Skip to content

DeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.

92.4 KB
Raw Blame

DeepTutor

DeepTutor: Spersonalizowane korepetycje przez całe życie

Dokumentacja — deeptutor.info  Współpraca — pracuj z nami

Popularne repozytorium dnia na GitHub HKUDS/DeepTutor | Trendshift Ranking historii gwiazdek

English  简体中文  繁體中文  日本語  Español  Français  Arabic  Русский  Hindi  Português  Thai  Polski

Python 3.11+ Next.js 16 License GitHub release arXiv

Discord Feishu WeChat

Funkcje · Zacznij · Eksploruj · CLI · Ekosystem · Społeczność


🤝 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.

📰 Aktualności

  • 2026-09-20 🎉 40 tys. gwiazdek w 9 miesięcy! Będziemy nadal rozwijać edukacyjny ekosystem DeepTutor.
  • 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!

✨ Główne funkcje

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, Mastery Path, Immersive Reading i Audio Overview współdzielą jedno środowisko uruchomieniowe możliwości oraz kontekst sesji, zachowując wyspecjalizowane pętle i potoki dla poszczególnych zadań.
  • Task Board — śledź zadania związane z nauką w kolumnach Do zrobienia, W toku i Gotowe, dodawaj notatki, przenoś karty przeciąganiem lub przyciskami dostępnymi z klawiatury i korzystaj z archiwum, z którego można je przywrócić. Karty pozostają w bieżącym obszarze roboczym i stosują istniejące ustawienia wyglądu oraz języka; konfiguracja modelu nie jest wymagana.
  • Połączony kontekst uczenia się — bazy wiedzy, książki, strony notatnika do nauki, Ulubione, 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 — dodaj linki do YouTube lub Bilibili w Reading, aby korzystać z natywnego odtwarzania, wyszukiwania w transkrypcji, korepetycji osadzonych w znacznikach czasu, zapisanych notatek i wznawialnych postępów; napisy i przeglądanie YouTube mogą korzystać z instancji Invidious skonfigurowanej przez administratora.
  • Subagenty i Partners — z poziomu Chat konsultuj aktywnie działającego agenta (Claude Code, Codex, Grok CLI, 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, podłączonym archiwum Kiwix ZIM, lub podłączonym vault Obsidian, z podłączalnym parsowaniem dokumentów. Zobacz natywne modele ról LightRAG, aby poznać niezależne ustawienia ekstrakcji, zapytań i wizji, tworzenie ograniczone do wartości domyślnych oraz potwierdzone przebudowy.
  • 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.

🚀 Pierwsze kroki

Pozwól agentowi skonfigurować DeepTutor

Skopiuj ten prompt do swojego agenta AI z dostępem do terminala (na przykład Codex lub Claude Code):

Help me install and configure the current dev version of DeepTutor from https://github.com/HKUDS/DeepTutor.
Clone the dev branch, or inspect and reuse my existing checkout, and read SKILL.md and
docs-for-dev/AGENT_SETUP.md first. Follow that guide to prepare the environment,
configure my model provider, verify the setup, and start the Web app.
Ask me for any missing provider, model, or credential-source information;
do not print API keys. Preserve my existing files and settings, and finish
with the access URL and the results of your checks.

Przewodnik konfiguracji przez agenta opisuje cały proces, w tym nieinteraktywną konfigurację przez CLI. Aby zainstalować aplikację samodzielnie, wybierz jedną z poniższych ścieżek.

DeepTutor oferuje cztery ścieżki instalacji. Wszystkie współdzielą jeden układ katalogu środowiska uruchomieniowego: prywatne ustawienia znajdują się w data/user/settings/ pod katalogiem, z którego uruchamiasz aplikację (lub pod DEEPTUTOR_HOME / deeptutor start --home, jeśli ustawisz je jawnie). Pełny układ przechowywania danych, obsługiwane bazy danych i informacje o kopiach zapasowych opisuje Trwałe przechowywanie danych lokalnych. Dla pełnej aplikacji zalecany przepływ to wybierz katalog środowiska uruchomieniowego → zainstaluj → deeptutor init → deeptutor start.

Wypróbuj Docker jednym poleceniem

Jeśli Docker nie jest jeszcze zainstalowany, najpierw zainstaluj Docker. Następnie wypróbuj pełną aplikację bez konfigurowania Pythona ani Node.js:

docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest

Otwórz http://127.0.0.1:3782, skonfiguruj dostawców modeli w Settings → Providers i naciśnij Ctrl+C, gdy skończysz. Nazwany wolumin deeptutor-data zachowuje ustawienia i dane lokalne do następnego uruchomienia.

Obszar roboczy treści

Content Workspace jest oddzielony od prywatnego katalogu środowiska uruchomieniowego DeepTutor. To folder, który agenci mogą odczytywać, z wygenerowanymi plikami w outputs/<capability>/<session>/<turn>/. Niestandardowe obszary robocze izolują rozmowy, materiały do nauki, postępy i pamięć podręczną w prywatnym drzewie .deeptutor/data/, którego narzędzia plikowe nie mogą przeglądać. Ustawienia, poświadczenia i Memory pozostają współdzielone na poziomie konta.

Bez konfiguracji content workspace to <runtime-home>/data/user/workspace. W lokalnych instalacjach PyPI, CLI i ze źródeł można wybierać foldery w Settings → Workspaces; folder domyślny ustawia się tak:

deeptutor workspace show
deeptutor workspace set /absolute/path/to/my-folder
deeptutor workspace reset

Możliwości przeglądają wybrany obszar roboczy przez wbudowane narzędzia workspace. Model otrzymuje wyłącznie względne ścieżki, takie jak outputs/...; gdy użyje workspace_present, UI renderuje uwierzytelniony, otwieralny zrzut. Ta sama dokładna względna ścieżka działa też w normalnym linku Markdown lub obrazie. Zmiana pliku źródłowego później nie zmienia już zaprezentowanego zrzutu.

Learning Space zarządza biblioteką zasobów. W Settings → Workspaces można przypisać umiejętności, usługi MCP i bazy wiedzy do każdego obszaru roboczego lub zachować jego dotychczasowe reguły dostępu. Istniejące obszary zachowują bieżący dostęp do czasu zapisania wyboru. Przypisania odwołują się do oryginalnych zasobów bez kopiowania poświadczeń ani indeksów wiedzy; umiejętności specyficzne dla obszaru roboczego mogą nadpisywać wersje współdzielone. Zobacz przypisywanie zasobów do obszarów roboczych.

