Skip to content

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

144 KB
Raw Blame

DeepTutor

DeepTutor: การสอนพิเศษส่วนตัวตลอดชีวิต

เอกสาร — deeptutor.info  ร่วมงาน — ทำงานกับเรา

คลัง GitHub ที่กำลังเป็นที่นิยมประจำวัน HKUDS/DeepTutor | Trendshift อันดับประวัติดาว

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 สัญญาอนุญาต รุ่นเผยแพร่บน GitHub arXiv

Discord Feishu WeChat

คุณสมบัติ · เริ่มต้น · สำรวจ · CLI · ระบบนิเวศ · ชุมชน


🤝 เรายินดีรับการมีส่วนร่วมทุกรูปแบบ! โหวตรายการ roadmap หรือเสนอรายการใหม่ที่ Roadmap และดู คู่มือการมีส่วนร่วม สำหรับกลยุทธ์ branching มาตรฐานการเขียนโค้ด และวิธีเริ่มต้น

📰 ข่าวสาร

  • 2026-09-20 🎉 ถึง 40k stars ใน 9 เดือน! เราจะขยายระบบนิเวศการเรียนรู้ของ DeepTutor ต่อไป
  • 2026-05-22 🌐 เว็บไซต์เอกสารอย่างเป็นทางการเปิดตัวแล้วที่ deeptutor.info — คู่มือ การอ้างอิง และ capability tours ทั้งหมดในที่เดียว
  • 2026-04-19 🎉 ถึง 20k stars ใน 111 วัน! ขอบคุณสำหรับการสนับสนุนที่มุ่งสู่การสอนพิเศษที่เป็นส่วนตัวและชาญฉลาดอย่างแท้จริง
  • 2026-04-10 📄 บทความของเราตอนนี้มีบน arXiv แล้ว! อ่าน preprint เพื่อเรียนรู้เกี่ยวกับการออกแบบและแนวคิดที่อยู่เบื้องหลัง DeepTutor
  • 2026-02-06 🚀 ถึง 10k stars ในเพียง 39 วัน! ขอบคุณชุมชนที่น่าเหลือเชื่ออย่างยิ่ง!
  • 2026-01-01 🎊 สวัสดีปีใหม่! เข้าร่วม Discord, WeChat หรือ Discussions — มาร่วมกันกำหนดอนาคตของ DeepTutor
  • 2025-12-29 🎓 DeepTutor ได้รับการเปิดตัวอย่างเป็นทางการแล้ว!

✨ คุณสมบัติหลัก

DeepTutor คือ workspace การเรียนรู้แบบ agent-native ที่เชื่อมต่อการสอนพิเศษ, การแก้ปัญหา, การสร้าง quiz, การวิจัย, การสร้างภาพ และการฝึกความเชี่ยวชาญในระบบที่ขยายได้หนึ่งเดียว

  • รันไทม์เดียวสำหรับทุกโหมด — Chat, Ask Questions, Quiz, Research, Visualize, Solve, Mastery Path, Immersive Reading และ Audio Overview ใช้ capability runtime และบริบท session ชุดเดียวกัน โดยยังคงลูปและ pipeline ที่ออกแบบมาเฉพาะสำหรับแต่ละวัตถุประสงค์
  • Task Board — ติดตามงานการเรียนใน To do, In progress และ Done พร้อมโน้ต การลากและวางหรือปุ่มย้ายที่ใช้ได้ด้วยแป้นพิมพ์ และรายการที่เก็บถาวรซึ่งกู้คืนได้ การ์ดจะอยู่ใน workspace ปัจจุบันและใช้การตั้งค่ารูปลักษณ์และภาษาเดิม โดยไม่ต้องกำหนดค่า model
  • บริบทการเรียนรู้ที่เชื่อมต่อกัน — ฐานความรู้, หนังสือ, หน้า Learning notebook, Favorites, คลังคำถาม, บุคลิกภาพ และ Memory สามารถนำมาใช้ซ้ำในเวิร์กโฟลว์ที่รองรับ โดยอยู่ภายใต้สิทธิ์ของบัญชีและนโยบายการเรียนรู้
  • การเรียนรู้ผ่านวิดีโออย่างดื่มด่ำ — เพิ่มลิงก์ YouTube หรือ Bilibili ใน Reading เพื่อเล่นวิดีโอแบบ native, ค้นหา transcript, รับการสอนพิเศษที่อ้างอิง timestamp, บันทึกโน้ต และกลับมาเรียนต่อจากความคืบหน้าเดิม; คำบรรยายและการเรียกดู YouTube สามารถใช้ Invidious instance ที่ผู้ดูแลระบบกำหนดค่าไว้ได้
  • ซับเอเจนต์และ Partners — จาก Chat คุณสามารถปรึกษา agent harness แบบสด (Claude Code, Codex, Grok CLI, Antigravity, Kimi, opencode, MiMo, Hermes, OpenClaw หรือ DeepSeek) หรือ Partner, นำเข้าบทสนทนาในอดีต และรันเพื่อนถาวรบน IM ด้วยสมองเดียวกัน
  • ความรู้หลายเอ็นจิน — ไลบรารี RAG แบบเวอร์ชันผ่าน LlamaIndex, PageIndex, GraphRAG, LightRAG, LightRAG Server ระยะไกล, WeKnora deployment แบบ self-hosted, ไลบรารี Tencent IMA หรือ MarginNote 4, คลัง Kiwix ZIM ที่เชื่อมต่อ หรือ Obsidian vault ที่เชื่อมโยง พร้อมการแยกวิเคราะห์เอกสารแบบ pluggable ดู native LightRAG role models สำหรับการตั้งค่า extraction, query และ vision ที่เป็นอิสระจากกัน, การสร้างแบบใช้ค่าเริ่มต้นเท่านั้น และการสร้างใหม่ที่ต้องมีการยืนยัน
  • เครื่องมือและทักษะที่ขยายได้ — เครื่องมือในตัว, เซิร์ฟเวอร์ MCP, แอป CLI, โมเดลสร้างรูปภาพ/วิดีโอ/เสียง และทักษะชุมชนที่ติดตั้งได้จาก EduHub
  • หน่วยความจำที่ตรวจสอบได้ — การติดตาม L1, สรุปพื้นผิว L2 และการสังเคราะห์ L3 ทำให้การปรับแต่งส่วนบุคคลมองเห็นได้และแก้ไขได้; Memory Graph เชื่อมข้อเท็จจริง L2 กับหลักฐาน L1 และการสังเคราะห์ L3 กับพื้นผิวที่มีส่วนร่วม

🚀 เริ่มต้น

ให้ Agent ของคุณตั้งค่า DeepTutor

คัดลอก prompt นี้ไปยัง AI agent ที่ใช้ terminal ได้ (เช่น Codex หรือ 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.

คู่มือ Agent Setup ครอบคลุมขั้นตอนทั้งหมด รวมถึงการกำหนดค่าผ่าน CLI แบบไม่โต้ตอบ หากต้องการติดตั้งด้วยตัวเอง ให้เลือกหนึ่งในเส้นทางด้านล่าง

DeepTutor มีเส้นทางการติดตั้งสี่เส้นทาง ทั้งหมดแชร์ layout runtime home เดียวกัน: การตั้งค่าส่วนตัวอยู่ใน data/user/settings/ ภายใต้ไดเร็กทอรีที่คุณเปิดตัว (หรือภายใต้ DEEPTUTOR_HOME / deeptutor start --home หากคุณตั้งค่าไว้อย่างชัดเจน) ดู การจัดเก็บข้อมูลในเครื่องอย่างถาวร สำหรับ layout การจัดเก็บทั้งหมด การรองรับฐานข้อมูล และคำแนะนำในการสำรองข้อมูล สำหรับแอปเต็มรูปแบบ ขั้นตอนที่แนะนำคือ เลือกไดเร็กทอรี runtime home → ติดตั้ง → deeptutor init → deeptutor start

ทดลองใช้ Docker ด้วยคำสั่งเดียว

หากยังไม่ได้ติดตั้ง Docker ให้ติดตั้ง Dockerก่อน จากนั้นทดลองแอปเต็มรูปแบบได้โดยไม่ต้องตั้งค่า Python หรือ Node.js:

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

เปิด http://127.0.0.1:3782, กำหนดค่า model providers ใน Settings → Providers และกด Ctrl+C เมื่อใช้งานเสร็จ named volume deeptutor-data จะเก็บการตั้งค่าและข้อมูลในเครื่องไว้สำหรับการรันครั้งถัดไป

Content Workspace

Content Workspace แยกออกจาก runtime home ส่วนตัวของ DeepTutor เป็นโฟลเดอร์ที่ agent อ่านได้ โดยไฟล์ที่สร้างจะอยู่ใต้ outputs/<capability>/<session>/<turn>/ workspace แบบกำหนดเองแยกบทสนทนา สื่อการเรียน ความคืบหน้า และ cache ไว้ในโครงสร้างส่วนตัว .deeptutor/data/ ที่เครื่องมือไฟล์ไม่สามารถเรียกดูได้ การตั้งค่า credentials และ Memory ยังคงแชร์กันในระดับบัญชี

หากไม่ได้กำหนดค่า content workspace จะเป็น <runtime-home>/data/user/workspace การติดตั้งแบบ local PyPI, CLI และ source สามารถเลือกโฟลเดอร์ใน Settings → Workspaces และตั้งค่าโฟลเดอร์เริ่มต้นด้วย:

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

แต่ละความสามารถตรวจสอบ workspace ที่เลือกผ่านเครื่องมือ workspace ในตัว model จะได้รับเฉพาะ relative path เช่น outputs/...; เมื่อ model ใช้ workspace_present UI จะ render snapshot ที่ authenticated และเปิดได้ relative path เดียวกันเป๊ะนี้ยังใช้ได้ในลิงก์หรือรูปภาพ Markdown ปกติ การเปลี่ยนไฟล์ต้นทางในภายหลังจะไม่เปลี่ยน snapshot ที่นำเสนอไปแล้ว

Learning Space จัดการไลบรารีทรัพยากร ใน Settings → Workspaces ให้กำหนด Skills, บริการ MCP และ knowledge bases ให้แต่ละ workspace หรือคงกฎการเข้าถึงเดิมไว้ workspace ที่มีอยู่จะคงสิทธิ์การเข้าถึงปัจจุบันจนกว่าจะบันทึกการเลือก การกำหนดทรัพยากรจะอ้างอิงต้นฉบับโดยไม่คัดลอก credentials หรือดัชนีความรู้ และ skills เฉพาะ workspace สามารถแทนที่เวอร์ชันที่แชร์ได้ ดูการกำหนดทรัพยากรให้ workspace

การรันโค้ดเป็นแบบ read-only นอก outputs/ การคัดลอกไฟล์ที่สร้างขึ้นไปยังที่อื่น ใน content workspace ต้องมีการยืนยัน Allow once อย่างชัดเจนสำหรับ ต้นทางและปลายทางที่ตรงกันเป๊ะ system sandbox หรือ Docker runner จะบังคับใช้ขอบเขตนี้เมื่อมี; local restricted-subprocess fallback จะแสดงเป็น best effort ใน Workspace settings

ตัวเลือกที่ 1 — ติดตั้งจาก PyPI · แอป Web local แบบเต็มรูปแบบ + CLI ไม่ต้องโคลน

การติดตั้งแบบโมดูลของ 1.7.0: ใช้ deeptutor[full] สำหรับแอป Web และ CLI หรือ deeptutor สำหรับ core chat เวอร์ชันของ feature modules ต้องตรงกับ core; รุ่น 1.6.15 และก่อนหน้าใช้ layout แพ็คเกจแบบเดิม หากต้องการพัฒนาบน dev ปัจจุบัน ให้ทำตามคำแนะนำการติดตั้งจากซอร์สด้านล่างหรือสร้าง local wheels ต้องการ Python 3.11–3.14 และ runtime Node.js 20+ บน PATH (เซิร์ฟเวอร์ standalone Next.js ที่แพ็คไว้จะถูกเปิดตัวโดย 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 จะขอพอร์ต backend (ค่าเริ่มต้น 8001), พอร์ต frontend (ค่าเริ่มต้น 3782), LLM provider / base URL / API key / model, embedding provider แบบเสริมสำหรับ Knowledge Base / RAG และ search provider แบบเสริมสำหรับ Web Search

