🤝 Zapraszamy do wszelkich form współpracy! Głosuj na elementy planu działania lub proponuj nowe w
Roadmap, a szczegóły dotyczące strategii gałęzi, standardów kodowania i sposobu rozpoczęcia pracy znajdziesz w naszym Przewodniku dla współtwórców.
- 2026-05-22 🌐 Oficjalna strona dokumentacji dostępna na deeptutor.info — przewodniki, odniesienia i wycieczki po możliwościach w jednym miejscu.
- 2026-04-19 🎉 20 tys. gwiazdek w 111 dni! Dziękujemy za wsparcie na drodze do prawdziwie spersonalizowanych, inteligentnych korepetycji.
- 2026-04-10 📄 Nasz artykuł jest już dostępny na arXiv — przeczytaj preprint, aby dowiedzieć się więcej o projekcie i pomysłach stojących za DeepTutor.
- 2026-02-06 🚀 10 tys. gwiazdek w zaledwie 39 dni! Ogromne podziękowania dla naszej niesamowitej społeczności.
- 2026-01-01 🎊 Szczęśliwego Nowego Roku! Dołącz do naszego Discorda, WeChat lub Dyskusji — razem kształtujmy przyszłość DeepTutor.
- 2025-12-29 🎓 DeepTutor jest oficjalnie wydany!
DeepTutor to natywne dla agentów środowisko nauki, które łączy korepetycje, rozwiązywanie problemów, generowanie quizów, badania, wizualizacje i ćwiczenia opanowania wiedzy w jednym rozszerzalnym systemie.
- Jedno środowisko dla wszystkich trybów — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading i Immersive Watching współdzielą jedno środowisko uruchomieniowe możliwości oraz kontekst sesji, zachowując wyspecjalizowane pętle i potoki dla poszczególnych zadań.
- Połączony kontekst uczenia się — bazy wiedzy, książki, szkice Co-Writer, notatniki, banki pytań, persony i Memory można ponownie wykorzystywać w obsługujących je przepływach pracy, z uwzględnieniem uprawnień konta i polityk nauczania.
- Immersyjne uczenie się z wideo — wklej link do YouTube, aby korzystać z natywnego odtwarzania o podwyższonej ochronie prywatności, zsynchronizowanych napisów, korepetycji osadzonych w znacznikach czasu i wznawialnych postępów; administratorzy mogą przełączyć odtwarzanie na samodzielnie hostowaną instancję Invidious bez ponownego tworzenia materiałów.
- Subagenty i Partners — z poziomu Chat konsultuj aktywnie działającego agenta (Claude Code, Codex, Antigravity, Kimi, opencode, MiMo, Hermes, OpenClaw lub DeepSeek) albo Partner, importuj poprzednie konwersacje i uruchamiaj stałych towarzyszy IM na tym samym mózgu.
- Wielosilnikowa wiedza — wersjonowane biblioteki RAG z LlamaIndex, PageIndex, GraphRAG, LightRAG, zdalnym LightRAG Server, samodzielnie hostowanym WeKnora, biblioteką Tencent IMA lub MarginNote 4, lub podłączonym vault Obsidian, z podłączalnym parsowaniem dokumentów.
- Rozszerzalne narzędzia i umiejętności — wbudowane narzędzia, serwery MCP, aplikacje CLI, modele generowania obrazów / wideo / głosu oraz instalowalne umiejętności społecznościowe z EduHub.
- Inspektowalna pamięć — ślady L1, podsumowania powierzchni L2 i synteza L3 sprawiają, że personalizacja jest widoczna i edytowalna; Memory Graph łączy fakty L2 z dowodami L1, a syntezę L3 z powierzchniami, które się do niej przyczyniły.
DeepTutor oferuje cztery ścieżki instalacji. Wszystkie współdzielą jeden układ obszaru roboczego: ustawienia żyją w data/user/settings/ pod katalogiem, z którego uruchamiasz (lub pod DEEPTUTOR_HOME / deeptutor start --home jeśli ustawisz je jawnie). Dla pełnej aplikacji zalecany przepływ to wybierz katalog obszaru roboczego → zainstaluj → deeptutor init → deeptutor start.
Opcja 1 — Instalacja z PyPI · pełna lokalna aplikacja Web + CLI, bez potrzeby klonowania
Pełna lokalna aplikacja Web + CLI, bez potrzeby klonowania. Wymaga Python 3.11–3.14 i środowiska uruchomieniowego Node.js 20+ na PATH (spakowany serwer standalone Next.js jest uruchamiany przez deeptutor start).
mkdir -p my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init # pyta o porty + dostawcę LLM + opcjonalne osadzanie/wyszukiwanie
deeptutor start # uruchamia backend + frontend; utrzymuj terminal otwartydeeptutor init pyta o port backendu (domyślnie 8001), port frontendu (domyślnie 3782), dostawcę LLM / bazowy URL / klucz API / model, opcjonalnego dostawcę osadzania dla Bazy wiedzy / RAG oraz opcjonalnego dostawcę wyszukiwania dla Web Search.
Po deeptutor start otwórz adres URL frontendu wydrukowany w terminalu — domyślnie http://127.0.0.1:3782. Naciśnij Ctrl+C w tym terminalu, aby zatrzymać backend i frontend. Pominięcie deeptutor init jest dobre dla szybkiego testu; aplikacja uruchamia się z domyślnymi portami i pustymi ustawieniami modelu, skonfiguruj je później w Settings → Models.
Opcja 2 — Instalacja ze źródeł · programowanie przy użyciu kodu źródłowego
Do programowania przy użyciu kodu źródłowego. Użyj Python 3.11–3.14 i Node.js 22 LTS, aby dopasować do CI i Dockera.
git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
# Utwórz 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
# Zainstaluj zależności backendu + frontendu
python -m pip install -e .
( cd web && npm ci --legacy-peer-deps )
deeptutor init
deeptutor start --devdeeptutor start buduje lokalny frontend web/ na potrzeby produkcji jednorazowo i ponownie go wykorzystuje; --dev uruchamia Next.js z automatycznym przeładowywaniem modułów (HMR). Układ konfiguracji, porty i Ctrl+C odpowiadają Opcji 1.
Środowisko Conda (zamiast venv)
conda create -n deeptutor python=3.11
conda activate deeptutor
python -m pip install --upgrade pipOpcjonalne dodatki instalacyjne — silniki RAG / dev / partners / matrix / math-animator
pip install -e ".[rag-lightrag]" # Wbudowany silnik LightRAG (dokładnie obsługiwany SDK)
pip install -e ".[graphrag]" # Silnik Microsoft GraphRAG (Python 3.11–3.13)
pip install -e ".[dev]" # narzędzia testów/lint
pip install -e ".[partners]" # SDK kanałów IM Partners
pip install -e ".[video-learning]" # compatibility extra; captions ship in the full/CLI installs
pip install -e ".[matrix]" # kanał Matrix bez E2EE/libolm
pip install -e ".[matrix-e2e]" # Matrix E2EE; wymaga libolm
pip install -e ".[math-animator]" # addon Manim; wymaga LaTeX/ffmpeg/bibliotek systemowychDostosowania zależności frontendowych i rozwiązywanie problemów z serwerem deweloperskim
Zmiana zależności frontendowych: uruchom npm install --legacy-peer-deps, aby odświeżyć web/package-lock.json, a następnie zatwierdź zarówno web/package.json, jak i web/package-lock.json.