Wykonanie jest tylko do odczytu poza outputs/. Skopiowanie wygenerowanego pliku gdzie indziej w content workspace wymaga jawnego potwierdzenia Allow once dla dokładnie tego źródła i celu. Piaskownica systemowa lub Docker runner egzekwuje tę granicę, gdy jest dostępna; lokalny awaryjny ograniczony podproces jest oznaczony jako best effort w ustawieniach Workspace.

Opcja 1 — Instalacja z PyPI · pełna lokalna aplikacja Web + CLI, bez potrzeby klonowania

Instalacja modułowa w wersji 1.7.0: użyj deeptutor[full] dla aplikacji Web i CLI lub deeptutor dla podstawowego czatu. Wersje modułów funkcjonalnych muszą odpowiadać wersji rdzenia; wersja 1.6.15 i starsze używają poprzedniego układu pakietów. Aby pracować nad bieżącą gałęzią dev, skorzystaj z poniższych instrukcji instalacji ze źródeł lub zbuduj lokalne pakiety wheel. Wymagane są Python 3.11–3.14 i środowisko uruchomieniowe Node.js 20+ w PATH (spakowany serwer standalone Next.js jest uruchamiany przez deeptutor start).

mkdir -p my-deeptutor && cd my-deeptutor
pip install -U "deeptutor[full]"
deeptutor init     # prompts for ports + LLM provider + optional embedding/search
deeptutor start    # starts backend + frontend; keep the terminal open

deeptutor 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.

Aktualizacja do 1.7.0: zatrzymaj aplikację i wykonaj kopię zapasową katalogu środowiska uruchomieniowego. Użyj python -m pip install --upgrade "deeptutor[full]==1.7.0", a następnie python -m pip check i deeptutor module list. Jeśli jest zainstalowany starszy pakiet deeptutor-cli, najpierw uruchom python -m pip uninstall deeptutor-cli, a potem polecenie aktualizacji (opcjonalnie dodając deeptutor-cli==1.7.0). Stary CLI jest właścicielem współdzielonych plików Pythona, więc aktualizowanie go w tej samej operacji może usunąć nowy rdzeń. Odinstalowanie pakietu pozostawia dane katalogu środowiska uruchomieniowego bez zmian. Zachowaj ten sam DEEPTUTOR_HOME i istniejące ustawienia. W wersji 1.7.0 samo pip install -U deeptutor wybiera tylko rdzeń; użyj [full], aby wybrać profil instalacji pełnej aplikacji. Dla lokalnie zbudowanych pakietów postępuj zgodnie z instrukcjami aktualizacji z lokalnych pakietów wheel.

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 → Providers i Language models.

Transkrypcja z mikrofonu przeglądarki: Adaptery STT zgodne z OpenAI przekazują dźwięk z przeglądarki dostawcy bez lokalnej konwersji. Natywne adaptery STT DashScope i Volcengine konwertują WebM/Opus z przeglądarki na WAV 16 kHz i wymagają pliku wykonywalnego ffmpeg w PATH DeepTutor. Kanoniczny plik WAV PCM mono 16 kHz omija tę konwersję. W instalacjach PyPI na Windows używających jednego z tych natywnych adapterów zainstaluj FFmpeg, dodaj jego katalog bin do PATH usługi, a następnie uruchom ponownie DeepTutor. Błędy konwersji pojawiają się pod polem wpisywania wiadomości.

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 --branch dev https://github.com/HKUDS/DeepTutor.git
cd DeepTutor

# Create a 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

# Install backend + frontend deps
python -m pip install -r requirements/full.txt
python -m pip install -e . --no-deps
( cd web && npm ci --legacy-peer-deps )

deeptutor init
deeptutor start --dev

deeptutor 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 pip
Opcjonalne dodatki instalacyjne — silniki RAG / dev / partners / matrix / math-animator
python scripts/install_extras.py rag-lightrag    # Built-in LightRAG engine (exact supported SDK)
python scripts/install_extras.py graphrag        # Microsoft GraphRAG engine (Python 3.11–3.13)
python scripts/install_extras.py dev             # tests/lint tools
python scripts/install_extras.py partners        # Partner IM channel SDKs
python scripts/install_extras.py video-learning  # captions for reading/video-learning
python scripts/install_extras.py matrix          # Matrix channel without E2EE/libolm
python scripts/install_extras.py matrix-e2e      # Matrix E2EE; requires libolm
python scripts/install_extras.py math-animator   # Manim addon; requires LaTeX/ffmpeg/system libs
python scripts/install_extras.py edge-tts        # Optional free speech provider and video-lesson narration

Video Lesson: wybierz Video Lesson na czacie lub uruchom deeptutor run video_lesson "Explain a concept". Backend wymaga Node.js 22+ i npm. Pierwsze użycie pobiera ustalone wersje pakietów Remotion oraz interpreter JavaScript oparty na WebAssembly; Docker nie jest wymagany. Kontrole klatek działają wewnątrz interpretera, bez dostępu do systemu plików hosta, poświadczeń, sieci ani API procesów, z ograniczeniami pamięci i wykonania. Anulowanie zatrzymuje proces budowania. Wdrożenia lokalne i kontenerowe korzystają z tej samej ścieżki wykonania, bez wariantu awaryjnego poza piaskownicą. Gotowa lekcja jest odtwarzana w przeglądarce, z napisami, gdy opcjonalna narracja jest niedostępna.

Dostosowania 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 --dev
Opcja 3 — Docker · jeden samodzielny kontener

Jeden kontener dla pełnej aplikacji Web. Obrazy w GitHub Container Registry:

  • ghcr.io/hkuds/deeptutor:latest — najnowsze stabilne wydanie
  • ghcr.io/hkuds/deeptutor:<version> — dokładne wydanie bez początkowego v (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:latest

Aby wybrać folder treści hosta przy starcie kontenera, zamontuj go pod stałą ścieżką kontenera i zablokuj DeepTutor do tej ścieżki:

mkdir -p "$PWD/deeptutor-workspace/outputs"
docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -v deeptutor-data:/app/data \
  -v "$PWD/deeptutor-workspace:/workspace" \
  -e DEEPTUTOR_WORKSPACE_ROOT=/workspace \
  -e DEEPTUTOR_WORKSPACE_ALLOWED_ROOTS=/workspace \
  ghcr.io/hkuds/deeptutor:latest

Dla Compose ustaw DEEPTUTOR_WORKSPACE_HOST=/absolute/host/folder przed uruchomieniem python scripts/docker_compose.py up -d. Gdy pominięte, używany jest ./data/user/workspace. Ścieżki Dockera są wybierane przy starcie i dlatego pojawiają się jako zablokowane na stronie ustawień Web.

