [--home PATH] |
Detener un launcher iniciado con --detach |
deeptutor serve [--port PORT] |
Iniciar solo el backend FastAPI |
deeptutor run <capability> <message> |
Ejecutar un turno de capacidad único (chat, ask_questions, deep_solve, deep_question, deep_research, visualize, math_animator, mastery_path, immersive_reading, course_study, immersive_watching); agrega --format json para salida NDJSON |
deeptutor chat |
REPL interactivo con controles de capacidad, herramienta, KB, notebook e historial |
deeptutor partner list/create/start/stop |
Gestionar partners conectados por IM |
deeptutor kb list/info/create/add/search/set-default/delete/list-sources/sync |
Gestionar bases de conocimiento y sincronizar fuentes de GitHub/web registradas (con comandos para añadir o eliminar fuentes) |
deeptutor skill search/install/list/remove/login/logout/publish/update |
Gestionar skills, instalar desde hubs y publicar las propias (eduhub:<slug> por defecto, consulta Ecosistema) |
deeptutor memory show/clear |
Inspeccionar documentos de memoria L2/L3 o borrar memoria L1/toda |
deeptutor session list/show/open/rename/delete |
Gestionar sesiones compartidas |
deeptutor notebook list/create/show/add-md/replace-md/remove-record |
Gestionar cuadernos desde archivos Markdown |
deeptutor book list/health/refresh-fingerprints |
Inspeccionar libros y actualizar huellas dactilares de fuentes |
deeptutor plugin list/info |
Inspeccionar herramientas y capacidades registradas |
deeptutor config show |
Imprimir resumen de configuración |
deeptutor provider login <provider> |
Autenticación del proveedor (openai-codex OAuth login; github-copilot valida una sesión de autenticación Copilot existente; codebuddy valida la autenticación del SDK de CodeBuddy e inicia el login cuando es necesario) |
Distribución de solo CLI
El paquete de solo CLI vive en packaging/deeptutor-cli. En este checkout, instálalo desde fuente:
python -m pip install -e ./packaging/deeptutor-cliAún no está publicado en PyPI, así que la sección principal de Comenzar mantiene la ruta de instalación desde fuente.
Las skills de DeepTutor usan el formato abierto Agent-Skills — una carpeta con una guía SKILL.md (frontmatter YAML + Markdown) y archivos de referencia opcionales. No hay nada específico de DeepTutor en ello, así que cualquier registro que hable el formato se convierte en una fuente para tu biblioteca. DeepTutor incluye EduHub — nuestro propio registro de skills enfocado en educación — conectado como hub predeterminado.
EduHub — el ecosistema de skills de DeepTutor
EduHub es el hub comunitario que DeepTutor lanzó para compartir skills de agentes orientadas a la enseñanza — tutores socráticos, constructores de tarjetas flash, retroalimentación de ensayos, planos de examen, explicadores de conceptos y más. Está integrado en DeepTutor, así que no hay nada que configurar: un slug simple o un prefijo eduhub: se resuelve a él.
Encontrar e instalar — en el navegador, abre Learning Space → Skills → Import from EduHub para navegar el catálogo y descargar una skill directamente en tu biblioteca. Desde la terminal:
deeptutor skill search "socratic tutor" # buscar en EduHub (el hub predeterminado)
deeptutor skill install socratic-tutor # fetch → verificar → registrar
deeptutor skill install eduhub:socratic-tutor@1.2.0 # fijar un hub y una versión
deeptutor skill list # skills locales con su proveniencia del hubPublicar la tuya propia — empaqueta un SKILL.md y compártelo con la comunidad:
deeptutor skill login # inicio de sesión en EduHub desde el navegador
deeptutor skill publish ./my-skill # interactivo: elige una pista + etiquetas, luego sube
deeptutor skill update # revertir o lanzar una nueva versiónEduHub también es un registro independiente compatible con ClawHub, así que los agentes que no son DeepTutor (Claude Code, Codex, …) pueden usarlo directamente a través del CLI eduhub — npx eduhub install socratic-tutor.