การอัพเกรดเป็น 1.7.0: หยุดแอปและสำรอง runtime home ของคุณ รัน python -m pip install --upgrade "deeptutor[full]==1.7.0" จากนั้นตรวจสอบด้วย python -m pip check และ deeptutor module list หากติดตั้งแพ็คเกจ deeptutor-cli รุ่นเก่าไว้ ให้รัน python -m pip uninstall deeptutor-cli ก่อน แล้วจึงรันคำสั่งอัพเกรด (จะเพิ่ม deeptutor-cli==1.7.0 ด้วยก็ได้) CLI รุ่นเก่าเป็นเจ้าของไฟล์ Python ที่ใช้ร่วมกัน การอัพเกรดมันใน transaction เดียวกันจึงอาจลบ core ใหม่ได้ การถอนการติดตั้งแพ็คเกจจะไม่ลบข้อมูลใน runtime home คงค่า DEEPTUTOR_HOME และ settings เดิมไว้ ใน 1.7.0 การรันเพียง pip install -U deeptutor จะเลือกเฉพาะ core; ใช้ [full] เพื่อขอโปรไฟล์การติดตั้งแอปเต็มรูปแบบ สำหรับแพ็คเกจที่สร้างในเครื่อง ดู คำแนะนำการอัพเกรด local wheels

หลังจาก deeptutor start ให้เปิด URL ของ frontend ที่พิมพ์ใน terminal — ค่าเริ่มต้น http://127.0.0.1:3782 กด Ctrl+C ใน terminal นั้นเพื่อหยุดทั้ง backend และ frontend การข้าม deeptutor init ก็ใช้ได้สำหรับการทดลองอย่างรวดเร็ว แอปจะบูตด้วยพอร์ตเริ่มต้นและการตั้งค่า model ว่าง กำหนดค่าในภายหลังใน Settings → Providers และ Language models

การถอดเสียงจากไมโครโฟนในเบราว์เซอร์: STT adapters ที่เข้ากันได้กับ OpenAI จะส่งเสียงจากเบราว์เซอร์ไปยัง provider โดยไม่แปลงไฟล์ในเครื่อง ส่วน native STT adapters ของ DashScope และ Volcengine จะแปลง WebM/Opus จากเบราว์เซอร์เป็น WAV 16 kHz และต้องมีไฟล์ปฏิบัติการ ffmpeg ใน PATH ของ DeepTutor ไฟล์ WAV แบบ canonical 16 kHz mono PCM จะข้ามขั้นตอนแปลงนี้ สำหรับการติดตั้งผ่าน PyPI บน Windows ที่ใช้ native adapter ตัวใดตัวหนึ่ง ให้ติดตั้ง FFmpeg เพิ่มไดเร็กทอรี bin ลงใน PATH ของ service แล้วรีสตาร์ท DeepTutor ข้อผิดพลาดในการแปลงจะแสดงใต้ช่องป้อนข้อความของ Chat

ตัวเลือกที่ 2 — ติดตั้งจากซอร์สโค้ด · พัฒนาจาก checkout

สำหรับการพัฒนาจาก checkout ใช้ Python 3.11–3.14 และ Node.js 22 LTS เพื่อให้ตรงกับ CI และ Docker

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 จะ build frontend web/ ในเครื่องสำหรับ production ครั้งเดียวแล้วนำมาใช้ซ้ำ; --dev รัน Next.js ด้วย HMR (hot reload) Layout ของ config, พอร์ต และ Ctrl+C ตรงกับตัวเลือกที่ 1

สภาพแวดล้อม Conda (แทน venv)
conda create -n deeptutor python=3.11
conda activate deeptutor
python -m pip install --upgrade pip
ส่วนเสริมการติดตั้ง — เอ็นจิน 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: เลือก Video Lesson ใน chat หรือรัน deeptutor run video_lesson "Explain a concept" backend ต้องมี Node.js 22+ และ npm การใช้ครั้งแรกจะดาวน์โหลดแพ็คเกจ Remotion ที่ตรึงเวอร์ชันไว้และตัวแปล JavaScript แบบ WebAssembly โดยไม่ต้องใช้ Docker การตรวจเฟรมจะรันภายในตัวแปลภายใต้ขีดจำกัดหน่วยความจำและการทำงาน โดยเข้าถึง filesystem, credentials, network หรือ process APIs ของ host ไม่ได้ การยกเลิกจะหยุดกระบวนการ build การปรับใช้แบบ local และ container ใช้เส้นทางการรันเดียวกัน ไม่มี fallback ที่อยู่นอก sandbox บทเรียนที่ได้จะเล่นในเบราว์เซอร์ โดยมีคำบรรยายเมื่อเสียงบรรยายที่เป็นทางเลือกไม่พร้อมใช้งาน

การปรับแก้ dependency ของ frontend และการแก้ปัญหาเซิร์ฟเวอร์ dev

การเปลี่ยน dependency ของ frontend: รัน npm install --legacy-peer-deps เพื่อรีเฟรช web/package-lock.json จากนั้น commit ทั้ง web/package.json และ web/package-lock.json

เซิร์ฟเวอร์ dev ค้าง: หาก deeptutor start --dev รายงาน frontend ที่มีอยู่แต่ไม่ตอบสนอง ให้หยุด PID ที่พิมพ์ออกมา หากไม่มีกระบวนการ Next.js จริง ๆ ที่รันอยู่ ไฟล์ lock จะล้าสมัย — ลบออกแล้วลองใหม่:

rm -f web/.next/dev/lock web/.next/lock
deeptutor start --dev
ตัวเลือกที่ 3 — Docker · container เดียวที่ครบในตัว

Container เดียวสำหรับแอป Web แบบเต็มรูปแบบ ภาพบน GitHub Container Registry:

  • ghcr.io/hkuds/deeptutor:latest — รุ่นเสถียรล่าสุด
  • ghcr.io/hkuds/deeptutor:<version> — รุ่นที่ระบุแบบตรงตัวโดยไม่มี v นำหน้า (เช่น :1.6.3); รุ่นก่อนเผยแพร่จะได้รับเฉพาะแท็กเวอร์ชันของตน

ดู CONTAINERIZATION.md สำหรับการปรับใช้ podman/rootless/read-only-rootfs และคู่มือต่อการติดตั้งแบบครบถ้วน

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

หากต้องการเลือกโฟลเดอร์เนื้อหาบน host ตอนเริ่ม container ให้ mount มันที่ container path ที่ตายตัว และล็อก DeepTutor ให้ใช้ path นั้น:

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

สำหรับ Compose ให้ตั้งค่า DEEPTUTOR_WORKSPACE_HOST=/absolute/host/folder ก่อน รัน python scripts/docker_compose.py up -d หากไม่ระบุจะใช้ ./data/user/workspace path ของ Docker จะถูกเลือกตอนเริ่มต้นและด้วยเหตุนี้จะ ปรากฏเป็น locked ในหน้า Web settings

จำเป็นต้อง publish เฉพาะ 3782 เบราว์เซอร์คุยกับ frontend origin เท่านั้น; Next.js middleware (web/proxy.ts) ส่งต่อ /api/* และ /ws/* ไปยัง FastAPI backend ภายใน container การ publish 8001 (-p 127.0.0.1:8001:8001) เป็นทางเลือก — มีประโยชน์เฉพาะเมื่อต้องการเรียก API โดยตรงด้วย curl หรือ scripts

เปิด http://127.0.0.1:3782 Container จะสร้าง /app/data/user/settings/*.json เมื่อบูตครั้งแรก กำหนดค่า model providers จากหน้า Web Settings Config, API keys, logs, Content Workspace เริ่มต้น, memory และ knowledge bases จะคงอยู่ใน volume deeptutor-data ส่วน Content Workspace ที่ mount แยกต่างหากจะคงอยู่ที่ host path ของมันแทน ส่วนเสริมที่เป็นทางเลือกควรอยู่ที่การปรับใช้ ไม่ใช่ใน shell: ตั้งค่า DEEPTUTOR_EXTRAS (และ DEEPTUTOR_APT_PACKAGES สำหรับ system libraries) แล้ว container ทุกตัวที่เริ่มจากมันจะ apply ส่วนเสริมเหล่านั้นซ้ำโดยอัตโนมัติ ในขณะที่ docker exec … pip install จะหายไปเมื่อ compose down ครั้งถัดไป

  • พอร์ต host ที่แตกต่าง: เปลี่ยนด้านซ้ายของการ mapping -p host:container แต่ละอัน (เช่น -p 127.0.0.1:8088:3782) หากคุณเปลี่ยนพอร์ตฝั่ง container ใน /app/data/user/settings/system.json ให้รีสตาร์ทและอัปเดตด้านขวาของการ mapping แต่ละอันให้ตรงกัน
  • แบบ detached: เพิ่ม -d จากนั้น docker logs -f deeptutor เพื่อติดตาม, docker stop deeptutor เพื่อหยุด, docker rm deeptutor ก่อนนำชื่อมาใช้ซ้ำ Volume deeptutor-data จะเก็บ runtime data ส่วนตัวและ Content Workspace เริ่มต้นข้ามการรีสตาร์ท; Content Workspace ที่ mount แยกต่างหากจะคงอยู่ที่ host path ของมัน

Remote Docker / reverse proxy: เบราว์เซอร์คุยกับ frontend origin (:3782) เท่านั้น; Next.js middleware ภายใน container ส่งต่อ /api/* และ /ws/* ไปยัง backend server-side สำหรับกรณี single-container ทั่วไปคุณไม่ต้องกำหนดค่า API base เลย — แค่ชี้ reverse proxy / TLS terminator ไปที่ :3782 คุณต้องการ API base เฉพาะสำหรับ split deployment (backend ใน container/host แยกต่างหาก): ตั้งค่า next_public_api_base ใน data/user/settings/system.json เป็นที่อยู่ in-network ที่ frontend server ใช้เข้าถึง backend (อ่านฝั่ง server ไม่ส่งไปยังเบราว์เซอร์)

{
  "next_public_api_base": "http://backend:8001"
}

next_public_api_base_external (และ alias public_api_base) ยอมรับเป็น fallback ลำดับความสำคัญต่ำกว่า CORS ใช้ frontend origins ไม่ใช่ API URLs เมื่อปิด auth DeepTutor อนุญาต HTTP/HTTPS browser origins ปกติโดยค่าเริ่มต้น เมื่อเปิด auth ให้เพิ่ม frontend origins ที่แน่นอน:

{
  "cors_origins": ["https://deeptutor.example.com"]
}
การเชื่อมต่อกับ Ollama / LM Studio / llama.cpp / vLLM / Lemonade บน host

ภายใน Docker, localhost คือ container เอง ไม่ใช่เครื่อง host ของคุณ ในการเข้าถึง model service ที่รันบน host ให้ใช้ host gateway (แนะนำ):

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

จากนั้นใน Settings → Providers ชี้ Base URL ของ provider ไปที่ 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) มักจะ resolve host.docker.internal ได้โดยไม่ต้องใช้ --add-host บน Linux ตัวเลือกนี้คือวิธีที่ portable ในการสร้าง hostname บน Docker Engine สมัยใหม่

ทางเลือกบน Linux — host networking: เพิ่ม --network=host และลบ flags -p ออก Container จะแชร์ network ของ host โดยตรง เปิด http://127.0.0.1:3782 (หรือ frontend_port ใน system.json) และ services ของ host สามารถเข้าถึงได้ด้วย localhost URLs ปกติ เช่น http://127.0.0.1:11434/v1 โปรดทราบว่า host networking จะเปิดเผยพอร์ต container โดยตรงบน host และอาจขัดแย้งกับ services ที่มีอยู่ — หากต้องการเก็บไว้บน loopback ให้ตั้ง BACKEND_HOST=127.0.0.1 และ FRONTEND_HOST=127.0.0.1 (ดู CONTAINERIZATION.md)