Tylko 3782 musi być opublikowane. Przeglądarka komunikuje się wyłącznie z serwerem frontendu; middleware Next.js (web/proxy.ts) przekazuje /api/* i /ws/* do backendu FastAPI wewnątrz kontenera. Opublikowanie 8001 (-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, domyślny Content Workspace, pamięć i bazy wiedzy są przechowywane w woluminie deeptutor-data. Oddzielnie zamontowany Content Workspace zachowuje się zamiast tego w swojej ścieżce hosta. 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:container (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, następnie docker logs -f deeptutor, aby śledzić, docker stop deeptutor, aby zatrzymać, docker rm deeptutor przed ponownym użyciem nazwy. Wolumin deeptutor-data przechowuje prywatne dane środowiska uruchomieniowego i domyślny Content Workspace między restartami; oddzielnie zamontowany Content Workspace zachowuje się w swojej ścieżce hosta.

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:latest

Następnie w Settings → Providers 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 Web, korzystaj z CLI w tej kopii repozytorium i pomiń Node/npm. Źródła udostępniają wszystkie moduły obecne w repozytorium i wymagają ich zależności Pythona. Aby uzyskać minimalną instalację modułowego wydania 1.7.0, użyj pakietu wheel rdzenia deeptutor, a moduły funkcjonalne dodaj oddzielnie.

git clone --branch dev https://github.com/HKUDS/DeepTutor.git
cd DeepTutor

# Create a 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 -r requirements/full.txt
python -m pip install -e . --no-deps
deeptutor init --cli
deeptutor chat

deeptutor 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                                          # interactive REPL
deeptutor chat --capability deep_solve --kb my-kb
deeptutor run chat "Explain Fourier transform"
deeptutor run deep_solve "Solve x^2 = 4" --kb my-kb
deeptutor kb create my-kb --doc textbook.pdf
deeptutor memory show
deeptutor config show

Ta instalacja ze źródeł obejmuje zależności serwera, ale pomija konfigurację frontendu. Zachowaj kopię repozytorium — wskazuje na nią instalacja edytowalna. Aby później dodać interfejs Web, zainstaluj Node.js 22 LTS, uruchom npm ci --legacy-peer-deps w web/, a następnie wykonaj deeptutor init i deeptutor start z katalogu głównego projektu.

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 pojedyncze narzędzie exec i przedstawia zapisany plik obszaru roboczego. Te narzędzia montują się zawsze, gdy aktywny jest backend piaskownicy. DeepTutor wybiera najsilniejszy skonfigurowany backend w następującej kolejności:

  • Runner sidecar: DEEPTUTOR_SANDBOX_RUNNER_URL kieruje wykonanie do utwardzonej usługi o najmniejszych uprawnieniach z Dockerfile.runner.
  • Linux bubblewrap: gdy bwrap jest 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. Zalecanym edytorem jest strona Settings; rejestracje obszarów roboczych są przechowywane osobno w data/user/.runtime/workspaces.sqlite3.

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
document_parsing.json Wybór silnika parsowania i modelu opisującego obrazy, zdalne punkty końcowe i opcje specyficzne dla silnika
video_learning.json Dostawca napisów YouTube, źródła Invidious i dostęp do konta oraz ustawienia 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 zapisz bazowy URL i klucz API w Settings → Providers, a następnie dodaj i wybierz LLM w Language models. Dodaj profil osadzania tylko jeśli planujesz korzystać z funkcji Bazy wiedzy / RAG.

Dla API Route wybierz API Route w Settings → Providers i wpisz klucz API Route. Ustawienie wstępne korzysta z https://global.api-route.com/v1; następnie dodaj model, używając jego identyfikatora modelu API Route w Language models. Informacje o konfiguracji klucza i modelu znajdziesz w przewodniku szybkiego startu API Route.

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, prywatny obszar roboczy środowiska uruchomieniowego i opcjonalny Content Workspace. Domyślnie obszarem roboczym środowiska uruchomieniowego jest katalog, w którym uruchamiasz deeptutor init / deeptutor start; --home PATH lub DEEPTUTOR_HOME go zastępuje. Prywatny stan aplikacji to katalog data wewnątrz tego obszaru roboczego, więc wiersz banera startowego zaczynający się od Workspace: wskazuje tę lokalizację środowiska uruchomieniowego. Jeśli Settings → Workspace wskazuje na inny folder, wykonaj kopię zapasową lub usuń ten folder treści osobno; nie jest on celowo usuwany podczas odinstalowywania DeepTutor.

  1. Zatrzymaj aplikację. Naciśnij Ctrl+C w terminalu, w którym działa deeptutor start, albo uruchom deeptutor stop [--home PATH] dla launchera uruchomionego z --detach; przed usunięciem danych zatrzymaj wszystkie działające Partners i odłączone kontenery Docker.

  2. 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 potomny data jest 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.

  3. 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 --short wewnątrz dokładnie tego kodu źródłowego. Przenieś go do Kosza dopiero po potwierdzeniu, że nie zawiera niepowiązanej ani niezacommitowanej pracy.

  4. 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
    

📖 Eksploracja DeepTutor

Zacznij od obszaru roboczego dla przedmiotu lub projektu. Jego Strona główna, Nauka i Zasoby zawierają rozmowy, aktywności edukacyjne i materiały. Partners i Personalizacja są przypisane do konta i dostępne w różnych obszarach roboczych. Poniższy przegląd pokazuje powiązania między tymi częściami aplikacji, a następnie opisuje ustawienia i wdrożenia wieloużytkownikowe.

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.

Strona główna DeepTutor i nawigacja po obszarach roboczych
🏗️ Architektura systemu
Architektura systemu DeepTutor
💬 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.