La puerta de seguridad de importación
Sea cual sea la fuente, cada importación pasa la misma puerta de seguridad antes de que nada toque tu espacio de trabajo:
- el veredicto de seguridad del registro se verifica primero — los paquetes marcados se rechazan a menos que pases
--allow-unverified; - los archivos se extraen de forma defensiva con comprobaciones de recorrido de rutas, número de entradas, tamaño, relación de compresión, sufijos y enlaces simbólicos; se eliminan los bits ejecutables, pero se siguen permitiendo los archivos sin extensión;
- el frontmatter se normaliza al esquema de DeepTutor y
always:se elimina, de modo que una skill descargada nunca puede forzarse en cada prompt del sistema; - la proveniencia — hub, versión, veredicto y tiempo de instalación — se escribe en
.hub-lock.jsonpara auditorías y actualizaciones.
En despliegues multi-usuario, las importaciones desde el navegador llegan a la capa de skills del usuario autenticado, mientras que las instalaciones desde la CLI y la consola de administración se dirigen al espacio de trabajo del propietario/administrador; las skills del administrador permanecen ocultas y son de solo lectura para los usuarios comunes hasta que se les conceden.
También compatible con ClawHub
Como DeepTutor habla el formato abierto Agent-Skills, ClawHub también funciona como fuente de primera clase — está integrado junto con EduHub. Selecciónalo con el prefijo del hub:
deeptutor skill search "git release notes" --hub clawhub
deeptutor skill install clawhub:git-release-notes@1.0.1
deeptutor skill install clawhub:udiedrichsen/stock-analysisCuando varios publicadores comparten el mismo slug, la búsqueda muestra cada publicador y una referencia de instalación completamente calificada (clawhub:<ownerHandle>/<slug>).
Agrega más registros en data/user/settings/skill_hubs.json: una entrada type: "clawhub" apunta a cualquier API HTTP compatible (EduHub y ClawHub ambas lo hablan), type: "command" envuelve cualquier CLI de fetch que envíe un registro, y "default" elige el hub usado para slugs simples. Todos ellos alimentan la misma puerta de importación.
Usando el código: DEEPTUTOR20 — ¡obtén $20 de descuento en tu primera suscripción a PageIndex!
 Bingxi Zhao |
 Xingyu Hou |
 Jiahao Zhang |
DeepTutor es un proyecto de código abierto liderado por Bingxi Zhao dentro del grupo HKUDS, y se itera en forma completamente de código abierto, construido junto con la comunidad. Hasta ahora, NO tenemos productos en línea de pago de ningún tipo. No dudes en contactarnos en bingxizhao39@gmail.com para discusiones, ideas o colaboración.
Un agradecimiento de corazón a Chao Huang, director del Data Intelligence Lab @ HKU, y a nuestros compañeros de HKUDS por su cálido apoyo — especialmente Jiahao Zhang, Zirui Guo y Xubin Ren. También estamos profundamente agradecidos a la comunidad de código abierto: tus estrellas, issues, pull requests y discusiones dan forma a DeepTutor todos los días.
DeepTutor también se apoya en los hombros de destacados proyectos de código abierto que nos dieron herramientas e inspiración:
| Proyecto | Rol / Inspiración |
|---|---|
| LlamaIndex | Columna vertebral del pipeline RAG y la indexación de documentos |
| nanobot | Motor de agente ultraligero que impulsó el TutorBot original (HKUDS) |
| LightRAG | RAG simple y rápido (HKUDS) |
| AutoAgent | Marco de agentes sin código (HKUDS) |
| AI-Researcher | Pipeline de investigación automatizada (HKUDS) |
| OpenClaw | Pasarela de agentes abierta y ecosistema de skills detrás de ClawHub |
| Codex | CLI de codificación nativo de agentes que inspiró nuestro flujo de trabajo CLI |
| Claude Code | CLI de codificación agéntica que inspiró el bucle de agentes de DeepTutor |
| ManimCat | Generación de animaciones matemáticas impulsada por IA para Math Animator |
Queremos que DeepTutor siga iterando y mejorando — y en última instancia se convierta en un regalo que devolvamos a la comunidad de código abierto. Nuestro roadmap se actualiza continuamente; vota en los elementos allí o propone nuevos. Si deseas contribuir, consulta la Guía de Contribución para la estrategia de ramas, estándares de código y cómo comenzar.
Esperamos que DeepTutor se convierta en un regalo para la comunidad. 🎁
Licenciado bajo Apache License 2.0.