ตัวเลือกที่ 4 — CLI เท่านั้น · ไม่มี Web UI จาก source checkout

เมื่อคุณไม่ต้องการ Web UI ให้ใช้ CLI จาก checkout นี้และข้ามการตั้งค่า Node/npm ซอร์สจะเปิดใช้โมดูลทั้งหมดที่อยู่ใน checkout และต้องติดตั้ง Python dependencies ของโมดูลเหล่านั้น สำหรับการติดตั้งขั้นต่ำด้วยรุ่นโมดูล 1.7.0 ให้ใช้ core wheel deeptutor แล้วเพิ่ม feature modules แยกต่างหาก

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 แชร์ layout data/user/settings/ เดียวกับแอปเต็มรูปแบบ แต่ข้ามการขอพอร์ต backend/frontend โดยยังมีตัวเลือก Embedding และ Search (เลือก Skip เมื่อไม่ต้องการ), เขียนไฟล์ runtime หลัก (system.json, auth.json, integrations.json, interface.json, model_catalog.json, main.yaml, agents.yaml) และขอ LLM provider และ model ที่ใช้งานอยู่

คำสั่งทั่วไป
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

การติดตั้งจากซอร์สนี้รวม server dependencies แต่ข้ามการตั้งค่า frontend เก็บ checkout ไว้ — การติดตั้งแบบ editable ชี้ไปที่มัน หากต้องการเพิ่ม Web UI ในภายหลัง ให้ติดตั้ง Node.js 22 LTS รัน npm ci --legacy-peer-deps ใน web/ แล้วรัน deeptutor init และ deeptutor start จาก root ของโปรเจกต์

Sandbox การรันโค้ด (office skills) · รันโค้ดที่ model สร้างสำหรับ docx / pdf / pptx / xlsx

office skills ที่ติดตั้งมา — docx / pdf / pptx / xlsx — ทำงานโดยให้ model เขียน Python script สั้น ๆ (python-docx, reportlab, openpyxl, …), รันผ่านเครื่องมือ exec เพียงตัวเดียว และแสดงไฟล์ workspace ที่บันทึกไว้ เครื่องมือนี้จะ mount เมื่อ sandbox backend ทำงานอยู่ DeepTutor จะเลือก backend ที่แข็งแกร่งที่สุดซึ่งกำหนดค่าไว้ตามลำดับนี้:

  • Runner sidecar: DEEPTUTOR_SANDBOX_RUNNER_URL จะ route การรันไปยังบริการที่มีความปลอดภัยสูงและมีสิทธิ์น้อยที่สุดจาก Dockerfile.runner
  • Linux bubblewrap: เมื่อมี bwrap จะใช้แยก process และไฟล์ออกจากกัน
  • Restricted subprocess fallback: การติดตั้งแบบ local และ single-container จะใช้วิธีนี้เฉพาะเมื่อได้รับอนุญาต; ภายใต้ Docker ตัว container ยังคงเป็นขอบเขตอีกชั้นหนึ่ง

การตั้งค่า sandbox_allow_subprocess ใน data/user/settings/system.json (ค่าเริ่มต้น true) ควบคุมเฉพาะ fallback สุดท้าย ตั้งเป็น false (หรือ export DEEPTUTOR_SANDBOX_ALLOW_SUBPROCESS=0) เพื่อปฏิเสธการรัน subprocess เมื่อไม่มี runner หรือ bwrap backend; การตั้งค่านี้จะไม่ปิด backend ที่แข็งแกร่งกว่าสองแบบนั้น

เอกสารอ้างอิงการตั้งค่า — ไฟล์การกำหนดค่าภายใต้ data/user/settings/ (JSON/YAML)

ทุกอย่างภายใต้ data/user/settings/ เป็น JSON/YAML ธรรมดา หน้า Settings คือโปรแกรมแก้ไขที่แนะนำ ส่วนรายการลงทะเบียน workspace แยกเก็บใน data/user/.runtime/workspaces.sqlite3

ไฟล์ วัตถุประสงค์
model_catalog.json การเชื่อมต่อ provider รวมถึงโปรไฟล์ LLM, task, embedding, search, TTS, STT, image และ video, credentials และตัวเลือกที่ใช้งานอยู่
system.json พอร์ต backend/frontend, public API base, CORS, SSL verification, ไดเร็กทอรีไฟล์แนบ และขีดจำกัดการอัพโหลด/การแยกเนื้อหา
auth.json สวิตช์ auth แบบเสริม, ชื่อผู้ใช้, password hash, การตั้งค่า token/cookie
integrations.json การตั้งค่า PocketBase แบบเสริมและการรวม sidecar
interface.json ความชอบภาษา UI และภาษา output ของ model / ธีม / แถบด้านข้างของ UI
document_parsing.json การเลือกเอ็นจินแยกวิเคราะห์และโมเดลอธิบายรูปภาพ, remote endpoints และตัวเลือกเฉพาะเอ็นจิน
video_learning.json provider คำบรรยาย YouTube, origins และการเข้าถึงบัญชี Invidious และการตั้งค่า transcript
main.yaml ค่าเริ่มต้นพฤติกรรม runtime และการ inject path
agents.yaml การตั้งค่า temperature และ token ของ capability/tool

การอ้างอิงของ Web Search จะถูกกรองโดยค่าเริ่มต้น โดยจะแสดงเฉพาะ URL สาธารณะ http/https ที่ไม่มี credentials ฝังอยู่หรือใช้พอร์ตที่ผิดปกติ การปรับใช้สามารถเพิ่มนโยบายโดเมนที่เน้นด้านการศึกษาใน data/user/settings/system.json:

{
  "web_search_source_filtering": {
    "enabled": true,
    "blocked_domains": ["spam.example"],
    "trusted_domains": ["edu.cn", "arxiv.org"]
  }
}

เมื่อ trusted_domains ไม่ว่าง การอ้างอิงจะถูกจำกัดไว้เฉพาะโดเมนเหล่านั้นและ subdomains ของโดเมนดังกล่าว โดย blocked_domains จะมีลำดับความสำคัญเหนือกว่าเสมอ

.env ที่ root ของโปรเจกต์จะ ไม่ ถูกอ่านเป็นไฟล์ config ของแอปพลิเคชัน สำหรับการตั้งค่า model เบื้องต้น ให้บันทึก Base URL และ API key ใน Settings → Providers จากนั้นเพิ่มและเลือก LLM ใน Language models เพิ่มโปรไฟล์ embedding เฉพาะเมื่อคุณวางแผนใช้ Knowledge Base / RAG features

สำหรับ API Route ให้เลือก API Route ใน Settings → Providers และกรอก API Route key preset ใช้ https://global.api-route.com/v1; จากนั้นเพิ่มโมเดลใน Language models โดยใช้ model ID ของ API Route ดูคู่มือเริ่มต้น API Routeสำหรับการตั้งค่า key และ model

โปรไฟล์ LLM และ task-model จะแสดงการตั้งค่า API format เมื่อ provider รองรับหลายตัวเลือก คงค่า Auto ไว้สำหรับการกำหนดเส้นทางและ fallback ตามปกติ หรือเลือก OpenAI Chat Completions, OpenAI Responses หรือ Anthropic Messages; การบังคับใช้ Responses ยังคง fail-closed ฟิลด์ที่บันทึกคือ api_format (auto, openai_chat, openai_responses หรือ anthropic); wire_api เป็นสถานะความเข้ากันได้ที่อนุมานจากค่านี้ การ override ระดับแต่ละโมเดลด้วย Auto / Supported / Not supported ครอบคลุมการเรียกใช้เครื่องมือ, การป้อนภาพ, เอาต์พุต JSON และตัวควบคุมการให้เหตุผล

ถอนการติดตั้งและทำความสะอาด

DeepTutor แยกโค้ดที่ติดตั้ง, runtime home ส่วนตัว และ Content Workspace ที่เป็นทางเลือกออกจากกัน โดยค่าเริ่มต้น runtime home คือไดเร็กทอรีที่คุณรัน deeptutor init / deeptutor start; --home PATH หรือ DEEPTUTOR_HOME จะ override ค่านี้ private application state คือไดเร็กทอรี data ภายใน home ดังกล่าว ดังนั้นบรรทัดใน startup banner ที่ขึ้นต้นด้วย Workspace: จึงระบุตำแหน่ง runtime นั้น หาก Settings → Workspace ชี้ไปที่โฟลเดอร์อื่น ให้สำรองหรือลบโฟลเดอร์เนื้อหานั้นแยกต่างหาก การถอนการติดตั้ง DeepTutor จะไม่ลบโฟลเดอร์นั้นโดยเจตนา

  1. หยุดแอป กด Ctrl+C ใน terminal ที่กำลังรัน deeptutor start หรือรัน deeptutor stop [--home PATH] สำหรับ launcher ที่เริ่มด้วย --detach; หยุด Partner ที่กำลังรันอยู่และ detached Docker containers ก่อนลบข้อมูล

  2. ลบข้อมูล runtime เฉพาะเมื่อคุณต้องการลบ local state ทั้งหมดด้วย ซึ่งรวมถึง settings และ API keys, ประวัติ chat, sessions, Memory, Notebooks, Books, สถานะ Reading, Skills, สถานะ Partners, logs, Knowledge Bases, parse caches, artifacts ที่สร้างขึ้น และ runtime cache ของ frontend ที่แพ็คไว้

    ก่อนอื่นให้คัดลอก path Workspace: ที่ตรงกันจาก startup banner และตรวจสอบว่า data child ของ path นั้นคือไดเร็กทอรีข้อมูล DeepTutor ที่ต้องการ สำรองข้อมูลไว้หากอาจต้องใช้ในภายหลัง จากนั้นย้ายไดเร็กทอรีที่ตรงกันนั้นไปยัง Trash/Recycle Bin ของระบบปฏิบัติการ ห้ามรันคำสั่งลบแบบ recursive กับ relative path หรือ environment variable ที่ยัง resolve ไม่สำเร็จ

  3. ถอนการติดตั้ง package ใช้คำสั่งที่ตรงกับ distribution:

    python -m pip uninstall deeptutor
    python -m pip uninstall deeptutor-cli
    

    หาก virtual environment ถูกสร้างขึ้นสำหรับ DeepTutor เท่านั้น ให้ลบผ่าน environment manager ของคุณ สำหรับการติดตั้งจาก source ให้ deactivate environment, ออกจาก source directory และรัน git status --short ภายใน checkout ที่ตรงกันนั้น ย้าย checkout ไปยัง Trash/Recycle Bin หลังจากยืนยันแล้วเท่านั้นว่าไม่มีงานที่ไม่เกี่ยวข้องหรือยังไม่ได้ commit

  4. สำหรับเส้นทาง Docker ให้ตรวจสอบ container และ named volume ที่ตรงกันก่อนลบ การลบ volume จะลบข้อมูลที่ Docker จัดการอย่างถาวร:

    docker ps -a --filter name=^/deeptutor$
    docker volume inspect deeptutor-data
    docker rm -f deeptutor
    docker volume rm deeptutor-data
    

📖 สำรวจ DeepTutor

เริ่มต้นด้วย workspace สำหรับวิชาหรือโปรเจกต์ โดย Home, Learning และ Resources เก็บบทสนทนา กิจกรรมการเรียน และสื่อการเรียนของคุณ ส่วน Partners และ Personalization จะผูกกับบัญชีของคุณข้าม workspaces การสำรวจด้านล่างแสดงให้เห็นว่าส่วนเหล่านี้เชื่อมต่อกันอย่างไร ตามด้วยการตั้งค่าและการปรับใช้แบบ multi-user

หากคำตอบทำข้อกำหนดก่อนหน้าหลุดหาย, อ้างหลักฐานที่อ่อน หรือไม่สอดคล้องกับสื่อที่เลือก ให้รวบรวมข้อมูลวินิจฉัยตาม REASONING_SAFETY_CHECKLIST.md ก่อนเปิด issue

หน้า Home และการนำทาง workspace ของ DeepTutor
🏗️ สถาปัตยกรรมระบบ
สถาปัตยกรรมระบบ DeepTutor
💬 Chat — ลูป Agent ที่คุณใช้จริง