Obszar roboczy czatu DeepTutor

Tutor wywołuje narzędzia w razie potrzeby i może wstrzymać pracę, aby zadać pytania doprecyzowujące. Dostosuj stronę w prawym górnym rogu pozwala wybrać widoczne tryby i elementy sterujące umiejętnościami, MCP, Partners, preferencjami i wprowadzaniem głosowym. W Promptach początkowych można dodawać, edytować lub usuwać tytuły i prompty w kategoriach Wyjaśnij, Rozwiąż, Ćwicz, Planuj i Badaj. Zapisz stosuje preferencje konta; Anuluj odrzuca zmiany, a Przywróć domyślne przywraca pierwotne opcje.

Pętla agenta czatu DeepTutor

Narzędzia przełączalne przez użytkownika to brainstorm, web_search, paper_search, zotero_search, reason i geogebra_analysis — plus imagegen i videogen po skonfigurowaniu odpowiedniego modelu generowania. Narzędzia kontekstowe takie jak rag, kb_files, knowledge_frontier, read_source, read_memory, write_memory, read_skill, load_tools, exec, web_fetch, ask_user, list_favorites, save_favorite, write_note, search_notes, question_bank, github, consult_subagent, workspace_list, workspace_read, workspace_search, workspace_present i workspace_export 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, wybrane wpisy banku pytań, zaimportowani agenci) pochodzą z menu + dla jednej tury. Przycisk głosowy jedynie transkrybuje bieżącą wiadomość.

W pełnym profilu instalacji strona główna daje dostęp jednym kliknięciem do Chat, Ask Questions, Quiz, Visualize i Video Lesson; Research do raportów z cytowaniami i Solve do rozumowania krok po kroku znajdują się w sekcji Więcej możliwości. Nauka → Nowa nauka, nad listą Wszystkie aktywności, otwiera osobną stronę z książkami, Mastery Path, Immersive Reading i Ćwiczeniami. Jej opcja Dostosuj stronę ukrywa lub przywraca metody nauki bez zmieniania istniejących rekordów; niedostępne moduły nadal pozostają wykluczone. Reading łączy dokumenty, wideo i dźwięk ze zweryfikowanymi cytowaniami, zapisanymi notatkami, naturalnym czytaniem na głos fragmentów źródłowych / wskazówek do nauki / słownictwa / quizów / tłumaczeń oraz zapisywaniem w notatniku.

🤝 Partner — Stali towarzysze na tym samym mózgu
Obszar roboczy Partners DeepTutor

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 jego prywatnego lub powiązanego obszaru roboczego treści. Partner to „czat który ma osobowość i numer telefonu."

Architektura Partners DeepTutor

Każdy partner ma SOUL.md, wybór modelu, kanały, politykę narzędzi i przypisaną bibliotekę. Jego biblioteka może kopiować bazy wiedzy, umiejętności i kolekcje Ulubionych do data/partners/<id>/workspace/ lub pozostać połączona z plikami i zasobami istniejącego obszaru roboczego; dusza, rozmowy i pamięć Partner pozostają oddzielne. 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.

Konfiguracja kanału IM per 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
Obszar roboczy My Agents DeepTutor

My Agents zamienia innych agentów w kontekst dla DeepTutor i wykonuje dwie odrębne rzeczy. Połącz żywego agenta — Claude Code, Codex, Grok CLI, Antigravity, Kimi, opencode, MiMo Code, Hermes Agent, OpenClaw lub DeepSeek Harness na twoim komputerze, zdalną bramę Hermes 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.

Połącz Grok CLI. Zainstaluj Grok CLI od xAI na maszynie, na której działa backend DeepTutor, uruchom tam grok login i sprawdź, czy grok --help wypisuje --output-format streaming-json. Następnie otwórz My Agents → Connect, wybierz Grok CLI i wskaż katalog roboczy. Wykrywanie sprawdza obsługę protokołu przez plik wykonywalny; nie weryfikuje logowania ani dostępu do modelu. Łącznik został przetestowany z Grok CLI 1.0.3; niezwiązane polecenia firm trzecich również nazwane grok nie są obsługiwane.

W Settings → Partners & Agents → Grok CLI pozostaw model i poziom wysiłku rozumowania puste, aby użyć wartości domyślnych CLI, albo wpisz wartości obsługiwane przez wynik grok models dla twojego konta. Instrukcje systemowe są przekazywane przez --rules. Domyślny tryb uprawnień to dontAsk: Grok korzysta z własnych reguł i wbudowanej obsługi tylko do odczytu oraz odmawia operacji wymagających zatwierdzenia. To polityka uprawnień CLI, nie piaskownica systemu plików. Szersze tryby można wybrać jawnie w ustawieniach; zaawansowane flagi CLI pozostają dostępne przez backends.grok.extra_args w API ustawień subagenta.

Grok używa własnego uwierzytelniania i przechowywania sesji; DeepTutor nie kopiuje jego danych uwierzytelniających. Kolejne konsultacje wznawiają sesję połączenia w tym samym katalogu roboczym. Tekst i aktywność narzędzi strumieniują na żywo; prywatne treści myśli są pomijane. Pamięć Grok między sesjami jest domyślnie wyłączona. Ten łącznik obsługuje pytania tekstowe i narzędzia CLI, a nie przekazywanie obrazów ani importowanie wcześniejszych konwersacji Grok. W Dockerze zainstaluj i uwierzytelnij Grok wewnątrz kontenera backendu; CLI zainstalowane tylko na komputerze przeglądarki nie jest osiągalne.

Personalizacja konta: agenci, persony, umiejętności i połączenia

Importuj poprzednie konwersacje — przynieś swoją istniejącą historię ChatGPT, Claude Code i Codex jako przeszukiwalne, wznawialne konwersacje. Wybierz conversations.json z oficjalnego eksportu danych ChatGPT, aby bezpiecznie i idempotentnie zaimportować migawkę, wybierz historię Claude według projektu / katalogu roboczego albo historię Codex według daty kalendarzowej. Agenty oparte na folderach pozostają odświeżalne, więc ich wybrany zakres może pobierać 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.

✍️ Notatnik do nauki — Strony, źródła i Dito
Strony notatnika do nauki

Notatnik do nauki, wcześniej Co-Writer, organizuje własne teksty w strony, podstrony i bloki w aktywnym obszarze roboczym. Importuj dokumenty Word, układaj drzewo stron i wstawiaj oryginalne rekordy z Ulubionych jako materiał źródłowy. Strony pokazują stan zapisu i można je eksportować do Markdown lub Word; w Wordzie treści interaktywne stają się statyczne.