Zablokowany serwer deweloperski: jeśli deeptutor start --dev zgłasza istniejący frontend, który nie odpowiada, zatrzymaj PID, który wydrukuje. Jeśli żaden proces Next.js nie jest uruchomiony, pliki blokady są przestarzałe — usuń je i spróbuj ponownie:
rm -f web/.next/dev/lock web/.next/lock
deeptutor start --devOpcja 3 — Docker · jeden samodzielny kontener
Jeden kontener dla pełnej aplikacji Web. Obrazy w GitHub Container Registry:
ghcr.io/hkuds/deeptutor:latest— najnowsze stabilne wydanieghcr.io/hkuds/deeptutor:<version>— dokładne wydanie bez początkowegov(na przykład:1.6.3); wydania wstępne otrzymują wyłącznie własny tag wersji
Zobacz CONTAINERIZATION.md w celu uzyskania informacji o wdrożeniach podman/rootless/read-only-rootfs i pełnym przewodniku per-instalacja.
docker run --rm --name deeptutor \
-p 127.0.0.1:3782:3782 \
-v deeptutor-data:/app/data \
ghcr.io/hkuds/deeptutor:latestTylko
3782musi być opublikowane. Przeglądarka komunikuje się wyłącznie z serwerem frontendu; middleware Next.js (web/proxy.ts) przekazuje/api/*i/ws/*do backendu FastAPI wewnątrz kontenera. Opublikowanie8001(-p 127.0.0.1:8001:8001) jest opcjonalne — przydatne tylko do bezpośredniego uderzania w API z curl lub skryptów.
Otwórz http://127.0.0.1:3782. Kontener tworzy /app/data/user/settings/*.json przy pierwszym uruchomieniu; skonfiguruj dostawców modeli ze strony Web Settings. Konfiguracja, klucze API, dzienniki, pliki obszaru roboczego, pamięć i bazy wiedzy są przechowywane w woluminie deeptutor-data. Opcjonalne dodatki należą do wdrożenia, nie do powłoki: ustaw DEEPTUTOR_EXTRAS (oraz DEEPTUTOR_APT_PACKAGES dla bibliotek systemowych), a każdy kontener uruchomiony z tego wdrożenia ponownie je zastosuje, podczas gdy docker exec … pip install zostałby utracony przy kolejnym compose down.
- Różne porty hosta: zmień lewą stronę każdego mapowania
-p host:kontener(np.-p 127.0.0.1:8088:3782). Jeśli zmienisz porty po stronie kontenera w/app/data/user/settings/system.json, uruchom ponownie i zaktualizuj prawą stronę każdego mapowania, aby pasowała. - Odłączony: dodaj
-d, następniedocker logs -f deeptutor, aby śledzić,docker stop deeptutor, aby zatrzymać,docker rm deeptutorprzed ponownym użyciem nazwy. Wolumindeeptutor-dataprzechowuje ustawienia i obszar roboczy między restartami.
Zdalny Docker / odwrotne proxy: przeglądarka komunikuje się wyłącznie z serwerem frontendu (:3782); middleware Next.js wewnątrz kontenera przekazuje /api/* i /ws/* do serwera backendu po stronie serwera. W typowym przypadku jednego kontenera nie konfigurujesz w ogóle bazowego adresu API — po prostu skieruj swój reverse proxy / terminator TLS na :3782. Bazowy adres API jest potrzebny tylko dla wdrożenia rozdzielonego (backend w osobnym kontenerze/hoście): ustaw next_public_api_base w data/user/settings/system.json na adres sieciowy, którego serwer frontendu używa do osiągnięcia backendu (jest czytany po stronie serwera, nigdy nie wysyłany do przeglądarki).
{
"next_public_api_base": "http://backend:8001"
}next_public_api_base_external (i jego alias public_api_base) są akceptowane jako fallbacki o niższym priorytecie. CORS używa źródeł frontendu, a nie adresów URL API. Przy wyłączonym uwierzytelnianiu DeepTutor domyślnie zezwala na normalne źródła przeglądarki HTTP/HTTPS. Przy włączonym uwierzytelnianiu dodaj dokładne źródła frontendu:
{
"cors_origins": ["https://deeptutor.example.com"]
}Łączenie z Ollama / LM Studio / llama.cpp / vLLM / Lemonade na hoście
Wewnątrz Dockera localhost to sam kontener, a nie maszyna hosta. Aby dotrzeć do usługi modelu działającej na hoście, użyj bramy hosta (zalecane):
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:latestNastępnie w Settings → Models wskaż bazowy URL dostawcy na 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) zazwyczaj rozwiązuje host.docker.internal bez --add-host. Na Linuksie flaga jest przenośnym sposobem tworzenia tej nazwy hosta w nowoczesnym Docker Engine.
Alternatywa dla Linuksa — sieć hosta: dodaj --network=host i usuń flagi -p. Kontener bezpośrednio współdzieli sieć hosta, więc otwórz http://127.0.0.1:3782 (lub frontend_port w system.json), a usługi hosta są dostępne pod normalnymi adresami URL localhost jak http://127.0.0.1:11434/v1. Pamiętaj, że sieciowanie hosta bezpośrednio ujawnia porty kontenera na hoście i może powodować konflikty z istniejącymi usługami — aby utrzymać je na loopback, ustaw BACKEND_HOST=127.0.0.1 i FRONTEND_HOST=127.0.0.1 (patrz CONTAINERIZATION.md).
Opcja 4 — Tylko CLI · bez interfejsu webowego, z kodu źródłowego
Gdy nie potrzebujesz interfejsu webowego. Pakiet tylko CLI jest instalowany ze źródłowego kodu, a nie z PyPI.
git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
# Utwórz 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 współdzieli ten sam układ data/user/settings/ co pełna aplikacja, ale pomija monity o porty backendu/frontendu. Nadal udostępnia selektory Embedding i Search (wybierz Skip, gdy ich nie potrzebujesz), zapisuje kluczowe pliki środowiska uruchomieniowego (system.json, auth.json, integrations.json, interface.json, model_catalog.json, main.yaml, agents.yaml) i pyta o aktywnego dostawcę LLM i model.
Typowe polecenia
deeptutor chat # interaktywny REPL
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 showLokalna instalacja deeptutor-cli nie zawiera zasobów webowych ani zależności serwera. Zachowaj kod źródłowy — instalacja edytowalna wskazuje na niego. Aby dodać aplikację Web później, zainstaluj pakiet PyPI (Opcja 1) i uruchom deeptutor init + deeptutor start z tego samego obszaru roboczego.
Piaskownica wykonania kodu (umiejętności biurowe) · uruchamianie kodu generowanego przez model dla docx / pdf / pptx / xlsx
Wbudowane umiejętności biurowe — docx / pdf / pptx / xlsx — działają, sprawiając że model pisze krótki skrypt Python (python-docx, reportlab, openpyxl, …), uruchamia go przez narzędzia exec / code_execution i zwraca adres URL do pobrania. Te narzędzia są montowane zawsze, gdy aktywny jest backend piaskownicy. DeepTutor wybiera najsilniejszy skonfigurowany backend w następującej kolejności:
- Runner sidecar:
DEEPTUTOR_SANDBOX_RUNNER_URLkieruje wykonanie do utwardzonej usługi o najmniejszych uprawnieniach zDockerfile.runner. - Linux bubblewrap: gdy
bwrapjest dostępny, izoluje proces i pliki. - Awaryjny ograniczony podproces: instalacje lokalne i jednokontenerowe używają go tylko wtedy, gdy jest dozwolony; w Dockerze kontener pozostaje dodatkową granicą.