Chat คือความสามารถเริ่มต้นและสถานที่ที่งานส่วนใหญ่เริ่มต้น thread เดียวสามารถพูดคุยตามปกติ, เรียกเครื่องมือ, อ้างอิงใน knowledge bases ที่เลือก, อ่านไฟล์แนบ, สร้างรูปภาพ, ปรึกษา subagents, เขียน notebook records และดำเนินการต่อด้วยบริบทเดียวกันตลอด turns

workspace Chat ของ DeepTutor

Tutor เรียกเครื่องมือตามต้องการและสามารถหยุดเพื่อถามคำถามชี้แจงได้ Customize page ที่มุมขวาบนใช้เลือกโหมดที่แสดงและตัวควบคุม Skills, MCP, Partners, Preferences และการป้อนข้อความด้วยเสียง ภายใต้ Starting prompts คุณสามารถเพิ่ม แก้ไข หรือลบชื่อและ prompts ใน Explain, Solve, Practice, Plan และ Research ได้ Save จะนำ preferences ของบัญชีไปใช้; Cancel จะทิ้งการแก้ไข และ Restore defaults จะคืนตัวเลือกเดิม

ลูป agent ของ Chat ใน DeepTutor

เครื่องมือที่ผู้ใช้สลับได้ ได้แก่ brainstorm, web_search, paper_search, zotero_search, reason, และ geogebra_analysis — รวมถึง imagegen และ videogen เมื่อคุณกำหนดค่าโมเดลสร้างที่ตรงกัน เครื่องมือตามบริบทเช่น 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 และ workspace_export จะ mount อัตโนมัติเมื่อ turn มีบริบทที่ถูกต้อง

บริบทมีสองประเภท: บริบท session ที่คงอยู่ (capability, workspace หรือ course, tools, knowledge bases, persona, model และสถานะ Reading / Mastery) คงอยู่ตลอด turns; การอ้างอิงครั้งเดียว (ไฟล์, ประวัติ chat, หนังสือ, ส่วนการอ่าน, notebooks, รายการคำถามที่เลือกจาก question bank, imported agents) มาจากเมนู + สำหรับ turn เดียว ปุ่ม voice ทำหน้าที่ถอดเสียงเฉพาะข้อความปัจจุบัน

เมื่อใช้โปรไฟล์เต็มรูปแบบ Home ทำให้ Chat, Ask Questions, Quiz, Visualize และ Video Lesson อยู่ห่างเพียงคลิกเดียว; Research สำหรับรายงานที่มีการอ้างอิงและ Solve สำหรับการให้เหตุผลแบบละเอียดอยู่ภายใต้ More Capabilities Learning → New learning ที่อยู่เหนือ All learning จะเปิดหน้าเฉพาะสำหรับ Books, Mastery Path, Immersive Reading และ Practice ตัวควบคุม Customize page ของหน้านี้ใช้ซ่อนหรือคืนวิธีการเรียนโดยไม่เปลี่ยน records ที่มีอยู่; โมดูลที่ไม่พร้อมใช้งานจะยังไม่แสดง Reading รวมเอกสาร วิดีโอ และเสียงไว้ด้วยกัน พร้อม citations ที่ตรวจสอบแล้ว, notes ที่บันทึกไว้, การอ่านออกเสียงอย่างเป็นธรรมชาติจากข้อความต้นฉบับ / คำแนะนำการเรียน / คำศัพท์ / quiz / การแปล และการบันทึกลง notebook

🤝 Partner — เพื่อนถาวรบนสมองเดียวกัน
workspace Partners ของ DeepTutor

Partners คือเพื่อนถาวรที่มี soul, นโยบาย model, ห้องสมุด, memory และช่องทางของตัวเอง พวกเขาไม่ใช่เอ็นจิน bot แยกต่างหาก: ทุกข้อความ web หรือ IM ที่เข้ามาจะกลายเป็น turn ปกติของ ChatOrchestrator ภายใน content workspace ส่วนตัวหรือที่ผูกไว้ของมัน partner คือ "chat ที่มีบุคลิกภาพและหมายเลขโทรศัพท์"

สถาปัตยกรรม Partners ของ DeepTutor

แต่ละ partner มี SOUL.md, การเลือก model, ช่องทาง, นโยบายเครื่องมือ และไลบรารีที่กำหนด ไลบรารีสามารถคัดลอก knowledge bases, skills และคอลเลกชัน Favorites ไปยัง data/partners/<id>/workspace/ หรือคงการเชื่อมโยงกับไฟล์และทรัพยากรของ workspace ที่มีอยู่ โดย soul, บทสนทนา และ Partner memory ยังคงแยกจากกัน ผู้ใช้ที่ผ่านการยืนยันตัวตนและไม่ใช่ admin จะมี Partner sessions และ relationship memory แบบส่วนตัว ขณะที่ Partner อ่าน personal memory ของพวกเขาแบบ read-only; traffic ของ admin, group และที่ไม่ผูกบัญชีจะใช้ shared Partner scope

การกำหนดค่าช่องทาง IM ต่อ partner

ชั้น channel ที่ขับเคลื่อนด้วย schema สามารถเชื่อมต่อกับแพลตฟอร์ม IM ได้แก่ Feishu, Telegram, Slack, Discord, DingTalk, QQ/NapCat, WeCom, WhatsApp, Zulip, Mattermost, Matrix, Mochat และ Microsoft Teams ขึ้นอยู่กับ extras ที่ติดตั้งและ credentials ที่กำหนดค่า partner ยังสามารถเชื่อมต่อเป็น subagent และปรึกษาได้จาก chat turn ปกติ — ดู My Agents ด้านล่าง

เพื่อการตั้งค่าที่รวดเร็วขึ้น หน้า channel ของ Partner สามารถสร้างแอป Feishu/Lark หรือ WeCom AI bot หรือลงชื่อเข้าใช้บัญชี WeChat ส่วนตัว ผ่านการสแกน QR ที่วาดในเบราว์เซอร์แทนที่จะอยู่ใน server log Feishu/Lark จะตรวจจับ account domain และบันทึกผู้ใช้ที่สแกนเป็นผู้ส่งที่ได้รับอนุญาตเริ่มต้น WeCom จะคง allowlist ที่มีอยู่ไว้ และหากไม่มีจะ default เป็นผู้ใช้ทุกคนที่เข้าถึง bot ได้ พร้อมคำเตือน open-access ที่มองเห็นได้ชัดเจน; ฟอร์ม channel แบบ manual ยังคงใช้งานได้หากโปรโตคอลการสแกนของ provider เปลี่ยนไป

🧑‍🚀 My Agents — ปรึกษาและนำเข้า Agents อื่น ๆ
workspace My Agents ของ DeepTutor

My Agents เปลี่ยน agent อื่น ๆ ให้กลายเป็นบริบทสำหรับ DeepTutor และทำสองสิ่งที่แตกต่างกัน เชื่อมต่อ agent แบบสด — Claude Code, Codex, Grok CLI, Antigravity, Kimi, opencode, MiMo Code, Hermes Agent, OpenClaw หรือ DeepSeek Harness บนเครื่องของคุณ, Hermes gateway ระยะไกล หรือหนึ่งใน Partners ของคุณ — และปรึกษามันจากภายใน chat turn: DeepTutor จริง ๆ รัน agent อื่นและ stream งานเข้าสู่แผง Activity ผ่านเครื่องมือ consult_subagent เลือก agent และขีดจำกัดจำนวนรอบด้วย Agent chip หรือใช้ @ กรองรายการ agent ที่เชื่อมต่อชุดเดียวกัน; การเลือกนี้จะผูกติดกับ session

เชื่อมต่อ Grok CLI ติดตั้ง Grok CLI ของ xAI บนเครื่องที่รัน backend ของ DeepTutor, รัน grok login ที่นั่น และตรวจสอบว่า grok --help แสดงรายการ --output-format streaming-json จากนั้นเปิด My Agents → Connect เลือก Grok CLI และเลือก working directory การตรวจจับจะตรวจสอบเฉพาะการรองรับ protocol ของ executable เท่านั้น ไม่ตรวจสอบการล็อกอินหรือการเข้าถึง model connector นี้ผ่านการทดสอบกับ Grok CLI 1.0.3; คำสั่งของบุคคลที่สามอื่น ๆ ที่ใช้ ชื่อ grok เช่นกันแต่ไม่เกี่ยวข้องกันจะไม่ได้รับการรองรับ

ใน Settings → Partners & Agents → Grok CLI ให้เว้น model และ reasoning effort ว่างไว้เพื่อใช้ค่าเริ่มต้นของ CLI หรือกรอกค่าที่รองรับตาม output ของ grok models ในบัญชีของคุณ System instructions จะถูกส่งผ่าน --rules permission mode เริ่มต้นคือ dontAsk: Grok จะใช้กฎที่มีอยู่และการจัดการ read-only ในตัว และปฏิเสธการดำเนินการที่ต้องอนุมัติ นี่คือ permission policy ระดับ CLI ไม่ใช่ filesystem sandbox โหมดที่กว้างกว่านี้สามารถเลือก ได้อย่างชัดเจนใน settings; advanced CLI flags ยังใช้งานได้ผ่าน backends.grok.extra_args ใน subagent settings API

Grok ใช้ authentication และ session storage ของตัวเอง; DeepTutor ไม่คัดลอก credentials ของมัน การปรึกษาครั้งต่อไปจะดำเนินต่อ session ของการเชื่อมต่อนั้น ใน working directory เดียวกัน ข้อความและ tool activity จะ stream แบบสด; private thought payloads จะถูกละเว้น Cross-session memory ของ Grok ปิดอยู่ โดยค่าเริ่มต้น connector นี้รองรับคำถามแบบข้อความและ CLI tools ไม่รองรับ การส่งต่อรูปภาพหรือการนำเข้าบทสนทนา Grok ในอดีต ใน Docker ให้ติดตั้งและ ยืนยันตัวตน Grok ภายใน backend container; CLI ที่ติดตั้งอยู่เฉพาะบนเครื่อง ของเบราว์เซอร์จะเข้าไม่ถึง

การปรับแต่งบัญชีส่วนบุคคล: agents, personas, skills และการเชื่อมต่อ

นำเข้าบทสนทนาในอดีต — นำประวัติ ChatGPT, Claude Code และ Codex ที่มีอยู่ของคุณมาเป็นบทสนทนาที่ค้นหาได้และสามารถดำเนินการต่อได้ เลือก conversations.json จาก official ChatGPT data export เพื่อทำ snapshot import ที่ปลอดภัยและ idempotent, เลือกประวัติ Claude ตาม project / working directory หรือเลือกประวัติ Codex ตามวันที่ในปฏิทิน agent แบบโฟลเดอร์ยังคงรีเฟรชได้ ทำให้ขอบเขตที่เลือกไว้ดึงบทสนทนาใหม่เข้ามาได้ อ้างอิงรายการหนึ่งจาก Chat turn ผ่าน + → My Agents และ DeepTutor จะอ่านมันเป็น transcript ของบุคคลที่สาม — มันยังคงเป็นบทสนทนา ของพวกเขา ไม่ใช่เสียงของ DeepTutor เอง

✍️ Learning Notebook — หน้า แหล่งข้อมูล และ Dito
หน้าของ Learning notebook

Learning notebook ซึ่งเดิมชื่อ Co-Writer จัดระเบียบงานเขียนของคุณเป็นหน้า หน้าย่อย และบล็อกภายใน workspace ที่ใช้งานอยู่ นำเข้าเอกสาร Word จัดโครงสร้างต้นไม้ของหน้า และแทรก records ต้นฉบับจาก Favorites เป็นหลักฐานได้ แต่ละหน้าจะแสดงสถานะการบันทึกและส่งออกเป็น Markdown หรือ Word ได้; เนื้อหาแบบโต้ตอบจะกลายเป็นเนื้อหาคงที่ใน Word