Edytor bloków notatnika do nauki i Dito

Omów fragment lub blok z Dito: poproś o wyjaśnienie, przykład, przeredagowanie lub pytanie ćwiczeniowe. Rozmowy pozostają przypisane do odpowiedniej strony i wiersza. Przejrzyj proponowane zmiany przed ich zaakceptowaniem lub wstaw odpowiedź pod wierszem i pracuj dalej. Ulubione zachowują oryginalne rekordy źródeł; notatnik służy do budowania własnego zrozumienia.

📖 Book — Żywe książki z twoich materiałów
Biblioteka książek DeepTutor

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, Ulubionych, banków pytań lub historii czatu; przepływ tworzenia proponuje konspekt rozdziałów przed wygenerowaniem treści, więc przeglądasz kształt zamiast akceptować ślepe jednorazowe wyjście.

Blok quizu w książce   Konspekt i rozdziały książki   Blok interaktywnego widżetu w książce

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
Knowledge Center DeepTutor

Bazy wiedzy to kolekcje dokumentów za RAG — ugruntowują tury Chat, edycje notatnika do nauki, 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), Kiwix (przeszukiwalne archiwum ZIM udostępniane przez HTTP bez lokalnego indeksowania), lub podłączony vault Obsidian który tutor czyta i zapisuje w miejscu. Każda KB jest powiązana z jednym silnikiem.

Tworzenie bazy wiedzy

Przenosisz istniejącą bibliotekę Obsidian, Hermes lub Markdown? Zobacz przewodnik po migracji wiedzy, aby poznać ścieżki podłączonego vault i indeksowanej kopii.

Tworząc KB, możesz utworzyć nową (przesłać i zindeksować dokumenty), połączyć istniejącą (ponownie użyć indeksu w miejscu) lub podłączyć Kiwix (przeszukiwać na żądanie jedno udostępniane archiwum ZIM). Wybierz obszar roboczy do przechowywania przy tworzeniu; istniejącą KB można przenieść między obszarami roboczymi po obejrzeniu podglądu, zachowując przypisania i zapisane odwołania. Baza wiedzy może też śledzić repozytoria GitHub (repozytorium, gałąź i wzorzec glob) lub adresy URL witryn dokumentacji (z ograniczoną głębokością przeszukiwania i liczbą stron, domyślnie resynchronizowane co 24 h); synchronizacja porównuje skróty treści, aby wykryć elementy dodane, zmienione i usunięte, dzięki czemu śledzona dokumentacja pozostaje aktualna bez ponownego przesyłania, a połączone foldery wychwytują nowe lub zmienione pliki lokalne przy synchronizacji. 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. Silnik parsowania dokumentów — Tylko tekst, MinerU, Docling, Tika, markitdown, PyMuPDF4LLM lub LiteParse — oraz opcjonalny model opisujący obrazy wybiera się w Settings → Knowledge & documents, a pobieranie lokalnych modeli jest domyślnie wyłączone. Docling może też działać w trybie zdalnym względem serwera Docling Serve (bez lokalnej instalacji czy modeli), konfigurowanym na tej stronie (mode=remote, bazowy URL serwera i opcjonalny klucz API) lub za pomocą zmiennych środowiskowych 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/connect-kiwix/add/search/eval/eval-diff/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.

Natywne zapytania LightRAG i indeksowanie przyrostowe wymagają konfiguracji embeddingu zapisanej przez opublikowany indeks, obejmującej model, wymiar i tożsamość punktu końcowego. Jeśli się zmieni, przywróć oryginalną konfigurację lub przebuduj indeks z użyciem aktualnego embeddingu; indeksy bez zapisanej tożsamości embeddingu wymagają przebudowy. Widoki szczegółów bazy wiedzy i wersji indeksu pokazują wskazówki dotyczące odzyskiwania, a pliki pozostają dostępne do przeglądania i pobierania.

Ocena bazy wiedzy. Gdy dostępnych jest kilka silników, odpowiedź na pytanie „który najlepiej wyszukuje w tych materiałach?” wymaga pomiaru — i temu służy deeptutor kb eval. Przygotuj zestaw pytań i odpowiedzi (jeden obiekt JSON w wierszu: query oraz fragmenty gold, które powinno zwrócić idealne wyszukiwanie), a następnie oceń bazę poleceniem deeptutor kb eval <name> --dataset qa.jsonl --top-k 5 [--mode hybrid] [--save baseline.json]. Każdy przypadek korzysta z tej samej ścieżki wyszukiwania co tura czatu; cytowania uporządkowane według rankingu są dopasowywane do wzorcowych fragmentów na podstawie identycznego tekstu lub wspólnego słownictwa (progi można ustawiać przez --min-ratio; równoważność semantyczna nie jest oceniana), a wynik obejmuje Recall@k / Precision@k / nDCG@k / MRR / MAP / Hit@k. Metryki są czystymi funkcjami rankingu; żaden model nie ocenia wyniku. Porównaj zapisane raporty poleceniem deeptutor kb eval-diff baseline.json candidate.json, aby zobaczyć zmiany dla poszczególnych metryk i przypadków. Użyj --rewrite off lub --rewrite standalone w kb eval, aby porównać oryginalne i przepisane zapytania; raporty zachowują informacje o pochodzeniu przepisanych zapytań. Przypadki, w których wyszukiwanie się nie powiodło (brak indeksu, błędne dane uwierzytelniające), nie otrzymują oceny i są raportowane oddzielnie, zamiast obniżać średnie. PageIndex używa rozumowania do wyszukiwania i nie zwraca uporządkowanych fragmentów, więc jest wykluczony.