Ustawienie sandbox_allow_subprocess w data/user/settings/system.json (domyślnie true) kontroluje wyłącznie ostatni wariant awaryjny. Ustaw je na false (lub wyeksportuj DEEPTUTOR_SANDBOX_ALLOW_SUBPROCESS=0), aby odmówić wykonania w podprocesie, gdy nie jest dostępny backend runner ani bwrap; nie wyłącza to tych silniejszych backendów.
Odniesienie do konfiguracji — pliki konfiguracyjne w data/user/settings/ (JSON/YAML)
Wszystko w data/user/settings/ to zwykły JSON/YAML. Strona Settings w przeglądarce jest zalecanym edytorem.
| Plik | Cel |
|---|---|
model_catalog.json |
Połączenia dostawców oraz profile LLM, zadań, osadzania, wyszukiwania, TTS, STT, obrazów i wideo, dane uwierzytelniające i aktywne wybory |
system.json |
Porty backendu/frontendu, publiczna baza API, CORS, weryfikacja SSL, katalog załączników i limity przesyłania/ekstrakcji |
auth.json |
Opcjonalny przełącznik uwierzytelniania, nazwa użytkownika, hash hasła, ustawienia tokena/cookie |
integrations.json |
Opcjonalne ustawienia PocketBase i integracji sidecar |
interface.json |
Preferencje języka interfejsu i języka odpowiedzi modelu / motywu / paska bocznego |
video_learning.json |
Domyślny dostawca odtwarzania YouTube/Invidious, źródła Invidious i opcjonalny adapter transkrypcji |
main.yaml |
Domyślne zachowanie środowiska uruchomieniowego i wstrzykiwanie ścieżek |
agents.yaml |
Ustawienia temperatury i tokenów możliwości/narzędzi |
Odwołania Web Search są domyślnie filtrowane: wyświetlane są wyłącznie publiczne adresy URL http/https bez osadzonych danych uwierzytelniających ani nietypowych portów. Wdrożenia mogą dodać politykę domen skoncentrowaną na edukacji w data/user/settings/system.json:
{
"web_search_source_filtering": {
"enabled": true,
"blocked_domains": ["spam.example"],
"trusted_domains": ["edu.cn", "arxiv.org"]
}
}Gdy trusted_domains nie jest puste, odwołania są ograniczone do tych domen i ich subdomen; blocked_domains zawsze ma pierwszeństwo.
Plik .env w katalogu głównym projektu nie jest czytany jako plik konfiguracyjny aplikacji. Dla minimalnej konfiguracji modelu otwórz Settings → Models, dodaj profil LLM (bazowy URL / klucz API / nazwa modelu) i zapisz. Dodaj profil osadzania tylko jeśli planujesz korzystać z funkcji Bazy wiedzy / RAG.
Profile LLM i modeli zadaniowych udostępniają ustawienie formatu API, gdy ich dostawca umożliwia wybór. Pozostaw Auto dla zwykłego routingu i mechanizmu awaryjnego albo wybierz OpenAI Chat Completions, OpenAI Responses lub Anthropic Messages; wymuszony tryb Responses nadal działa w sposób fail-closed. Zapisywane pole to api_format (auto, openai_chat, openai_responses lub anthropic); wire_api jest pochodnym stanem kompatybilności. Nadpisania Auto / Supported / Not supported dla poszczególnych modeli obejmują wywoływanie narzędzi, dane wejściowe obrazów, dane wyjściowe JSON i sterowanie rozumowaniem.
Odinstalowanie i czyszczenie
DeepTutor oddziela zainstalowany kod od obszaru roboczego środowiska uruchomieniowego. Domyślnie obszarem roboczym jest katalog, w którym uruchamiasz deeptutor init / deeptutor start; --home PATH lub DEEPTUTOR_HOME go zastępuje. Dane środowiska uruchomieniowego znajdują się w katalogu data wewnątrz tego obszaru roboczego, więc wiersz banera startowego zaczynający się od Workspace: wskazuje, co należy wyczyścić.
-
Zatrzymaj aplikację. Naciśnij
Ctrl+Cw terminalu, w którym działadeeptutor start, albo uruchomdeeptutor stop [--home PATH]dla launchera uruchomionego z--detach; przed usunięciem danych zatrzymaj wszystkie działające Partners i odłączone kontenery Docker. -
Usuń dane środowiska uruchomieniowego tylko wtedy, gdy chcesz również wymazać cały stan lokalny. Obejmuje to ustawienia i klucze API, historię czatu, sesje, Memory, Notebooks, Books, stan Reading, Skills, stan Partners, dzienniki, Knowledge Bases, pamięci podręczne parsowania, wygenerowane artefakty i pamięć podręczną środowiska uruchomieniowego spakowanego frontendu.
Najpierw skopiuj dokładną ścieżkę
Workspace:z banera startowego i upewnij się, że jej element potomnydatajest właściwym katalogiem danych DeepTutor. Jeśli cokolwiek może być potrzebne później, wykonaj kopię zapasową, a następnie przenieś dokładnie ten katalog do Kosza systemu operacyjnego. Nie uruchamiaj polecenia usuwania rekurencyjnego na ścieżce względnej ani nierozwiązanej zmiennej środowiskowej. -
Usuń zainstalowany pakiet. Użyj polecenia odpowiedniego dla dystrybucji:
python -m pip uninstall deeptutor python -m pip uninstall deeptutor-cli
Jeśli środowisko wirtualne utworzono wyłącznie dla DeepTutor, usuń je za pomocą menedżera środowisk. W przypadku instalacji ze źródeł zdezaktywuj środowisko, opuść katalog źródłowy i uruchom
git status --shortwewnątrz dokładnie tego kodu źródłowego. Przenieś go do Kosza dopiero po potwierdzeniu, że nie zawiera niepowiązanej ani niezacommitowanej pracy. -
Dla ścieżki Docker sprawdź dokładny kontener i nazwany wolumin przed ich usunięciem. Usunięcie woluminu trwale wymazuje dane zarządzane przez Docker:
docker ps -a --filter name=^/deeptutor$ docker volume inspect deeptutor-data docker rm -f deeptutor docker volume rm deeptutor-data
Zacznij od głównych powierzchni, których będziesz używać na co dzień: Chat, Partners, My Agents, Co-Writer, Book, Knowledge Center, Learning Space, Memory i Settings. Wycieczka obejmuje następnie wdrożenia dla wielu użytkowników dla współdzielonych, izolowanych obszarów roboczych.
Jeśli odpowiedź pomija wcześniejsze ograniczenie, przywołuje słabe dowody lub jest sprzeczna z wybranym materiałem, przed otwarciem issue zbierz dane diagnostyczne zgodnie z REASONING_SAFETY_CHECKLIST.md.
🏗️ Architektura systemu
💬 Chat — Pętla agenta, z której naprawdę korzystasz
Chat to domyślna możliwość i miejsce, gdzie zaczyna się większość pracy. Jeden wątek może rozmawiać normalnie, wywoływać narzędzia, opierać się na wybranych bazach wiedzy, czytać załączniki, generować obrazy, konsultować subagentów, pisać rekordy notatnika i kontynuować z tym samym kontekstem przez tury.