ตัวแก้ไขบล็อก Learning notebook และ Dito

สนทนาเกี่ยวกับข้อความหรือบล็อกกับ Dito: ขอคำอธิบาย ตัวอย่าง การเขียนใหม่ หรือคำถามฝึกฝน บทสนทนาจะยังผูกกับหน้าและบรรทัดที่เกี่ยวข้อง ตรวจทานการเปลี่ยนแปลงที่เสนอก่อนยอมรับ หรือแทรกคำตอบใต้บรรทัดแล้วทำงานต่อ Favorites เก็บ records ต้นฉบับไว้; notebook คือพื้นที่ที่คุณสร้างความเข้าใจของตัวเอง

📖 Book — หนังสือมีชีวิตจากเนื้อหาของคุณ
คลังหนังสือของ DeepTutor

Book แปลงแหล่งที่มาที่เลือกให้เป็น หนังสือมีชีวิต แบบโต้ตอบ — ไม่ใช่ PDF แบบคงที่ แต่เป็นสภาพแวดล้อมการอ่านที่สร้างจาก typed blocks หนังสือสามารถเริ่มจาก knowledge bases, Favorites, question banks หรือประวัติ chat; ขั้นตอนการสร้างจะเสนอ outline บทก่อนที่จะสร้างเนื้อหา ดังนั้นคุณจะตรวจสอบรูปร่างแทนที่จะยอมรับ output แบบ one-shot ที่มองไม่เห็น

บล็อก quiz ใน Book   โครงร่างและบทของหนังสือ   บล็อกวิดเจ็ตแบบโต้ตอบใน Book

แต่ละบทคอมไพล์เป็น typed blocks ที่แก้ไขได้ — text, callouts, quizzes, flash cards, timelines, code, figures, interactive HTML, animations, concept graphs, deep dives และ user notes — พร้อม Page Chat ของบทนั้นเอง คุณสามารถแทรก, ย้าย, สร้างใหม่, เขียนใหม่ หรือสลับประเภท block ได้; ข้อความบางช่วงที่เลือกไว้จะเข้าสู่กล่องรายการ learning capture สำหรับตรวจทาน ความคืบหน้า, bookmarks, ครั้งที่ทำ quiz, captures และ Page Chat ยังคงเป็นส่วนตัวสำหรับผู้อ่านแต่ละคน แม้หนังสือจาก admin จะถูกแชร์แบบอ่านอย่างเดียวหรือเปิดให้แก้ไขร่วมกัน; การลบหนังสือที่แชร์ยังคงทำได้เฉพาะ admin หนังสือทุกเล่ม export เป็น Markdown ได้, การคอมไพล์ที่ใช้เวลานานหยุดพักและทำต่อได้ และ deeptutor book health / refresh-fingerprints จะตรวจจับความเปลี่ยนแปลงของแหล่งข้อมูล

📚 Knowledge Center — ไลบรารี RAG หลายเอ็นจิน
DeepTutor Knowledge Center

Knowledge bases คือคอลเลกชันเอกสารที่อยู่เบื้องหลัง RAG — รองรับ Chat turns, การแก้ไข Learning notebook, Book generation และบทสนทนา Partner สิ่งที่โดดเด่นคือ การเลือกเอ็นจิน retrieval: LlamaIndex (ค่าเริ่มต้น, hybrid vector + BM25 พร้อม cross-encoder reranking แบบเสริม และ FAISS indexes แบบ exact-flat หรือ HNSW), PageIndex (reasoning retrieval พร้อม page-level citations, hosted หรือ self-hosted OSS), GraphRAG และ LightRAG (knowledge-graph retrieval), LightRAG Server (retrieval ที่ offload ไปยัง LightRAG instance ภายนอกที่คุณเชื่อมต่อผ่าน HTTP), WeKnora (retrieval จาก knowledge base ใน deployment แบบ self-hosted ของคุณ โดยไม่มี local index หรือสำเนาเอกสาร), Tencent IMA (ไลบรารีที่คุณคัดสรรใน IMA — ค้นหา เรียกดู และเขียนกลับผ่าน OpenAPI ของมัน), MarginNote 4 (ข้อมูลการเรียนใน MN4 ของคุณ — เอกสาร ข้อความที่คัดไว้ การ์ด mind-map และความเชื่อมโยงระหว่างสิ่งเหล่านั้น — ที่ถูกส่งเข้ามาโดย Add-on ของแอปและนำทางได้ด้วยเครื่องมือเฉพาะ), Kiwix (ZIM archive ที่ค้นหาได้ซึ่งให้บริการผ่าน HTTP โดยไม่ต้องทำ local indexing) หรือ Obsidian vault ที่เชื่อมโยง tutor อ่านและเขียนในที่ KB แต่ละอันถูกผูกกับเอ็นจินหนึ่ง

สร้าง knowledge base

กำลังย้ายไลบรารี Obsidian, Hermes หรือ Markdown ที่มีอยู่ใช่ไหม ดู คู่มือการย้ายข้อมูล Knowledge สำหรับเส้นทางแบบ connected-vault และ indexed-copy

เมื่อสร้าง KB คุณสามารถ สร้างใหม่ (อัพโหลดและทำ index เอกสาร), เชื่อมโยงที่มีอยู่ (ใช้ index เดิมในที่เดิม) หรือ เชื่อมต่อ Kiwix (ค้นหา ZIM archive หนึ่งชุดที่ให้บริการอยู่ตามต้องการ) เลือก storage workspace ขณะสร้าง; หลังจากดูตัวอย่างแล้ว คุณสามารถย้าย KB ที่มีอยู่ระหว่าง workspaces โดยคงการกำหนดและการอ้างอิงที่บันทึกไว้ KB ยังสามารถติดตาม GitHub repositories (repo, branch, glob) หรือ URL ของเว็บไซต์เอกสาร (จำกัดความลึกในการ crawl และจำนวนหน้า โดย re-sync ทุก 24 ชั่วโมงเป็นค่าเริ่มต้น) ได้; การ sync จะเปรียบเทียบ hash ของเนื้อหาที่เพิ่ม เปลี่ยนแปลง และลบ เพื่อให้เอกสารที่ติดตามทันสมัยอยู่เสมอโดยไม่ต้องอัพโหลดใหม่ และ linked folders จะดึงไฟล์ local ที่เพิ่มหรือเปลี่ยนแปลงเข้ามาเมื่อ sync การ re-indexing จะเขียน directory version-N ใหม่แบบแบนและเก็บอันก่อนหน้าไว้ ดังนั้น index ที่ทำงานอยู่จะไม่ถูกทำลายระหว่างการสร้างใหม่ สามารถลบเอกสารหนึ่งรายการได้แม้ KB จะอยู่ในสถานะ error — ตัดไฟล์ที่แยกวิเคราะห์ไม่สำเร็จออกโดยไม่ต้องลบและสร้างใหม่ทั้งหมด การแยกวิเคราะห์เอกสาร — Text-only, MinerU, Docling, Tika, markitdown, PyMuPDF4LLM หรือ LiteParse — และโมเดลอธิบายรูปภาพที่เป็นทางเลือก ถูกเลือกใน Settings → Knowledge & documents โดยการดาวน์โหลด local model ปิดโดยค่าเริ่มต้น Docling ยังสามารถรันในโหมด remote กับเซิร์ฟเวอร์ Docling Serve ได้ (ไม่ต้องติดตั้ง local หรือใช้ model ใด ๆ) โดยกำหนดค่าในหน้านั้น (mode=remote, server base URL และ API key ที่เป็นทางเลือก) หรือผ่าน environment variables DOCLING_MODE / DOCLING_API_BASE_URL / DOCLING_API_TOKEN Tika ทำงานในโหมด remote เท่านั้นและชี้ไปยังเซิร์ฟเวอร์ Apache Tika ที่กำหนดค่าไว้ในหน้านั้น CLI ครอบคลุม lifecycle ด้วย list/info/create/connect-kiwix/add/search/eval/eval-diff/set-default/delete, คำสั่งเพิ่ม/ลบ source, list-sources และ sync

เอ็นจิน LightRAG ในตัวติดตั้งด้วย pip install 'deeptutor[rag-lightrag]' ส่วนเสริมนั้นมี SDK LightRAG ที่รองรับอยู่ แต่ไม่ได้ติดตั้ง MinerU เลือก MinerU แยกต่างหากใน Document Parsing แล้วกำหนดค่าโหมด cloud ของมันหรือติดตั้ง local CLI เวอร์ชันปัจจุบันเมื่อต้องการการแยกวิเคราะห์แบบมีโครงสร้าง MinerU รองรับ PDF, รูปภาพ raster ทั่วไป, DOCX, PPTX และ XLSX; คำสั่ง magic-pdf แบบ legacy ยังคงรองรับเฉพาะ PDF เท่านั้น Text-only และเอ็นจินแยกวิเคราะห์อื่น ๆ ไม่จำเป็นต้องใช้ MinerU

การ query และการทำ indexing แบบ incremental ของ LightRAG แบบ native ต้องใช้การตั้งค่า embedding ที่บันทึกไว้โดย index ที่เผยแพร่แล้ว ซึ่งรวมถึง model, dimension และ endpoint identity หากมีการเปลี่ยนแปลง ให้คืนค่าการตั้งค่าเดิมหรือสร้างใหม่ด้วย embedding ปัจจุบัน; index ที่ไม่มีการบันทึก embedding identity ไว้จำเป็นต้องสร้างใหม่ หน้ารายละเอียด knowledge base และหน้า index version จะแสดงคำแนะนำในการกู้คืน ในขณะที่ไฟล์ยังคงเปิดดูและดาวน์โหลดได้อยู่

การประเมินคะแนนฐานความรู้ เมื่อมีหลายเอ็นจินให้เลือก คำถามว่า "เอ็นจินไหนค้นคืนข้อมูลได้ดีที่สุดสำหรับเนื้อหานี้?" ต้องตอบด้วยการทดลอง — deeptutor kb eval จึงช่วยตอบคำถามนี้ สร้างชุด QA (หนึ่ง JSON object ต่อบรรทัด: query พร้อมข้อความ gold ที่การค้นคืนในอุดมคติควรส่งกลับ) จากนั้นประเมิน KB ด้วย deeptutor kb eval <name> --dataset qa.jsonl --top-k 5 [--mode hybrid] [--save baseline.json] แต่ละกรณีจะค้นคืนผ่านเส้นทางเดียวกับที่ chat turn ใช้ โดยจับคู่ citations ที่จัดอันดับแล้วกับข้อความ gold ด้วยข้อความที่ตรงกันหรือการทับซ้อนของคำ (ปรับ threshold ได้ด้วย --min-ratio; ไม่ได้ประเมินความเทียบเท่าทางความหมาย) และรายงาน Recall@k / Precision@k / nDCG@k / MRR / MAP / Hit@k metrics เป็นฟังก์ชันบริสุทธิ์ที่คำนวณจากอันดับ โดยไม่มีโมเดลตัดสิน output เปรียบเทียบรายงานที่บันทึกไว้ด้วย deeptutor kb eval-diff baseline.json candidate.json เพื่อดูการเปลี่ยนแปลงของแต่ละ metric และแต่ละกรณี ใช้ --rewrite off หรือ --rewrite standalone กับ kb eval เพื่อเปรียบเทียบ query ต้นฉบับกับ query ที่เขียนใหม่ โดยรายงานจะเก็บข้อมูลที่มาของการเขียน query ใหม่ไว้ กรณีที่ค้นหาไม่สำเร็จ (เช่น ไม่มี index หรือ credentials ไม่ถูกต้อง) จะไม่มีคะแนนและรายงานแยกต่างหาก แทนที่จะทำให้ค่าเฉลี่ยลดลง PageIndex ใช้การให้เหตุผลเป็น retrieval และไม่ส่งคืน chunks ที่จัดอันดับ จึงไม่รวมอยู่ในการประเมินนี้

{"query": "Why do transformers scale attention?", "gold": ["Scaling keeps the dot products from growing with the dimension."]}
🌐 Resources และ Personalization — สื่อการเรียนและความช่วยเหลือที่นำมาใช้ซ้ำได้
ทรัพยากรใน workspace ที่ใช้งานอยู่