{"query": "Why do transformers scale attention?", "gold": ["Scaling keeps the dot products from growing with the dimension."]}
🌐 Zasoby i personalizacja — Materiały i wsparcie wielokrotnego użytku
Zasoby w aktywnym obszarze roboczym

Zasoby grupują historię czatu, Ulubione z przenoszeniem rekordów i eksportem do Markdown, Dziennik nauki, Knowledge Center oraz bank pytań z odpowiedziami i wyjaśnieniami. Rozpocznij Ćwiczenia od zaznaczenia w banku pytań lub przez Nauka → Ćwiczenia, aby prowadzić sesje powtórkowe, śledzić błędy i powtarzać materiał według harmonogramu. Osobna strona Personalizacja zawiera persony, umiejętności (podręczniki SKILL.md), Usługi MCP dostępne jednym kliknięciem i Aplikacje CLI z katalogu CLI-Anything, każdą z przewodnikiem użycia dostępnym na żądanie. Nauka grupuje książki, ścieżki opanowania wiedzy, kolekcje do czytania i powiązane rozmowy z tutorem; każdy zasób jest oferowany tylko w obsługujących go przepływach pracy.

Biblioteka umiejętności personalizacji

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
Przegląd Memory DeepTutor

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.

Graf pamięci DeepTutor

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
Nawigator ustawień

Settings to panel sterowania aplikacją, który otwiera się na stronie General, służącej do wyboru języka interfejsu i odpowiedzi modelu. Nawigator z wyszukiwaniem prowadzi do niezależnych stron: Personal obejmuje Workspaces, migrację danych, wygląd i statystyki użycia; Learning & conversation — punkty startowe, załączniki, Video Learning, ustawienia uczniów i opiekunów, Learning progress oraz Memory; Models & services — dostawców, modele językowe, modele zadań, osadzanie, wyszukiwanie, głos i generowanie multimodalne; Features & integrations — narzędzia, parametry możliwości, Partners & agents oraz Knowledge & documents. System obejmuje sieć, stan środowiska uruchomieniowego i informacje o aplikacji; Archived chats pozwala wyszukiwać, przywracać lub trwale usuwać zarchiwizowane rozmowy. Stan środowiska uruchomieniowego zawiera stan backendu, pamięć rezydentną i macierz Readiness, która ocenia blokady, ostrzeżenia i sugestie dotyczące możliwości. Workspaces rozdziela pliki tematów i stan nauki, a migracja danych oferuje zweryfikowany transfer i eksport. Dostawca przechowuje adres i poświadczenia firmy do ponownego użycia przez jej modele usług; strony modeli pozwalają wybierać zapisanych dostawców oraz konfigurować nazwy i możliwości modeli. Modele zadań przypinają mały, szybki model do pracy w tle — nazywania rozmów i pisania punktów startowych — a gdy są puste, korzystają z aktywnego modelu domyślnego. Głos grupuje syntezę mowy i transkrypcję; generowanie multimodalne grupuje modele obrazów i wideo. Partners & agents służy do konfiguracji lokalnych środowisk agentów i zdalnej bramy Hermes.

Synteza mowy Xiaomi MiMo. Dodaj dostawcę Xiaomi MiMo z adresem https://api.xiaomimimo.com/v1 i jego kluczem API, a następnie dodaj mimo-v2.5-tts w Settings → Voice. Wybierz gotowy głos, na przykład mimo_default, 冰糖 lub 苏打, użyj formatu wyjściowego wav lub pcm16 i odsłuchaj próbkę przed zastosowaniem ustawień. Instrukcje głosowe sterują stylem i szybkością mówienia. Ten adapter obsługuje wyłącznie gotowe głosy; projektowanie i klonowanie głosu wymagają osobnych modeli i nie są obsługiwane. Jeśli starszy model mowy MiMo był skonfigurowany przez ogólny adapter zgodny z OpenAI, utwórz jego wpis ponownie, korzystając z dostawcy Xiaomi MiMo, aby używał protokołu chat-completions. Zobacz oficjalny przewodnik syntezy mowy MiMo.

Synteza mowy MiniMax — w Settings → Voice wybierz MiniMax do zamiany tekstu na mowę i model speech-2.8-hd. Skonfiguruj klucz API MiniMax i jawnie wybierz głos systemowy lub wpisz identyfikator własnego głosu. Domyślny bazowy adres API to https://api.minimax.io/v1; dla regionu Chin użyj https://api.minimaxi.com/v1. Czytanie na głos i próbki głosu korzystają z natywnego punktu końcowego syntezy mowy, z formatami wyjściowymi MP3, WAV, FLAC lub PCM oraz ustawieniami częstotliwości próbkowania, szybkości i języka. Informacje o identyfikatorach głosów i dostępności dla kont znajdziesz w API syntezy mowy MiniMax.

Video Learning w Settings → Learning & conversation konfiguruje napisy YouTube i dostęp do Invidious dla Reading. Aby użyć Invidious, ustaw zarządzany przez administratora adres bazowy API backendu (na przykład http://127.0.0.1:3000) oraz publiczny adres dostępny z przeglądarki, przetestuj połączenie, wybierz Invidious i zapisz. Browse Invidious w oknie dodawania materiałów Reading pozwala wyszukiwać filmy oraz otwierać połączone subskrypcje i playlisty. Odtwarzanie YouTube korzysta z oficjalnego odtwarzacza o podwyższonej ochronie prywatności; brak napisów jest widoczny i ogranicza materiał źródłowy tutora, ale nie blokuje natywnego odtwarzania. W kopii źródeł uruchom python scripts/install_extras.py video-learning, aby korzystać z domyślnego mechanizmu pobierania napisów YouTube. Istniejące linki Watching są przenoszone do Reading z zachowaniem historii rozmów, zgodnych transkrypcji, notatek i postępów; nowe notatki ze znacznikami czasu są adnotacjami Reading. Bilibili korzysta z własnej ścieżki odtwarzania i napisów.

Ustawienia wyglądu DeepTutor i motywy

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). Dodanie OpenAI Codex w Settings → Providers otwiera logowanie przez przeglądarkę z użyciem 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 logowania znajduje się w Providers, a wynikowe modele, katalog i wylogowanie pozostają prywatne dla tego konta.

Podczas logowania i przy Refresh models DeepTutor odczytuje najnowszą stabilną wersję @openai/codex z oficjalnego rejestru npm i używa jej jako client_version żądania katalogu. To wyłącznie metadane: nie instaluje, nie pobiera i nie aktualizuje CLI Codex, a żądanie npm nie przenosi żadnych danych uwierzytelniających OAuth. Wykrywanie ma limit czasu trzech sekund i limit odpowiedzi 64 KiB. Jeśli się nie powiedzie, DeepTutor używa ostatniej udanej wersji dla tego konta albo wbudowanej wersji zapasowej, gdy nic nie jest zapisane w pamięci podręcznej. Nową wersję zapisuje tylko poprawnie sparsowany aktualny katalog; walidatory nigdy nie są ponownie używane między wersjami ani generacjami danych uwierzytelniających. Odrzucenie wersji lub niekompatybilna struktura katalogu pozwala na jedną ponowną próbę z poprzednią wersją; błędy uwierzytelniania, limitu żądań i TLS nie są ponawiane jako problemy z wersją. Nieudane ręczne odświeżenie zgłasza błąd, a nie przedstawia starego katalogu z pamięci podręcznej jako odświeżonego.