Pętla jest celowo prosta: model myśli w rundach, wywołuje narzędzia gdy są przydatne, obserwuje wyniki i kończy wiadomością bez narzędzi. ask_user jest wyjątkowy — zamiast zgadywać, agent może wstrzymać turę, zadać ustrukturyzowane pytanie wyjaśniające i wznowić po odpowiedzi.
Narzędzia przełączalne przez użytkownika to brainstorm, web_search, paper_search, reason i geogebra_analysis — plus imagegen i videogen po skonfigurowaniu odpowiedniego modelu generowania. Narzędzia kontekstowe takie jak 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 i consult_subagent montują się automatycznie gdy tura ma odpowiedni kontekst.
Kontekst dzieli się na dwa rodzaje: trwały kontekst sesji (możliwość, obszar roboczy lub kurs, narzędzia, bazy wiedzy, persona, model oraz stan Reading / Mastery) jest zachowany przez tury; jednorazowe odwołania (pliki, historia czatu, książki, sekcje do czytania, notatniki, bank pytań, zaimportowani agenci) pochodzą z menu + dla jednej tury. Przycisk głosowy jedynie transkrybuje bieżącą wiadomość.
Home daje dostęp jednym kliknięciem do Chat, Ask Questions, Quiz i Visualize; Research do raportów z cytowaniami, Solve do rozumowania krok po kroku oraz Immersive Watching znajdują się w sekcji More Capabilities. Mastery Path i Immersive Reading mają dedykowane obszary robocze na pasku bocznym; Reading dodaje zweryfikowane, klikalne cytowania, zapisane cytowania i notatki, oparte na źródłach działania czytania na głos / wskazówek do nauki / słownictwa / quizu / tłumaczenia oraz przechwytywanie do notatnika, a Course Study zachowuje własny kontekst związany z kursem.
🤝 Partner — Stali towarzysze na tym samym mózgu
Partners to stali towarzysze z własną duszą, polityką modelu, biblioteką, pamięcią i kanałami. Nie są osobnym silnikiem bota: każda przychodząca wiadomość webowa lub IM staje się normalną turą ChatOrchestrator wewnątrz obszaru roboczego z zakresem partnera. Partner to „czat który ma osobowość i numer telefonu."
Każdy partner ma SOUL.md, wybór modelu, kanały, politykę narzędzi i przypisaną bibliotekę. Bazy wiedzy, umiejętności i notatniki są kopiowane do data/partners/<id>/workspace/, więc te same narzędzia RAG, umiejętności, notatnika i pamięci działają bez specjalnych przypadków. Uwierzytelnieni użytkownicy bez uprawnień administratora zachowują prywatne sesje Partner i pamięć relacji, a Partner odczytuje ich pamięć osobistą tylko do odczytu; ruch administratorów, grup i użytkowników niepowiązanych korzysta ze wspólnego zakresu Partner.
Warstwa kanałów jest sterowana schematem i może łączyć się z platformami IM takimi jak Feishu, Telegram, Slack, Discord, DingTalk, QQ/NapCat, WeCom, WhatsApp, Zulip, Mattermost, Matrix, Mochat i Microsoft Teams w zależności od zainstalowanych dodatków i skonfigurowanych danych uwierzytelniających. Partner może być również podłączony jako subagent i konsultowany z normalnej tury czatu — patrz My Agents poniżej.
Dla szybszej konfiguracji strona kanału Partner może utworzyć aplikację Feishu/Lark lub bota AI WeCom, albo zalogować osobiste konto WeChat, na podstawie kodu QR narysowanego w przeglądarce zamiast w dzienniku serwera. Feishu/Lark wykrywa domenę konta i zapisuje skanującego użytkownika jako początkowego dozwolonego nadawcę. WeCom zachowuje istniejącą listę dozwolonych, a w przeciwnym razie domyślnie zezwala wszystkim użytkownikom, którzy mogą dotrzeć do bota, z widocznym ostrzeżeniem o otwartym dostępie; ręczne formularze kanałów pozostają dostępne, jeśli protokół skanowania dostawcy się zmieni.
🧑🚀 My Agents — Konsultuj i importuj innych agentów
My Agents zamienia innych agentów w kontekst dla DeepTutor i wykonuje dwie odrębne rzeczy. Połącz żywego agenta — Claude Code, Codex, Antigravity, Kimi, opencode, MiMo Code, Hermes Agent, OpenClaw lub DeepSeek Harness na twoim komputerze, lub jednego z twoich Partners — i konsultuj go z wnętrza tury czatu: DeepTutor faktycznie uruchamia drugiego agenta i strumieniuje jego pracę do panelu Activity przez narzędzie consult_subagent. Wybierz go i jego limit rund za pomocą chipa Agent lub przefiltruj tę samą listę połączonych agentów za pomocą @; wybór pozostaje powiązany z sesją.
Importuj poprzednie konwersacje — przynieś swoją istniejącą historię Claude Code i Codex jako nazwane, przeszukiwalne, wznawialne agenty. Historię Claude wybieraj według projektu / katalogu roboczego, a historię Codex według daty kalendarzowej; odświeżenie ponownie synchronizuje ten zakres i pobiera nowe konwersacje. Odwołaj się do jednej z nich z tury Chat przez + → My Agents, a DeepTutor czyta ją jako transkrypt osoby trzeciej — pozostaje ich konwersacją, nie własnym głosem DeepTutor.
✍️ Co-Writer — Edycja Markdown z uwzględnieniem zaznaczenia
Co-Writer to obszar roboczy Markdown z podzielonym widokiem dla raportów, samouczków, notatek i długich artefaktów uczenia się. Dokumenty są automatycznie zapisywane, renderują podgląd na żywo (matematyka KaTeX, schematy), i mogą być zapisane z powrotem do notatników gdy szkic staje się kontekstem wielokrotnego użytku. Zaimportuj .docx, aby rozpocząć szkic, i eksportuj bieżący edytor jako Markdown lub Word.
Jego wyróżniającym pomysłem jest precyzyjna edycja: zaznacz fragment i poproś DeepTutor o przepisanie, rozszerzenie lub skrócenie. Agent edycji może ugruntować zmianę w bazie wiedzy lub dowodach webowych i zachowuje ślad swoich wywołań narzędzi. Jeśli szkic nie zmienił się podczas jego pracy, wynik bezpośrednio zastępuje zaznaczony tekst i nadal można go cofnąć za pomocą Undo.
📖 Book — Żywe książki z twoich materiałów
Book zamienia wybrane źródła w interaktywną żywą książkę — nie statyczny PDF, ale środowisko czytelnicze zbudowane z typowanych bloków. Książka może zaczynać się od baz wiedzy, notatników, banków pytań lub historii czatu; przepływ tworzenia proponuje konspekt rozdziałów przed wygenerowaniem treści, więc przeglądasz kształt zamiast akceptować ślepe jednorazowe wyjście.
Każdy rozdział kompiluje się do edytowalnych, typowanych bloków — tekstu, callouts, quizów, fiszek, osi czasu, kodu, figur, interaktywnego HTML, animacji, grafów konceptów, dogłębnych analiz i notatek użytkownika — i ma własny Page Chat. Wstawiaj, przenoś, regeneruj i przepisuj bloki lub zmieniaj ich typ; zaznaczone fragmenty trafiają do skrzynki materiałów do nauki, gdzie można je przejrzeć. Postępy, zakładki, próby quizów, materiały do nauki i Page Chat pozostają prywatne dla każdego czytelnika, nawet gdy książka administratora jest udostępniona tylko do odczytu lub do wspólnej edycji; współdzieloną książkę nadal może usunąć tylko administrator. Każdą książkę można wyeksportować do Markdown, długa kompilacja może być wstrzymywana i wznawiana, a deeptutor book health / refresh-fingerprints sygnalizują dryf źródeł.