Resources รวม Chat History, Favorites ที่ย้าย records และส่งออก Markdown ได้, Learning journal, Knowledge Center และคลังคำถามพร้อมคำตอบและคำอธิบาย เริ่ม Practice จากคำถามที่เลือกในคลังคำถามหรือจาก Learning → Practice เพื่อทบทวน ติดตามข้อผิดพลาด และทบทวนซ้ำตามกำหนด หน้า Personalization ที่แยกออกมาต่างหากเก็บ personas, skills (SKILL.md playbooks), MCP Services แบบคลิกเดียว และ CLI Apps จาก catalog CLI-Anything โดยแต่ละรายการมีคู่มือการใช้งานที่โหลดตามต้องการ Learning จัดกลุ่มหนังสือ mastery paths คอลเลกชันการอ่าน และบทสนทนากับ tutor ที่เกี่ยวข้อง; asset แต่ละรายการจะแสดงเฉพาะในเวิร์กโฟลว์ที่รองรับเท่านั้น

ไลบรารี skills ใน Personalization

คุณไม่จำเป็นต้องเขียน skill ทุกอันเอง — นำเข้าจาก EduHub จะเรียกดู catalog ชุมชนและดาวน์โหลด skill ตรงเข้า library ผ่านประตูความปลอดภัย (ดู ระบบนิเวศ)

🧠 Memory — การปรับแต่งส่วนบุคคลที่ตรวจสอบได้
ภาพรวม Memory ของ DeepTutor

Memory คือระบบไฟล์สามชั้นที่คุณอ่าน, จัดการ และตรวจสอบได้ — โดยเจตนาไม่ใช่ vector store ที่ซ่อนอยู่ L1 คือ workspace mirror พร้อม append-only event trace (trace/<surface>/<date>.jsonl); L2 คือข้อเท็จจริงที่จัดการต่อพื้นผิว (L2/<surface>.md) พร้อมการอ้างอิงถึงเอนทิตี L1; L3 คือการสังเคราะห์ข้ามพื้นผิว (L3/<profile|recent|scope|preferences>.md) ที่บันทึกพื้นผิว L2 ซึ่งมีส่วนร่วม

กราฟ Memory ของ DeepTutor

Memory Graph แสดงพีระมิดทั้งหมด — การสังเคราะห์ L3 ที่ศูนย์กลาง, L2 ในวงกลาง, L1 traces ด้านนอก — พร้อมเส้นเชื่อมหลักฐาน L2 → L1 ที่ตรงตัว และลิงก์ L3 → พื้นผิวที่มีส่วนร่วม Memory ถูกติดตามใน surfaces: chat, notebook, quiz, kb, book, partner และ cowriter; งบประมาณ Update / Audit / Dedup ของ consolidator ปรับได้ใน Settings → Memory

⚙️ Settings — Control Plane เดียว
ตัวนำทาง Settings

Settings คือศูนย์ควบคุมการทำงาน โดยเปิดที่หน้า General สำหรับภาษา UI และภาษา output ของ model ตัวนำทางที่ค้นหาได้เชื่อมไปยังหน้าแยกกัน: Personal ครอบคลุม Workspaces, Data migration, Appearance และ Usage statistics; Learning & conversation ครอบคลุมจุดเริ่มต้น ไฟล์แนบ Video Learning การควบคุมผู้เรียนและผู้ปกครอง Learning progress และ Memory; Models & services ครอบคลุม Providers, Language models, Task models, Embedding, Search, Voice และ Multimodal generation; Features & integrations ครอบคลุมเครื่องมือ พารามิเตอร์ความสามารถ Partners & agents และ Knowledge & documents System มี Network, Runtime status และ About; Archived chats ใช้ค้นหา กู้คืน หรือลบบทสนทนาที่เก็บถาวรอย่างถาวร Runtime status แสดงสถานะ backend, resident memory และเมทริกซ์ Readiness ที่ประเมินปัญหาที่ขัดขวาง คำเตือน และข้อเสนอแนะของความสามารถ Workspaces แยกไฟล์แต่ละหัวข้อและสถานะการเรียน โดยมีการย้ายข้อมูลที่ตรวจสอบแล้วและการส่งออกใน Data migration provider เก็บที่อยู่และ credential ของผู้ให้บริการเพื่อให้ model ของบริการนั้นใช้ซ้ำได้ หน้า model เลือก provider ที่บันทึกไว้และกำหนดชื่อและความสามารถของ model Task models กำหนด model ขนาดเล็กที่รวดเร็วสำหรับงานเบื้องหลัง เช่น การตั้งชื่อบทสนทนาและเขียนจุดเริ่มต้น และใช้ model เริ่มต้นที่ใช้งานอยู่เมื่อปล่อยว่าง Voice รวมการสังเคราะห์เสียงพูดและการถอดเสียง ส่วน Multimodal generation รวม model ภาพและวิดีโอ Partners & agents กำหนดค่า harness ในเครื่องและ Hermes gateway ระยะไกล

เสียงพูด Xiaomi MiMo เพิ่ม Xiaomi MiMo provider ด้วย https://api.xiaomimimo.com/v1 และ API key จากนั้นเพิ่ม mimo-v2.5-tts ใน Settings → Voice เลือก preset เช่น mimo_default, 冰糖 หรือ 苏打, ใช้ output แบบ wav หรือ pcm16 และทดลองฟังก่อนนำไปใช้ คำสั่งเสียงควบคุมรูปแบบและความเร็วในการพูด adapter นี้รองรับเฉพาะเสียง preset; การออกแบบเสียงและการโคลนเสียงต้องใช้โมเดลแยกต่างหากและไม่รองรับใน adapter นี้ หากเคยกำหนดค่าโมเดลเสียง MiMo รุ่นเก่าผ่าน adapter ทั่วไปที่เข้ากันได้กับ OpenAI ให้สร้างรายการเสียงใหม่โดยใช้ Xiaomi MiMo provider เพื่อให้ใช้ protocol chat-completions ดูคู่มือเสียง MiMo อย่างเป็นทางการ

เสียงพูด MiniMax — ใน Settings → Voice เลือก MiniMax สำหรับ text-to-speech และเลือก speech-2.8-hd กำหนดค่า MiniMax API key แล้วเลือกเสียงของระบบอย่างชัดเจนหรือกรอก voice ID ที่กำหนดเอง API base เริ่มต้นคือ https://api.minimax.io/v1; สำหรับภูมิภาคจีนใช้ https://api.minimaxi.com/v1 การอ่านออกเสียงและการทดลองเสียงใช้ native speech endpoint พร้อม output แบบ MP3, WAV, FLAC หรือ PCM รวมถึงตัวควบคุม sample rate, ความเร็ว และภาษา ดูMiniMax speech APIสำหรับ voice IDs และความพร้อมใช้งานของบัญชี

Video Learning ภายใต้ Settings → Learning & conversation กำหนดค่าคำบรรยาย YouTube และการเข้าถึง Invidious สำหรับ Reading หากต้องการใช้ Invidious ให้ตั้งค่า backend API origin ที่ผู้ดูแลระบบจัดการ (ตัวอย่างเช่น http://127.0.0.1:3000) และ public origin ที่เบราว์เซอร์เข้าถึงได้ ทดสอบการเชื่อมต่อ เลือก Invidious แล้วบันทึก Browse Invidious ในกล่องเพิ่มสื่อของ Reading ใช้ค้นหาวิดีโอและเข้าถึง subscriptions และ playlists ที่เชื่อมต่อไว้ การเล่น YouTube ใช้ player อย่างเป็นทางการที่เพิ่มความเป็นส่วนตัว; หากไม่มีคำบรรยาย ระบบจะแสดงสถานะนี้และจำกัดหลักฐานที่ tutor ใช้ โดยไม่ปิดกั้นการเล่นแบบ native ใน source checkout ให้รัน python scripts/install_extras.py video-learning สำหรับตัวโหลดคำบรรยาย YouTube เริ่มต้น ลิงก์ Watching ที่มีอยู่จะย้ายเข้า Reading โดยรักษาประวัติการสนทนา transcript ที่เข้ากันได้ notes และความคืบหน้าไว้; notes ที่อ้างอิง timestamp รายการใหม่จะเป็น annotations ของ Reading ส่วน Bilibili ใช้เส้นทางการเล่นและคำบรรยายของตัวเอง

การตั้งค่ารูปลักษณ์และธีมของ DeepTutor

ส่วนส่วนใหญ่ใช้ draft-and-apply flow เพื่อให้คุณทดสอบ provider ก่อนยืนยัน คุณยังสามารถแค่ถามใน Chat ได้เช่นกัน: ผู้ช่วยจะอ่านการกำหนดค่าปัจจุบัน, ใช้การเปลี่ยนแปลง และบอกว่าจำเป็นต้องรีสตาร์ทหรือ re-index หรือไม่ — โดยทดสอบ model ใหม่ก่อนที่จะยืนยัน จึงไม่สามารถเปลี่ยนตัวเองไปยังสิ่งที่เข้าถึงไม่ได้ API keys จะไม่ผ่านเข้าไปใน model เลย ซึ่งจะเปิดฟอร์มที่ตรงกันให้คุณแทน ธีมสี่แบบมาในกล่อง — Default, Cream, Dark และ Glass ไฟล์ .env ที่ root ของโปรเจกต์ถูกเพิกเฉยโดยเจตนา; การกำหนดค่า runtime อยู่ใน data/user/settings/*.json เว้นแต่ DEEPTUTOR_HOME หรือ deeptutor start --home จะชี้แอปไปที่อื่น

OpenAI Codex OAuth (ทดลอง) การเพิ่ม OpenAI Codex ภายใต้ Settings → Providers จะเปิดการลงชื่อเข้าใช้ผ่านเบราว์เซอร์ที่รันกับแผน ChatGPT ของคุณเอง จึงไม่จำเป็นต้องใช้ OPENAI_API_KEY Tokens อยู่เฉพาะใน data/system/user-secrets/<owner>/private/openai-codex/ — ในการปรับใช้แบบ multi-container ด้วย Compose จะอยู่นอกเหนือทุก tree ที่ exec sandbox สามารถเข้าถึงได้ — และ DeepTutor จะไม่อ่านหรือแก้ไข ~/.codex CLI login ของคุณเลย รายการ model มาจาก catalog แบบสดของบัญชีนั้น; การลงชื่อเข้าใช้จะเผยแพร่โปรไฟล์ แต่จะกลายเป็น model ที่ใช้งานอยู่ก็ต่อเมื่อยังไม่มีการกำหนดค่า LLM ใด ๆ เท่านั้น เนื่องจาก token อนุญาตให้ใช้แผนของคนคนเดียว โปรไฟล์นี้จึงไม่สามารถแชร์ผ่าน per-user grants ได้ — แต่ละบัญชีต้องลงชื่อเข้าใช้ด้วยตัวเอง รวมถึงผู้ใช้ทั่วไปด้วย: การ์ดลงชื่อเข้าใช้ของพวกเขาจะอยู่ภายใต้ Providers และ models, catalog และการลงชื่อออกที่ได้จะเป็นส่วนตัวเฉพาะบัญชีนั้นเท่านั้น

เมื่อลงชื่อเข้าใช้และตอน Refresh models DeepTutor จะอ่านเวอร์ชันเสถียรล่าสุดของ @openai/codex จาก official npm registry และใช้เป็น client_version ของ catalog request นี่เป็นเพียง metadata: จะไม่ติดตั้ง ดาวน์โหลด หรืออัพเกรด Codex CLI และ npm request จะไม่พก OAuth credentials ไปด้วย การค้นหานี้มี deadline สามวินาทีและขีดจำกัดขนาด response 64 KiB หากล้มเหลว DeepTutor จะใช้เวอร์ชันที่สำเร็จล่าสุดของบัญชีนั้น หรือ fallback ที่มีอยู่ในตัวเมื่อไม่มีอะไรถูก cache ไว้ จะบันทึกเวอร์ชันใหม่ก็ต่อเมื่อ catalog แบบสดถูก parse สำเร็จเท่านั้น; validators จะไม่ถูกนำมาใช้ซ้ำข้ามเวอร์ชันหรือข้าม credential generation การถูกปฏิเสธเวอร์ชันหรือโครงสร้าง catalog ที่เข้ากันไม่ได้จะอนุญาตให้ retry หนึ่งครั้งด้วยเวอร์ชันก่อนหน้า; ความล้มเหลวด้าน authentication, rate-limit และ TLS จะไม่ถูก retry ในฐานะปัญหาเรื่องเวอร์ชัน การรีเฟรชแบบ manual ที่ล้มเหลวจะรายงาน error แทนที่จะนำ catalog ที่ cache ไว้เดิมมาแสดงว่าถูกรีเฟรชแล้ว