Historia udanych wersji przetrwa odnowienie tokena tego samego konta i błędy uwierzytelniania katalogu, bez przywracania użyteczności unieważnionych danych modelu czy ETagów. Wylogowanie czyści lokalną pamięć podręczną tego konta, w tym historię wersji. Zwykłe odczyty stanu i inferencja nie zapytują npm. Nowe wpisy katalogu nie zastępują już wybranego modelu ani nie restartują sesji nauki; obecność w katalogu nie ustanawia pełnej kompatybilności protokołu inferencji. Nie istnieje żaden działający w tle aktualizator wersji ani ustawienie wersji dla użytkownika.

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/                    # Admin workspace + global settings
├── users/<uid>/             # Per-user scope: chat history, memory, notebooks, KBs
├── partners/<id>/workspace/ # Partner (synthetic-user) scope
├── cli-apps/                # Installed CLI apps, mounted read-only into the sandbox
└── system/                  # auth · grants · audit · user-secrets/<owner> (OAuth tokens)

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.

Dla rozdzielonych źródeł prywatnych/publicznych ustaw auth.private_login_hosts (lub AUTH_PRIVATE_LOGIN_HOSTS) na prywatne hosty frontendu, które mogą wyświetlać logowanie hasłem i rejestrację. Frontend przekazuje przychodzący nagłówek HTTP Host do backendu jako swoje zapewnienie hosta frontendu. Zachowaj Host przeglądarki przez swój reverse proxy i spraw, aby publiczny ingress odrzucał żądania wskazujące prywatny host; nie udostępniaj surowego portu Next.js, który przyjmuje dowolne wartości Host. HTTP Host może być podrobiony przez bezpośredniego klienta, więc autoryzacja prywatnego hosta zależy od tej granicy ingressu. Backend domyślnie przyjmuje zapewnienia hosta frontendu wyłącznie z loopback. Jeśli frontend Web łączy się z innego kontenera lub hosta, ustaw AUTH_TRUSTED_FRONTEND_PROXY_IPS na dokładny adres IP tego proxy frontendu w procesie backendu (rozdzielone przecinkami dla więcej niż jednego). Zastępuje to wartości domyślne; dodaj 127.0.0.1,::1, jeśli potrzebne są także lokalne połączenia frontendu. Trzymaj API backendu prywatne dla proxy frontendu i nie umieszczaj na tej liście ogólnych sieci klientów. Gdy private_login_hosts nie jest puste, uwierzytelniony użytkownik na prywatnym źródle może otworzyć Profile → Public device sign-in i utworzyć krótkotrwały, powiązany z hostem link parujący dla publicznego źródła HTTPS. Publiczna strona /handoff wymienia jednorazowy kod na równie krótki bilet JWE w treści POST, zużywa bilet jednorazowo i otrzymuje normalny plik cookie sesji HttpOnly.

PocketBase pozostaje integracją jednoosobową — zostaw integrations.pocketbase_url puste dla wdrożeń wieloużytkownikowych chyba że podłączyłeś zewnętrzny magazyn użytkowników.

⌨️ DeepTutor CLI — Interfejs natywny dla agentów

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, --config oraz --workspace do wyboru zarejestrowanego obszaru roboczego.

deeptutor chat                                              # interactive REPL
deeptutor chat --capability deep_solve --kb my-kb
deeptutor run chat "Explain the Fourier transform" --kb textbook
deeptutor run chat "Find recent work beyond this material" --kb textbook
deeptutor run deep_research "Survey 2026 papers on RAG" \
  --config mode=report --config depth=standard

--kb dostarcza kontekst automatycznym narzędziom RAG i Knowledge Frontier; Frontier wymaga zarówno modułu wiedzy, jak i badań. --tool wybiera narzędzia przełączalne przez użytkownika. Włączone moduły udostępniają też polecenia do obsługi baz wiedzy, sesji, partnerów, umiejętności, notatników, pamięci i konfiguracji.

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.

# One shot, machine-readable
deeptutor run deep_solve "Find d/dx[sin(x^2)]" --tool reason --format json

# Chain turns in one stateful session — capture the id, reuse it
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 json

Repozytorium zawiera główny SKILL.md — zwięzły dokument przekazujący agentowi wiedzę o CLI. Jawnie poproś agenta o jego przeczytanie; przewodnik konfiguracji przez agenta opisuje instalację i konfigurację. Możesz również opakować deeptutor run jako narzędzie w pętli LangChain / AutoGen. Pełne przepisy: Agent Handoff.

Odniesienie do poleceń

Tabela obejmuje pełną instalację i opcjonalne dodatki; polecenia i możliwości wymagają włączenia odpowiednich modułów. Rdzeń udostępnia chat i ask_questions.

Polecenie Opis
deeptutor init [--non-interactive] [--home PATH] Uruchom kreator konfiguracji lub utwórz brakujące wartości domyślne bez pytań
deeptutor doctor [--online] Sprawdź, czy środowisko uruchomieniowe jest gotowe 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 module list/install/uninstall/enable/disable Przeglądaj i zmieniaj moduły po zatrzymaniu DeepTutor; kopie źródeł obsługują włączanie i wyłączanie
deeptutor workspace show/set/reset Sprawdź, wybierz lub przywróć Content Workspace per-użytkownika
deeptutor run <capability> <message> Uruchom jedną turę możliwości (chat, ask_questions, deep_solve, deep_question, deep_research, visualize, math_animator, video_lesson, mastery_path, immersive_reading, audio_overview); 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/connect-kiwix/add/search/eval/eval-diff/set-default/delete/list-sources/sync Zarządzaj bazami wiedzy, podłączaj archiwa Kiwix, oceniaj i porównuj przebiegi wyszukiwania oraz 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/state/search/show/install/approve/enable/disable/rollback/uninstall Przeglądaj narzędzia i możliwości; zarządzaj sprawdzonymi pakietami wtyczek i zatwierdzeniami ich uprawnień
deeptutor config show [--home PATH] Wyświetl wynikową konfigurację środowiska uruchomieniowego z ukrytymi poświadczeniami
deeptutor config providers Wyświetl obsługiwanych dostawców konfiguracji i wartości domyślne jako JSON
deeptutor config apply FILE [--check] [--home PATH] Zastosuj konfigurację JSON bez pytań lub zweryfikuj ją bez zapisywania ustawień
deeptutor provider login <provider> Uwierzytelnianie dostawcy (openai-codex logowanie OAuth; github-copilot logowanie przez kod urządzenia GitHub; codebuddy weryfikuje uwierzytelnianie SDK CodeBuddy i rozpoczyna logowanie w razie potrzeby)