📚 Knowledge Center — Wielosilnikowe biblioteki RAG
Bazy wiedzy to kolekcje dokumentów za RAG — ugruntowują tury Chat, edycje Co-Writer, generowanie Book i konwersacje Partner. Wyróżnikiem jest wybór silnika wyszukiwania: LlamaIndex (domyślny, hybrydowy wektor + BM25 z opcjonalnym ponownym rankingiem cross-encoder i indeksami FAISS exact-flat lub HNSW), PageIndex (wyszukiwanie z rozumowaniem z cytowaniami na poziomie strony, hostowany lub samodzielnie hostowany open source), GraphRAG i LightRAG (wyszukiwanie oparte na grafach wiedzy), LightRAG Server (wyszukiwanie odciążone do zewnętrznej instancji LightRAG którą łączysz przez HTTP), WeKnora (wyszukiwanie z bazy wiedzy w samodzielnie hostowanym wdrożeniu, bez lokalnego indeksu ani kopii dokumentów), Tencent IMA (biblioteka którą kurujesz w IMA — przeszukiwana, przeglądana i zapisywana z powrotem przez jego OpenAPI), MarginNote 4 (Twoje dane MN4 — dokumenty, wyciągi, karty mapy myśli i połączenia między nimi — przesyłane przez Add-on aplikacji i przeglądane za pomocą dedykowanych narzędzi), lub podłączony vault Obsidian który tutor czyta i zapisuje w miejscu. Każda KB jest powiązana z jednym silnikiem.
Przenosisz istniejącą bibliotekę Obsidian, Hermes lub Markdown? Zobacz przewodnik po migracji wiedzy, aby poznać ścieżki podłączonego vault i indeksowanej kopii.
Tworząc KB, albo tworzysz nową (przesyłasz dokumenty i budujesz świeży indeks), albo łączysz istniejącą (ponownie używasz indeksu zbudowanego gdzie indziej, czytasz w miejscu bez ponownego indeksowania). Baza wiedzy może też śledzić repozytoria GitHub (repozytorium, gałąź i wzorzec glob) lub adresy URL witryn dokumentacji (z ograniczoną głębokością przeszukiwania i liczbą stron); synchronizacja na żądanie porównuje skróty treści, aby wykryć elementy dodane, zmienione i usunięte, dzięki czemu śledzona dokumentacja pozostaje aktualna bez ponownego przesyłania. Ponowne indeksowanie zapisuje nowy płaski katalog version-N i zachowuje poprzednie, więc działający indeks nigdy nie jest niszczony w trakcie przebudowy. Pojedynczy dokument można usunąć nawet z bazy w stanie błędu — usuwając plik, który nie sparsował się poprawnie, bez pełnego usuwania i przebudowy. Parsowanie dokumentów — Tylko tekst, MinerU, Docling, Tika, markitdown, PyMuPDF4LLM lub LiteParse — jest wybierane w Settings → Knowledge Base, z domyślnie wyłączonymi pobieraniami lokalnego modelu. Docling może też działać w trybie zdalnym względem serwera Docling Serve (bez lokalnej instalacji czy modeli), konfigurowanym przez Settings → Document Parsing (mode=remote, bazowy URL serwera i opcjonalny klucz API) lub zmienne środowiskowe DOCLING_MODE / DOCLING_API_BASE_URL / DOCLING_API_TOKEN. Tika jest wyłącznie zdalna i wskazuje na serwer Apache Tika skonfigurowany na tej stronie. CLI odzwierciedla cykl życia przez list/info/create/add/search/set-default/delete, polecenia dodawania/usuwania źródeł, list-sources i sync.
Wbudowany silnik LightRAG instaluje się poleceniem pip install 'deeptutor[rag-lightrag]'. Ten dodatek zawiera obsługiwany SDK LightRAG, ale nie instaluje MinerU. Wybierz MinerU niezależnie w Document Parsing i skonfiguruj jego tryb chmurowy albo zainstaluj jego aktualny lokalny CLI, gdy potrzebne jest strukturalne parsowanie. MinerU akceptuje pliki PDF, popularne obrazy rastrowe, DOCX, PPTX i XLSX; starsze polecenie magic-pdf nadal obsługuje wyłącznie pliki PDF. Tryb tylko tekstowy i pozostałe silniki parsowania nie wymagają MinerU.
🌐 Learning Space — Umiejętności, persony i kontekst wielokrotnego użytku
Learning Space to warstwa biblioteki, organizacji i personalizacji. Conversations & Materials obejmuje Chat History, notatniki — z rekordami, które można przenosić lub kopiować między notatnikami, oraz eksportem do Markdown — i bank pytań zachowujący twoją odpowiedź, odpowiedź referencyjną i wyjaśnienie. Personalization obejmuje persony, umiejętności (podręczniki SKILL.md), instalowane jednym kliknięciem Usługi MCP oraz Aplikacje CLI z katalogu CLI-Anything, każdą z przewodnikiem użycia wczytywanym na żądanie. Oddzielny obszar roboczy My Courses grupuje rozmowy według przedmiotów i wątki tutorów; każdy zasób jest oferowany tylko w przepływach pracy, które go obsługują.
Nie musisz pisać każdej umiejętności samodzielnie — Import from EduHub przegląda katalog społecznościowy i pobiera umiejętność bezpośrednio do twojej biblioteki przez bramę bezpieczeństwa (patrz Ekosystem).
🧠 Memory — Inspektowalna personalizacja
Memory to system trzywarstwowy oparty na plikach, który możesz czytać, selekcjonować i audytować — celowo nie ukryty magazyn wektorowy. L1 to lustro obszaru roboczego plus dołączany ślad zdarzeń (trace/<surface>/<date>.jsonl); L2 to wyselekcjonowane fakty per-powierzchnia (L2/<surface>.md) z odwołaniami do encji L1; L3 to synteza między-powierzchniowa (L3/<profile|recent|scope|preferences>.md), która zapisuje uczestniczące powierzchnie L2.
Memory Graph pokazuje całą piramidę — synteza L3 w centrum, L2 w środkowym pierścieniu, ślady L1 na zewnątrz — z dokładnymi krawędziami dowodów L2 → L1 i połączeniami L3 → powierzchnie uczestniczące. Memory jest śledzone przez powierzchnie chat, notebook, quiz, kb, book, partner i cowriter; budżety Update / Audit / Dedup konsolidatora są dostosowywane w Settings → Memory.