ประวัติเวอร์ชันที่สำเร็จจะยังอยู่รอดผ่านการ renew token ของบัญชีเดิมและข้อผิดพลาด authentication ของ catalog โดยไม่ทำให้ model data หรือ ETags ที่ invalidate แล้วกลับมาใช้ได้อีก การลงชื่อออกจะล้าง local cache ของบัญชีนั้น รวมถึงประวัติเวอร์ชันด้วย การอ่านสถานะปกติและ inference จะไม่ query npm รายการ catalog ใหม่จะไม่แทนที่ model ที่คุณเลือกไว้แล้วหรือรีสตาร์ท learning session; การปรากฏใน catalog ไม่ได้เป็นการยืนยันความเข้ากันได้ของ inference protocol แบบสมบูรณ์ ไม่มี background version updater หรือ user version setting

การปรับใช้ Docker และ Podman บนเครื่อง local แบบเริ่มต้นใช้ loopback network แยกจากกัน และต้องการสะพานเชื่อมชั่วคราวระหว่างการลงชื่อเข้าใช้ ทำตาม คู่มือสะพานเชื่อม Codex OAuth ชั่วคราวสำหรับเครื่อง local สำหรับคำสั่ง Docker, Compose, Podman และ teardown ที่แน่นอน

สำหรับการปรับใช้แบบ remote localhost ของเบราว์เซอร์และ localhost ของเซิร์ฟเวอร์คือคนละเครื่องกัน ดังนั้น reverse proxy ธรรมดาเพียงอย่างเดียวไม่สามารถส่ง callback แบบ localhost ของเบราว์เซอร์ไปถึงเซิร์ฟเวอร์ได้ ให้ใช้ SSH tunnel เป็นสะพานเชื่อม callback ตัว tunnel จะไปถึงพอร์ต Web ที่เผยแพร่อยู่แล้ว; Next.js จะ rewrite เฉพาะ callback path ที่ตรงเป๊ะไปยัง public callback broker เท่านั้น และ broker จะตรวจสอบ state ก่อนที่จะ route ไปยัง OAuth operation ต้นทาง callback listener ยังคงอยู่ที่ backend loopback พอร์ต 1455 และ 1457 จะไม่ถูกเผยแพร่ และเส้นทางนี้รองรับ Docker bridge network เริ่มต้น

ssh -N -L 1455:127.0.0.1:3782 <ssh-user>@<server-host>

หาก DeepTutor รายงาน callback port สำรอง 1457 ให้ใช้:

ssh -N -L 1457:127.0.0.1:3782 <ssh-user>@<server-host>

รันเฉพาะคำสั่งเดียวที่ตรงกับ callback port จริงเท่านั้น อย่ารันทั้งสองคำสั่ง 3782 เป็นเพียงพอร์ต Web ตัวอย่าง: มันคือพอร์ต frontend/container ที่กำหนดค่าไว้ซึ่งรายงานเป็น callback_forward_port ค่านั้นไม่ได้รับประกันว่าพอร์ตเดียวกันจะ listen อยู่ที่ 127.0.0.1 ของ SSH host หาก Docker หรือ Podman เผยแพร่พอร์ต host ที่แตกต่างออกไป หรือ reverse proxy listen อยู่ที่พอร์ตอื่น ให้แทนที่เฉพาะพอร์ตปลายทางด้านขวา (3782 ด้านบน) ด้วยพอร์ต Web ที่ listen อยู่จริงที่ 127.0.0.1 ของ SSH host; คงพอร์ต callback ด้านซ้ายไว้เป็น 1455 หรือ 1457 <server-host> คือ SSH host ที่เป็นเจ้าของพอร์ตที่ listen นั้นผ่าน loopback หากเบราว์เซอร์ URL ระบุชื่อ reverse proxy หรือ load balancer ให้แทนที่ด้วย SSH frontend host ที่ถูกต้อง

CLI จะพิมพ์คำสั่ง tunnel ออกมาแล้วพยายามเปิดเบราว์เซอร์ทันที สำหรับการปรับใช้แบบ remote ให้เปิดหน้า authorization ค้างไว้โดยยังไม่กดยืนยัน สร้าง tunnel ที่พิมพ์ออกมาในอีก terminal หนึ่ง แล้วค่อยดำเนินการ authorization ต่อ

การตรวจจับ remote topology มีข้อจำกัดที่ขอบเขต localhost หาก Web เองถูกเข้าถึงผ่าน SSH หรือ IDE localhost forward เบราว์เซอร์จะไม่สามารถบอกได้ว่าเซิร์ฟเวอร์อยู่ remote สำหรับ Web operation ปัจจุบัน ให้เปิดหน้า authorization ของมันค้างไว้โดยยังไม่เสร็จสมบูรณ์ อ่าน redirect_uri ใน authorize URL ของ operation นั้นเพื่อระบุ callback port 1455 หรือ 1457 แล้วสร้าง tunnel ตัวที่สองจากพอร์ต local นั้นไปยังพอร์ต Web จริง หรืออีกทางหนึ่งคือยกเลิก Web operation นั้นแล้วเริ่ม operation ใหม่ด้วย CLI; ผลลัพธ์ของ CLI เป็นของ operation ใหม่และต้องไม่นำไปใช้กับ Web operation เดิม ข้อผิดพลาดเรื่อง quota และความล้มเหลวของ catalog จะถูกรายงานตามจริงและจะไม่ตกกลับไปใช้ provider แบบเสียเงินแทนเด็ดขาด เส้นทาง compatibility นี้ยังอยู่ในขั้นทดลอง: อินเทอร์เฟซต้นทางอาจเปลี่ยนแปลงได้

👥 Multi-User — การปรับใช้แบบแชร์ · auth แบบเสริม, workspace ต่อผู้ใช้แบบแยกส่วน

การยืนยันตัวตน ปิดอยู่โดยค่าเริ่มต้น — DeepTutor ทำงานแบบผู้ใช้คนเดียว เปิดใช้งานและ tree data/ หนึ่งจะโฮสต์ workspace ของ admin, workspace ต่อผู้ใช้แบบแยกส่วน และ workspace ของ partner ไว้ด้วยกัน:

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)

ผู้ใช้คนแรกที่ลงทะเบียนจะกลายเป็น admin และเป็นเจ้าของ model catalogs, provider credentials, shared knowledge bases, skills, หนังสือที่แชร์ซึ่งเป็นต้นฉบับกลาง และ per-user grants ผู้ใช้ local ที่ admin สร้างจะเลือก Standard, Learner หรือ Custom โดย Learner จะล็อก learning capabilities และนโยบายสื่อ, เพิ่ม adaptive profile และรองรับ device credentials ที่เพิกถอนได้พร้อมวันหมดอายุและขีดจำกัดรายวัน; guardians ที่ได้รับอนุญาตสามารถดูรายงาน, อนุมัติสื่อ และรีเซ็ต credentials ได้ ผู้ใช้อื่นจะได้รับ workspace แบบแยกส่วนพร้อมสิทธิ์เข้าถึง models, KBs, skills, Partners และหนังสือที่แชร์แบบมีขอบเขต โดยไม่ได้รับ API keys ดิบ หาก auth.json มี username + password_hash อยู่แล้ว บัญชีนั้นคือ admin: /register จะยังคงปิดอยู่ และบัญชีที่สร้างจาก /admin/users จะเป็น role=user เสมอจนกว่าคุณจะเลื่อนสิทธิ์

เปิดใช้งาน: เปิด auth ใน data/user/settings/auth.json, รีสตาร์ท deeptutor start, ลงทะเบียน admin คนแรกที่ /register จากนั้นเพิ่มผู้ใช้จาก /admin/users และกำหนด models, KBs, skills, Partners, นโยบาย tool/MCP/CLI-app และสิทธิ์การรันโค้ดผ่าน grants; กำหนดค่าหนังสือที่แชร์ในแผง Book access ของผู้ใช้แต่ละคน

สำหรับ origin ส่วนตัว/สาธารณะที่แยกจากกัน ให้ตั้งค่า auth.private_login_hosts (หรือ AUTH_PRIVATE_LOGIN_HOSTS) เป็น frontend host ส่วนตัวที่อาจแสดงการลงชื่อเข้าใช้ด้วย password และการลงทะเบียน frontend จะส่งต่อ Host ของ HTTP ที่เข้ามาไปยัง backend เป็น frontend-host assertion ของมัน คงค่า Host ของเบราว์เซอร์ไว้ตลอดผ่าน reverse proxy ของคุณ และทำให้ public ingress ปฏิเสธ request ที่ระบุ private host; อย่าเปิดเผยพอร์ต Next.js แบบ raw ที่ยอมรับค่า Host ใด ๆ ก็ได้ HTTP Host สามารถถูกปลอมแปลงโดย client โดยตรงได้ ดังนั้นการอนุญาต private-host จึงขึ้นอยู่กับขอบเขตของ ingress นั้น โดยค่าเริ่มต้น backend จะยอมรับ frontend-host assertions จาก loopback เท่านั้น หาก Web frontend เชื่อมต่อมาจาก container หรือเครื่องอื่น ให้ตั้งค่า AUTH_TRUSTED_FRONTEND_PROXY_IPS เป็น IP ที่ตรงเป๊ะของ frontend proxy นั้นบน backend process (คั่นด้วยจุลภาคหากมีมากกว่าหนึ่ง) ค่านี้จะแทนที่ค่าเริ่มต้น; หากยังต้องการให้ frontend ในเครื่องเชื่อมต่อได้ ให้รวม 127.0.0.1,::1 ด้วย เก็บ backend API ให้เป็นส่วนตัวสำหรับ frontend proxy เท่านั้น และไม่ควรรวม client network ทั่วไปไว้ในรายการนี้ เมื่อ private_login_hosts ไม่ว่าง ผู้ใช้ที่ผ่านการยืนยันตัวตนบน private origin จะเปิด Profile → Public device sign-in และสร้างลิงก์ pairing แบบผูกกับ host และมีอายุสั้นสำหรับ HTTPS public origin ได้ หน้า public /handoff จะแลก one-time code เป็น JWE ticket ที่มีอายุสั้นเท่ากันใน POST body, ใช้ ticket นั้นครั้งเดียว และได้รับ session cookie แบบ HttpOnly ตามปกติ

PocketBase ยังคงเป็น integration สำหรับผู้ใช้คนเดียว — เว้น integrations.pocketbase_url ว่างสำหรับการปรับใช้ multi-user เว้นแต่คุณจะเชื่อมต่อ user store ภายนอก

⌨️ DeepTutor CLI — อินเทอร์เฟซ Agent-Native

binary deeptutor เดียว, สองวิธีเข้า: REPL แบบโต้ตอบสำหรับคนที่อยู่ใน terminal และ JSON ที่มีโครงสร้างสำหรับ agents อื่น ๆ ที่ขับเคลื่อน DeepTutor เป็นเครื่องมือ ความสามารถ, เครื่องมือ และ knowledge bases เหมือนกันทั้งสองแบบ

ขับเคลื่อนด้วยตัวเอง

deeptutor chat เปิด interactive REPL และเลือกโหมดด้วย --capability; deeptutor run <capability> "<message>" รับ capability เป็น positional argument แรกแล้วออกหลังจากหนึ่ง turn ทั้งสองรองรับ --tool, --kb, --config และ --workspace เพื่อเลือก workspace ที่ลงทะเบียนไว้

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 ให้บริบทสำหรับเครื่องมือ RAG และ Knowledge Frontier ที่ใช้โดยอัตโนมัติ; Frontier ต้องมีทั้งโมดูล knowledge และ research ส่วน --tool ใช้เลือกเครื่องมือที่ผู้ใช้สลับได้ โมดูลที่เปิดใช้งานยังให้คำสั่ง KB, session, partner, skill, notebook, memory และ config ด้วย