Poświadczenia GitHub Copilot należą do zalogowanego właściciela DeepTutor i są przechowywane wyłącznie w <runtime-home>/data/system/user-secrets/<owner-id>/private/github-copilot/credentials.v1.json, poza obszarami roboczymi piaskownicy. Partners uruchamiani przez CLI lub administratora korzystają z poświadczeń administratora; pozostali użytkownicy logują się oddzielnie, a profili Copilot nie można udostępniać przez uprawnienia do modeli. Zewnętrzne pliki tokenów nanobot/Copilot nigdy nie są importowane: po aktualizacji ponownie uruchom deeptutor provider login github-copilot.

Logowanie weryfikuje inferencję przy użyciu aktualnie wykrytego modelu; init weryfikuje wybrany model i w razie błędu przerywa bez zapisywania roboczej konfiguracji. Samo udane uwierzytelnienie GitHub nie potwierdza dostępu do modeli Copilot (zapisane logowanie jest zachowywane, jeśli weryfikacja się nie powiedzie). Żądania środowiska uruchomieniowego korzystają z punktu końcowego API zwróconego przy wymianie tokenu, także po odświeżeniu, i respektują metadane punktów końcowych Responses/Chat Completions poszczególnych modeli.

Obsługa zgodności Responses specyficzna dla Copilot jest stosowana przy wysyłaniu żądania, bez przepisywania zapisanej historii.

Dystrybucja tylko CLI

Pakiet wheel rdzenia udostępnia CLI i SDK; deeptutor-cli jest metapakietem zgodności. Źródła udostępniają wszystkie moduły obecne w repozytorium, więc do korzystania z CLI zainstaluj ich zależności Pythona i pomiń konfigurację frontendu:

python -m pip install -r requirements/full.txt
python -m pip install -e . --no-deps

Do minimalnej instalacji użyj pakietu wheel rdzenia. Opcjonalne dystrybucje dostarczają narzędzia, możliwości, trasy API, usługi działające w tle i elementy nawigacji. Moduły współdzielą jedno środowisko Pythona i muszą odpowiadać wersji rdzenia. deeptutor[full] wybiera typowe moduły aplikacji podczas instalacji; poszczególne funkcje nadal można później usunąć.

Zatrzymaj DeepTutor (Ctrl+C w jego terminalu), a następnie użyj tego samego środowiska Pythona i DEEPTUTOR_HOME:

deeptutor module list                       # installed / enabled / ready
deeptutor module disable research           # hide and deactivate; keep code
deeptutor module enable research            # restore it and required modules

# Package installations only; source checkouts use enable / disable:
deeptutor module install solve              # install the matching module and dependencies
deeptutor module uninstall solve --dry-run  # inspect the plan and dependency blockers
deeptutor module uninstall solve            # remove only this module's distribution
deeptutor chat                              # restart the CLI; use start for an installed Web app

Przykłady: solve, research, questions, knowledge, parsing, reading, mastery, books, memory, notebook i partners. Moduły zależne blokują usunięcie; rdzenia nie można usunąć za pomocą polecenia modułów. Wyłączenie lub odinstalowanie zachowuje ustawienia, rozmowy, bazy wiedzy i wygenerowane pliki. Współdzielone zależności zewnętrzne również pozostają zainstalowane.

W przeglądarce: Settings → Runtime status → Modules pokazuje stan modułów i odpowiadające im polecenia terminala. Zmiany pakietów wymagają zatrzymania środowiska i są wykonywane przez CLI. Chat → Dostosuj stronę oraz Nauka → Nowa nauka → Dostosuj stronę natychmiast zmieniają osobiste ustawienia stron; ukrycie pozycji nie odinstalowuje jej modułu ani nie odbiera dostępu.

Rodzina pakietów 1.7.0 używa zgodnych wersji rdzenia i pakietów wheel funkcji. Aby zainstalować lokalne pakiety wheel, przekaż --wheelhouse /path/to/wheels do module install. Informacje o budowaniu pakietów i wdrożeniu znajdziesz w instrukcji instalacji modułów i pracy ze źródłami.

🧩 Ekosystem — EduHub i społeczność umiejętności

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"               # search EduHub (the default hub)
deeptutor skill install socratic-tutor                # fetch → verify → register
deeptutor skill install eduhub:[email protected]   # pin a hub and a version
deeptutor skill list                                  # local skills with their hub provenance

Opublikuj własną — spakuj SKILL.md i podziel się ze społecznością:

deeptutor skill login                                 # browser sign-in to EduHub
deeptutor skill publish ./my-skill                    # interactive: pick a track + tags, then upload
deeptutor skill update                                # roll back or release a new version

EduHub 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.json dla 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:[email protected]
deeptutor skill install clawhub:udiedrichsen/stock-analysis

Gdy 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.

🤝 Partnerzy Open Source

PageIndex

Użyj kodu: DEEPTUTOR20 — zdobądź $20 zniżki na pierwszą subskrypcję PageIndex!

🌐 Społeczność

🔗 Opiekunowie

Bingxi Zhao
Bingxi Zhao
Xingyu Hou
Xingyu Hou
Jiahao Zhang
Jiahao Zhang

📮 Kontakt

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 [email protected] w sprawie dyskusji, pomysłów lub współpracy.

🙏 Podziękowania

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

🗺️ Plan działania i współtworzenie

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. 🎁

Współtwórcy

Ranking historii gwiazdek

Licencjonowany na podstawie Apache License 2.0.

Odwiedziny