⚙️ Settings — Jedna płaszczyzna kontroli
Settings to operacyjna płaszczyzna kontroli z paskiem statusu na żywo (stan backendu i pamięć rezydentna procesów na żywo w całym drzewie procesów) oraz trwałym, przeszukiwalnym nawigatorem, który pozwala dotrzeć do dowolnej strony jednym kliknięciem: Appearance (motyw, język interfejsu i język odpowiedzi modelu, stylizacja bloków kodu), Network (baza API, porty, CORS), Models (Połączenia, LLM, Modele zadań, Embedding, Search, Text-to-Speech, Speech-to-Text, Image Generation, Video Generation), Knowledge Base (silnik parsowania dokumentów), Chat (Video Learning, przeszukiwalne narzędzia, parametry per-możliwość, punkty startowe, limity załączników), Partners & Agents (dziewięć lokalnych środowisk uruchomieniowych agentów), Profil ucznia (wiek, klasa, program nauczania, język, poziom czytania, styl wyjaśnień), Guardian (upoważnieni uczniowie, materiały, raporty, resetowanie poświadczeń), Memory (budżety konsolidatora) i About (sprawdzanie wersji i bezpieczne aktualizacje). Połączenie przechowuje jedno poświadczenie dostawcy i odzwierciedla je w każdej usłudze, którą ten dostawca może obsłużyć, więc klucz wprowadza się raz zamiast wklejać go na pięciu stronach; modele zadań przypinają mały, szybki model do pracy, o którą nikt nie prosił — nadawanie nazwy rozmowie, pisanie punktów startowych w composerze — i domyślnie sięgają po aktywny model, gdy pozostawione są puste.
Video Learning w Settings → Chat domyślnie korzysta z oficjalnego odtwarzacza YouTube IFrame Player o podwyższonej ochronie prywatności. Aby odtwarzać lokalnie, ustaw zarządzane przez administratora źródło API Invidious (na przykład http://127.0.0.1:3000), przetestuj je, wybierz Invidious i zapisz. Nowe lub ponownie otwarte filmy natychmiast przejmują dostawcę, zachowując ten sam identyfikator materiału i postęp. Multimedia Invidious są strumieniowane przez proxy zakresów bajtów DeepTutor; nadrzędne adresy URL nie są ani ujawniane przeglądarce, ani zapisywane na dysku. Jeśli instancja ulegnie awarii, DeepTutor pozostaje odłączony od YouTube, dopóki uczeń nie wybierze jawnie natywnego trybu awaryjnego YouTube. Korepetycje oparte na publicznych napisach są opcjonalne: zainstaluj .[video-learning]; bez niego odtwarzanie nadal działa, natomiast funkcja Explain here oparta na transkrypcji jest wyłączona wraz z podaniem przyczyny.
Większość sekcji używa przepływu szkic-i-zastosuj, więc możesz testować dostawcę przed jego zatwierdzeniem. Możesz też po prostu zapytać w Chat: asystent odczytuje bieżącą konfigurację, stosuje zmianę i mówi, czy potrzebny jest restart lub ponowne indeksowanie — sprawdzając nowy model zanim go zatwierdzi, więc nie może sam przełączyć się na coś nieosiągalnego. Klucze API nigdy nie przechodzą przez model, który zamiast tego otwiera odpowiedni formularz. Cztery motywy dostarczane w zestawie — Default, Cream, Dark i Glass. Pliki .env katalogu głównego projektu są celowo ignorowane; konfiguracja środowiska uruchomieniowego żyje pod data/user/settings/*.json chyba że DEEPTUTOR_HOME lub deeptutor start --home wskaże aplikację gdzie indziej.
OpenAI Codex OAuth (eksperymentalne). Wybranie OpenAI Codex w Models → LLM zastępuje pola klucza API logowaniem przez przeglądarkę, które działa względem twojego własnego planu ChatGPT, więc OPENAI_API_KEY nie jest potrzebny. Tokeny żyją wyłącznie w data/system/user-secrets/<owner>/private/openai-codex/ — w wielokontenerowym wdrożeniu Compose, poza każdym drzewem, do którego ma dostęp piaskownica wykonania kodu — a DeepTutor nigdy nie czyta ani nie modyfikuje twojego logowania CLI ~/.codex. Lista modeli pochodzi z aktualnego katalogu tego konta; zalogowanie się publikuje profil, ale staje się aktywnym modelem tylko gdy żaden LLM nie jest jeszcze skonfigurowany. Ponieważ token autoryzuje plan jednej osoby, profilu nie da się współdzielić przez uprawnienia użytkowników — każde konto loguje się osobno, w tym zwykli użytkownicy: ich karta znajduje się w Models → LLM, a wynikowe modele, katalog i wylogowanie pozostają prywatne dla tego konta.
Domyślne lokalne wdrożenia Docker i Podman używają oddzielnych sieci loopback i podczas logowania wymagają tymczasowego mostu. Postępuj zgodnie z przewodnikiem po tymczasowym lokalnym moście OAuth Codex, aby poznać dokładne komendy dla Docker, Compose, Podman i demontażu.
Dla zdalnego wdrożenia localhost przeglądarki i localhost serwera to dwie różne maszyny, więc sam zwykły reverse proxy nie może przenieść callbacku localhost przeglądarki do serwera. Użyj tunelu SSH jako mostu callback. Tunel dociera do już opublikowanego portu Web; Next.js przepisuje wyłącznie dokładną ścieżkę callback do publicznego brokera callback, a broker waliduje state przed przekierowaniem do pierwotnej operacji OAuth. Nasłuch callback pozostaje na loopbacku backendu, porty 1455 i 1457 nie są publikowane, a ta ścieżka obsługuje domyślną sieć bridge Dockera.
ssh -N -L 1455:127.0.0.1:3782 <ssh-user>@<server-host>Jeśli DeepTutor zgłasza zapasowy port callback 1457, użyj:
ssh -N -L 1457:127.0.0.1:3782 <ssh-user>@<server-host>Uruchom tylko tę jedną komendę, która odpowiada rzeczywistemu portowi callback; nigdy nie uruchamiaj obu. 3782 to jedynie przykładowy port Web: to skonfigurowany port frontendu/kontenera, zgłaszany jako callback_forward_port. Ta wartość nie gwarantuje, że ten sam port nasłuchuje na 127.0.0.1 hosta SSH. Jeśli Docker lub Podman publikuje inny port hosta, albo reverse proxy nasłuchuje na innym porcie, zamień wyłącznie prawą stronę portu docelowego (3782 powyżej) na port Web faktycznie nasłuchujący na 127.0.0.1 hosta SSH; zachowaj lewy port callback jako 1455 lub 1457. <server-host> to host SSH, którego loopback jest właścicielem tego nasłuchującego portu. Jeśli URL przeglądarki wskazuje na reverse proxy lub load balancer, zamień go na poprawny host frontendu SSH.
CLI wypisuje komendę tunelu, a następnie od razu próbuje otworzyć przeglądarkę. Przy zdalnym wdrożeniu zostaw stronę autoryzacji otwartą bez jej kończenia, ustanów wypisany tunel w innym terminalu i dopiero wtedy kontynuuj autoryzację.
Wykrywanie topologii zdalnej ma granicę localhost. Jeśli sam Web jest osiągany przez przekierowanie localhost SSH lub IDE, przeglądarka nie może stwierdzić, że serwer jest zdalny. Dla bieżącej operacji Web zostaw jej stronę autoryzacji niedokończoną, odczytaj redirect_uri w URL autoryzacji tej operacji, aby zidentyfikować port callback 1455 lub 1457, i utwórz drugi tunel z tego lokalnego portu do rzeczywistego portu Web. Alternatywnie, anuluj tę operację Web i rozpocznij nową przez CLI; wynik CLI należy do nowej operacji i nie może być użyty dla istniejącej operacji Web. Błędy limitu i awarie katalogu są zgłaszane wprost i nigdy nie powodują przełączenia na płatnego dostawcę. Ta ścieżka kompatybilności jest eksperymentalna: interfejs projektu nadrzędnego może się zmienić.
👥 Multi-User — Wdrożenia współdzielone · opcjonalne uwierzytelnianie, izolowane obszary robocze per-użytkownik
Uwierzytelnianie jest domyślnie wyłączone — DeepTutor działa jednoosobowo. Włącz je a jedno drzewo data/ obsługuje obszar roboczy administratora, izolowane obszary robocze per-użytkownik i obszary robocze partnerów obok siebie:
data/
├── user/ # Obszar roboczy administratora + globalne ustawienia
├── users/<uid>/ # Zakres per-użytkownik: historia czatu, pamięć, notatniki, KB
├── partners/<id>/workspace/ # Zakres partnera (użytkownika syntetycznego)
├── cli-apps/ # Zainstalowane aplikacje CLI, zamontowane tylko do odczytu w piaskownicy
└── system/ # auth · grants · audit · user-secrets/<owner> (tokeny OAuth)
Pierwszy zarejestrowany użytkownik staje się administratorem i jest właścicielem katalogów modeli, danych uwierzytelniających dostawców, współdzielonych baz wiedzy, umiejętności, kanonicznych współdzielonych książek i uprawnień per-użytkownik. Lokalni użytkownicy utworzeni przez administratora wybierają Standard, Learner lub Custom. Learner blokuje możliwości edukacyjne i politykę materiałów, dodaje profil adaptacyjny oraz obsługuje odwoływalne poświadczenia urządzenia z datą wygaśnięcia i limitami dziennymi; upoważnieni guardians mogą przeglądać raporty, zatwierdzać materiały i resetować poświadczenia. Pozostali użytkownicy otrzymują izolowane obszary robocze oraz ograniczony dostęp do modeli, KB, umiejętności, Partners i współdzielonych książek bez otrzymywania surowych kluczy API. Jeśli auth.json zawiera już username + password_hash, to konto jest administratorem: /register pozostaje zamknięte, a konta utworzone z /admin/users mają zawsze role=user, dopóki ich nie awansujesz.
Włącz: włącz uwierzytelnianie w data/user/settings/auth.json, uruchom ponownie deeptutor start, zarejestruj pierwszego administratora pod /register, następnie dodaj użytkowników z /admin/users i przypisz modele, KB, umiejętności, Partners, politykę narzędzi/MCP/aplikacji CLI i dostęp do wykonania kodu przez uprawnienia; skonfiguruj współdzielone książki w panelu Book access każdego użytkownika.
PocketBase pozostaje integracją jednoosobową — zostaw
integrations.pocketbase_urlpuste dla wdrożeń wieloużytkownikowych chyba że podłączyłeś zewnętrzny magazyn użytkowników.
Jeden plik binarny deeptutor, dwa sposoby wejścia: interaktywny REPL dla osób żyjących w terminalu i strukturalny JSON dla innych agentów które prowadzą DeepTutor jako narzędzie. Te same możliwości, narzędzia i bazy wiedzy w obu przypadkach.
Prowadź sam
deeptutor chat otwiera interaktywny REPL i wybiera tryb za pomocą --capability; deeptutor run <capability> "<message>" przyjmuje tę możliwość jako pierwszy argument pozycyjny i kończy się po jednej turze. Oba przyjmują --tool, --kb i --config.
deeptutor chat # interaktywny REPL
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=standardPodstawowe zarządzanie obszarem roboczym jest dostępne również tutaj — bazy wiedzy (kb), sesje (session), partnerzy (partner), umiejętności (skill), notatniki, pamięć i konfiguracja; organizowanie kursów i sesji pozostaje w aplikacji Web. Pełna lista poniżej.
Niech agent prowadzi
DeepTutor jest zbudowany aby być obsługiwany przez innego agenta. Dodaj --format json do dowolnego run a każda tura strumieniuje NDJSON — jedno zdarzenie na linię (content, tool_call, tool_result, done, …), każda linia oznaczona swoim session_id. Uruchomienia są bezpieczne bez TTY: pauza ask_user bez TTY automatycznie rozwiązuje się pustą odpowiedzią zamiast zawieszać.
# Jednorazowo, czytelne maszynowo
deeptutor run deep_solve "Find d/dx[sin(x^2)]" --tool reason --format json
# Łącz tury w jednej sesji stanowej — przechwyć id, ponownie użyj
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 jsonRepozytorium zawiera główny SKILL.md — około 200-liniowy dokument przekazania który uczy każdy LLM używający narzędzi całej powierzchni w jednym czytaniu. Przekaż go Claude Code, Codex lub OpenCode (automatycznie pobierają SKILL.md) lub opakuj deeptutor run jako narzędzie w pętli LangChain / AutoGen. Pełne przepisy: Agent Handoff.
Odniesienie do poleceń
| Polecenie | Opis |
|---|---|
deeptutor init |
Utwórz lub zaktualizuj data/user/settings dla bieżącego obszaru roboczego |
deeptutor doctor [--online] |
Sprawdź, czy obszar roboczy jest gotowy do rozpoczęcia sesji; --online sprawdza też skonfigurowanego dostawcę modelu, --format json wypisuje raport |
deeptutor start [--home PATH] [--dev] [--detach] [--no-browser] |
Uruchom backend + frontend razem; opcjonalnie odłącz proces lub pomiń otwieranie przeglądarki |
deeptutor stop [--home PATH] |
Zatrzymaj launcher uruchomiony z --detach |
deeptutor serve [--port PORT] |
Uruchom tylko backend FastAPI |
deeptutor run <capability> <message> |
Uruchom jedną turę możliwości (chat, ask_questions, deep_solve, deep_question, deep_research, visualize, math_animator, mastery_path, immersive_reading, course_study, immersive_watching); dodaj --format json dla wyjścia NDJSON |
deeptutor chat |
Interaktywny REPL z kontrolkami możliwości, narzędzia, KB, notatnika i historii |
deeptutor partner list/create/start/stop |
Zarządzaj partnerami połączonymi przez IM |
deeptutor kb list/info/create/add/search/set-default/delete/list-sources/sync |
Zarządzaj bazami wiedzy i synchronizuj zarejestrowane źródła GitHub/Web (z poleceniami dodawania/usuwania źródeł) |
deeptutor skill search/install/list/remove/login/logout/publish/update |
Zarządzaj umiejętnościami, instaluj z hubów i publikuj własne (eduhub:<slug> domyślnie, patrz Ekosystem) |
deeptutor memory show/clear |
Inspekcjonuj dokumenty pamięci L2/L3 lub wyczyść pamięć L1/wszystko |
deeptutor session list/show/open/rename/delete |
Zarządzaj współdzielonymi sesjami |
deeptutor notebook list/create/show/add-md/replace-md/remove-record |
Zarządzaj notatnikami z plików Markdown |
deeptutor book list/health/refresh-fingerprints |
Inspekcjonuj książki i odświeżaj odciski źródeł |
deeptutor plugin list/info |
Inspekcjonuj zarejestrowane narzędzia i możliwości |
deeptutor config show |
Wydrukuj podsumowanie konfiguracji |
deeptutor provider login <provider> |
Uwierzytelnianie dostawcy (openai-codex logowanie OAuth; github-copilot weryfikuje istniejącą sesję auth Copilot; codebuddy weryfikuje uwierzytelnianie SDK CodeBuddy i rozpoczyna logowanie w razie potrzeby) |
Dystrybucja tylko CLI
Pakiet tylko CLI żyje w packaging/deeptutor-cli. W tym kodzie źródłowym zainstaluj go ze źródła:
python -m pip install -e ./packaging/deeptutor-cliNie jest jeszcze opublikowany na PyPI, więc główna sekcja Pierwsze kroki zachowuje ścieżkę instalacji ze źródła.
Umiejętności DeepTutor używają otwartego formatu Agent-Skills — folder z podręcznikiem SKILL.md (frontmatter YAML + Markdown) i opcjonalnymi plikami referencyjnymi. Nic w tym nie jest specyficzne dla DeepTutor, więc każdy rejestr który mówi w tym formacie staje się źródłem dla twojej biblioteki. DeepTutor jest dostarczany z EduHub — naszym własnym rejestrem umiejętności skupionym na edukacji — podłączonym jako domyślny hub.
EduHub — Ekosystem umiejętności DeepTutor
EduHub to hub społecznościowy który DeepTutor uruchomił do dzielenia się umiejętnościami agentów zorientowanymi na nauczanie — tutorzy sokratejscy, kreatory fiszek, informacje zwrotne na eseje, plany egzaminów, objaśniacze konceptów i więcej. Jest wbudowany w DeepTutor, więc nie ma nic do konfigurowania: gołe slug lub prefiks eduhub: rozwiązuje do niego.
Znajdź i zainstaluj — w przeglądarce otwórz Learning Space → Skills → Import from EduHub aby przeglądać katalog i pobrać umiejętność bezpośrednio do swojej biblioteki. Z terminala:
deeptutor skill search "socratic tutor" # wyszukaj EduHub (domyślny hub)
deeptutor skill install socratic-tutor # pobierz → weryfikuj → zarejestruj
deeptutor skill install eduhub:socratic-tutor@1.2.0 # przypnij hub i wersję
deeptutor skill list # lokalne umiejętności z proweniencją hubuOpublikuj własną — spakuj SKILL.md i podziel się ze społecznością:
deeptutor skill login # logowanie przeglądarki do EduHub
deeptutor skill publish ./my-skill # interaktywne: wybierz ścieżkę + tagi, następnie prześlij
deeptutor skill update # wycofaj lub wydaj nową wersjęEduHub jest również samodzielnym, kompatybilnym z ClawHub rejestrem, więc agenty które nie są DeepTutorem (Claude Code, Codex, …) mogą używać go bezpośrednio przez CLI eduhub — npx eduhub install socratic-tutor.
Brama bezpieczeństwa importu
Niezależnie od źródła, każdy import przechodzi przez tę samą bramę bezpieczeństwa zanim cokolwiek dotknie twojego obszaru roboczego:
- werdykt bezpieczeństwa rejestru jest sprawdzany jako pierwszy — oznaczone pakiety są odrzucane chyba że przekażesz
--allow-unverified; - archiwa są rozpakowywane defensywnie z kontrolą przechodzenia poza ścieżkę, liczby wpisów, rozmiaru, współczynnika kompresji, sufiksów i dowiązań symbolicznych; bity wykonywalne są usuwane, a pliki bez rozszerzeń pozostają dozwolone;
- frontmatter jest normalizowany do schematu DeepTutor a
always:jest usuwane, więc pobrana umiejętność nigdy nie może wymusić się do każdego systemowego promptu; - proweniencja — hub, wersja, werdykt i czas instalacji — jest zapisywana do
.hub-lock.jsondla audytów i aktualizacji.
We wdrożeniach wieloużytkownikowych importy z przeglądarki trafiają do warstwy umiejętności uwierzytelnionego użytkownika, natomiast instalacje z CLI i konsoli administratora są kierowane do obszaru roboczego właściciela/administratora; umiejętności administratora pozostają ukryte i tylko do odczytu dla zwykłych użytkowników do czasu przyznania uprawnień.
Kompatybilność z ClawHub
Ponieważ DeepTutor mówi otwartym formatem Agent-Skills, ClawHub działa również jako pierwszorzędne źródło — jest wbudowany obok EduHub. Wybierz go z prefiksem hubu:
deeptutor skill search "git release notes" --hub clawhub
deeptutor skill install clawhub:git-release-notes@1.0.1
deeptutor skill install clawhub:udiedrichsen/stock-analysisGdy kilku wydawców dzieli ten sam slug, wyszukiwanie pokazuje każdego wydawcę i w pełni zakresowane odniesienie instalacyjne (clawhub:<ownerHandle>/<slug>).
Dodaj więcej rejestrów w data/user/settings/skill_hubs.json: wpis type: "clawhub" wskazuje na dowolne kompatybilne HTTP API (EduHub i ClawHub oba je mówią), type: "command" opakowuje dowolny CLI pobierania który rejestr dostarcza i "default" wybiera hub używany dla gołych slugów. Wszystkie zasilają tę samą bramę importu.
Użyj kodu: DEEPTUTOR20 — zdobądź $20 zniżki na pierwszą subskrypcję PageIndex!
 Bingxi Zhao |
 Xingyu Hou |
 Jiahao Zhang |
DeepTutor to projekt open-source prowadzony przez Bingxi Zhao w ramach Grupy HKUDS, i iteruje w w pełni open-source formie, budowany razem ze społecznością. Do tej pory NIE mamy żadnych płatnych produktów online jakiegokolwiek rodzaju. Zapraszamy do kontaktu pod adresem bingxizhao39@gmail.com w sprawie dyskusji, pomysłów lub współpracy.
Serdeczne podziękowania dla Chao Huang, dyrektora Data Intelligence Lab @ HKU, i naszych współpracowników z HKUDS za ciepłe wsparcie — szczególnie Jiahao Zhang, Zirui Guo i Xubin Ren. Jesteśmy również głęboko wdzięczni społeczności open-source: wasze gwiazdki, zgłoszenia, pull requesty i dyskusje kształtują DeepTutor każdego dnia.
DeepTutor stoi również na ramionach wybitnych projektów open-source które dostarczyły nam zarówno narzędzia jak i inspirację:
| Projekt | Rola / Inspiracja |
|---|---|
| LlamaIndex | Kręgosłup potoku RAG i indeksowania dokumentów |
| nanobot | Ultralekki silnik agenta który zasilał oryginalny TutorBot (HKUDS) |
| LightRAG | Prosty i szybki RAG (HKUDS) |
| AutoAgent | Framework agentów bez kodu (HKUDS) |
| AI-Researcher | Zautomatyzowany potok badań naukowych (HKUDS) |
| OpenClaw | Otwarta brama agentów i ekosystem umiejętności za ClawHub |
| Codex | Natywny dla agentów CLI kodowania który zainspirował nasz przepływ pracy CLI |
| Claude Code | Agentowy CLI kodowania który zainspirował pętlę agenta DeepTutor |
| ManimCat | Generowanie animacji matematycznych sterowane AI dla Math Animator |
Chcemy aby DeepTutor stale iterował i się rozwijał — a ostatecznie stał się prezentem który oddajemy społeczności open-source. Nasz plan działania jest aktualizowany na bieżąco; głosuj na elementy tam lub proponuj nowe. Jeśli chcesz współtworzyć, zapoznaj się z Przewodnikiem dla współtwórców po strategię gałęzi, standardy kodowania i sposób rozpoczęcia.
Mamy nadzieję, że DeepTutor stanie się prezentem dla społeczności. 🎁
Licencjonowany na podstawie Apache License 2.0.