ให้ agent ขับเคลื่อน

DeepTutor ถูกสร้างมาเพื่อ ดำเนินการโดย agent อื่น เพิ่ม --format json ใน run ใด ๆ และแต่ละ turn จะ stream NDJSON — หนึ่ง event ต่อบรรทัด (content, tool_call, tool_result, done, …) ทุกบรรทัดมี session_id กำกับ การรันปลอดภัยสำหรับ headless: การหยุด ask_user ที่ไม่มี TTY จะ auto-resolve ด้วยการตอบกลับว่างแทนที่จะหยุดรอ

# 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

repo มี root SKILL.md — เอกสาร handover แบบกระชับสำหรับ CLI ขอให้ agent ของคุณอ่านไฟล์นี้อย่างชัดเจน; คู่มือ Agent Setup ครอบคลุมการติดตั้งและการกำหนดค่า คุณยังสามารถ wrap deeptutor run เป็นเครื่องมือใน LangChain / AutoGen loop ได้ด้วย สูตรเต็ม: Agent Handoff

เอกสารอ้างอิงคำสั่ง

ตารางนี้ครอบคลุมการติดตั้งเต็มรูปแบบและส่วนเสริมที่เป็นทางเลือก; คำสั่งและความสามารถต้องมีโมดูลที่เกี่ยวข้องเปิดใช้งานอยู่ Core มี chat และ ask_questions

คำสั่ง คำอธิบาย
deeptutor init [--non-interactive] [--home PATH] รันตัวช่วยตั้งค่า หรือสร้างค่าเริ่มต้นที่ยังขาดโดยไม่แสดง prompt
deeptutor doctor [--online] ตรวจสอบว่า runtime พร้อมเริ่ม session หรือไม่; --online ยังตรวจสอบ model provider ที่กำหนดค่าไว้ด้วย, --format json พิมพ์รายงานออกมา
deeptutor start [--home PATH] [--dev] [--detach] [--no-browser] เปิดตัว backend + frontend ด้วยกัน; เลือก detach หรือปิดการเปิดเบราว์เซอร์ได้
deeptutor stop [--home PATH] หยุด launcher ที่เริ่มด้วย --detach
deeptutor serve [--port PORT] เริ่มเฉพาะ FastAPI backend
deeptutor module list/install/uninstall/enable/disable ตรวจสอบโมดูลและเปลี่ยนแปลงขณะหยุด DeepTutor; source checkouts รองรับ enable/disable
deeptutor workspace show/set/reset ตรวจสอบ, เลือก หรือคืนค่า Content Workspace ต่อผู้ใช้
deeptutor run <capability> <message> รัน capability turn เดียว (chat, ask_questions, deep_solve, deep_question, deep_research, visualize, math_animator, video_lesson, mastery_path, immersive_reading, audio_overview); เพิ่ม --format json สำหรับ NDJSON output
deeptutor chat Interactive REPL พร้อม capability, tool, KB, notebook และ history controls
deeptutor partner list/create/start/stop จัดการ partners ที่เชื่อมต่อผ่าน IM
deeptutor kb list/info/create/connect-kiwix/add/search/eval/eval-diff/set-default/delete/list-sources/sync จัดการ knowledge bases, เชื่อมต่อคลัง Kiwix, ประเมินและเปรียบเทียบการรัน retrieval และ sync GitHub/web sources ที่ลงทะเบียนไว้ (พร้อมคำสั่งเพิ่ม/ลบ source)
deeptutor skill search/install/list/remove/login/logout/publish/update จัดการทักษะ ติดตั้งจากฮับ และเผยแพร่ของคุณเอง (eduhub:<slug> โดยค่าเริ่มต้น ดู Ecosystem)
deeptutor memory show/clear ตรวจสอบ L2/L3 memory docs หรือล้าง L1/all memory
deeptutor session list/show/open/rename/delete จัดการ shared sessions
deeptutor notebook list/create/show/add-md/replace-md/remove-record จัดการ notebooks จากไฟล์ Markdown
deeptutor book list/health/refresh-fingerprints ตรวจสอบ books และรีเฟรช source fingerprints
deeptutor plugin list/info/state/search/show/install/approve/enable/disable/rollback/uninstall ตรวจสอบเครื่องมือและ capabilities; จัดการแพ็คเกจ plugin ที่ผ่านการตรวจทานและการอนุมัติสิทธิ์ของแพ็คเกจเหล่านั้น
deeptutor config show [--home PATH] แสดงการกำหนดค่า runtime ที่ resolve แล้ว โดยปกปิด credentials
deeptutor config providers แสดงรายการ setup providers ที่รองรับและค่าเริ่มต้นในรูปแบบ JSON
deeptutor config apply FILE [--check] [--home PATH] ใช้ setup JSON โดยไม่แสดง prompt หรือตรวจสอบความถูกต้องโดยไม่เขียน settings
deeptutor provider login <provider> Provider auth (OAuth login สำหรับ openai-codex; GitHub device login สำหรับ github-copilot; codebuddy ตรวจสอบ auth ของ CodeBuddy SDK และเริ่ม login เมื่อจำเป็น)

credentials ของ GitHub Copilot เป็นของเจ้าของบัญชี DeepTutor ที่ลงชื่อเข้าใช้ และเก็บไว้เฉพาะที่ <runtime-home>/data/system/user-secrets/<owner-id>/private/github-copilot/credentials.v1.json ซึ่งอยู่นอก sandbox workspaces Partners ที่ใช้ผ่าน CLI/admin ใช้ credentials ของผู้ดูแลระบบ; ผู้ใช้อื่นต้องลงชื่อเข้าใช้แยกกัน และไม่สามารถแชร์โปรไฟล์ Copilot ผ่าน model grants ได้ ระบบจะไม่นำเข้าไฟล์ token ของ nanobot/Copilot ภายนอก: หลังอัพเกรด ให้รัน deeptutor provider login github-copilot อีกครั้ง

การ login จะตรวจสอบ inference ด้วย model ที่ค้นพบในขณะนั้น; init จะตรวจสอบ model ที่เลือก และยกเลิกเมื่อไม่สำเร็จโดยไม่บันทึกการกำหนดค่าฉบับร่าง การยืนยันตัวตนกับ GitHub สำเร็จเพียงอย่างเดียว ไม่ได้รับรองว่าเข้าถึง model ของ Copilot ได้ (การ login ที่บันทึกไว้จะยังคงอยู่หากการตรวจสอบไม่สำเร็จ) requests ขณะรันจะใช้ API endpoint ที่ส่งกลับจากการแลก token รวมถึงเมื่อ refresh และปฏิบัติตาม metadata ของ Responses/Chat Completions endpoint ของแต่ละ model

การปรับ compatibility ของ Responses เฉพาะ Copilot จะเกิดขึ้นตอนส่ง request โดยไม่เขียนประวัติที่เก็บไว้ใหม่

การแจกจ่าย CLI เท่านั้น

Core wheel มี CLI และ SDK; deeptutor-cli เป็น metapackage สำหรับความเข้ากันได้ ซอร์สเปิดใช้โมดูลทั้งหมดที่อยู่ใน checkout ดังนั้นการใช้ CLI ให้ติดตั้ง Python dependencies ของโมดูลเหล่านั้นและข้ามการตั้งค่า frontend:

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

สำหรับการติดตั้งขั้นต่ำ ให้ใช้ core wheel ส่วน distributions ที่เป็นทางเลือกจะให้เครื่องมือ ความสามารถ API routes บริการเบื้องหลัง และเมนูนำทาง โมดูลใช้ Python environment เดียวกันและต้องมีเวอร์ชันตรงกับ core deeptutor[full] เลือกโมดูลแอปที่ใช้ทั่วไปในขณะติดตั้ง; คุณสามารถนำแต่ละคุณสมบัติออกในภายหลังได้

หยุด DeepTutor (Ctrl+C ใน terminal ที่รันอยู่) แล้วใช้ Python environment และ DEEPTUTOR_HOME เดิม:

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

ตัวอย่าง ได้แก่ solve, research, questions, knowledge, parsing, reading, mastery, books, memory, notebook และ partners โมดูลที่พึ่งพาโมดูลอื่นจะขัดขวางการนำโมดูลนั้นออก; คำสั่ง module ไม่สามารถนำ core ออกได้ การปิดใช้งานหรือถอนการติดตั้งจะเก็บ settings บทสนทนา ฐานความรู้ และไฟล์ที่สร้างไว้ ส่วน dependencies ของบุคคลที่สามที่ใช้ร่วมกันจะยังคงอยู่ด้วย

ในเบราว์เซอร์: Settings → Runtime status → Modules แสดงสถานะโมดูลและคำสั่ง terminal ที่ตรงกัน การเปลี่ยนแพ็คเกจทำผ่าน CLI ขณะที่ environment หยุดอยู่ Chat → Customize page และ Learning → New learning → Customize page เปลี่ยนตัวเลือกหน้าส่วนตัวของคุณได้ทันที; การซ่อนรายการจะไม่ถอนการติดตั้งโมดูลหรือเพิกถอนสิทธิ์การเข้าถึง

ตระกูลแพ็คเกจ 1.7.0 ใช้เวอร์ชันที่ตรงกันระหว่าง core และ feature wheels สำหรับการติดตั้ง local wheels ให้ส่ง --wheelhouse /path/to/wheels ให้ module install ดู การติดตั้งโมดูลและการพัฒนาจากซอร์ส สำหรับรายละเอียดการสร้าง wheels และการปรับใช้

🧩 ระบบนิเวศ — EduHub และชุมชน Skills

DeepTutor skills ใช้รูปแบบ Agent-Skills แบบเปิด — โฟลเดอร์ที่มี SKILL.md playbook (YAML frontmatter + Markdown) และไฟล์อ้างอิงแบบเสริม ไม่มีอะไรเกี่ยวกับมันที่เจาะจงสำหรับ DeepTutor ดังนั้น registry ใด ๆ ที่พูด format นี้ก็กลายเป็นแหล่งสำหรับ library ของคุณ DeepTutor มาพร้อมกับ EduHub — registry ทักษะที่เน้นการศึกษาของเรา — เชื่อมต่อเป็นฮับเริ่มต้น

EduHub — ระบบนิเวศทักษะของ DeepTutor

EduHub คือ community hub ที่ DeepTutor เปิดตัวสำหรับแชร์ agent skills เชิงสอน — Socratic tutors, flashcard builders, essay feedback, exam blueprints, concept explainers และอื่น ๆ อีกมาก มันถูกสร้างเข้า DeepTutor ดังนั้นไม่มีอะไรต้องกำหนดค่า: slug เปล่าหรือ prefix eduhub: จะ resolve ไปยังมัน

ค้นหาและติดตั้ง — ในเบราว์เซอร์ เปิด Learning Space → Skills → นำเข้าจาก EduHub เพื่อเรียกดู catalog และดาวน์โหลด skill ตรงเข้า library จาก terminal:

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

เผยแพร่ของคุณเอง — แพ็ค SKILL.md และแชร์กลับสู่ชุมชน:

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 ยังเป็น registry แบบ standalone ที่เข้ากันได้กับ ClawHub ดังนั้น agents ที่ไม่ใช่ DeepTutor (Claude Code, Codex, …) สามารถใช้มันโดยตรงผ่าน CLI eduhub — npx eduhub install socratic-tutor

ประตูความปลอดภัยในการนำเข้า

ไม่ว่าแหล่งที่มาจะเป็นอะไร ทุกการนำเข้าจะผ่าน ประตูความปลอดภัยเดียวกัน ก่อนที่อะไรจะแตะ workspace ของคุณ:

  • security verdict ของ registry จะถูกตรวจสอบก่อน — แพ็คเกจที่ถูกตั้งค่าสถานะจะถูกปฏิเสธเว้นแต่คุณจะส่ง --allow-unverified;
  • archives จะถูก extract อย่างรัดกุมด้วยการตรวจ path traversal, จำนวน entries, ขนาด, อัตราส่วนการบีบอัด, suffix และ symlink; executable bits จะถูกลบออก ขณะที่ไฟล์ไม่มีนามสกุลยังคงได้รับอนุญาต;
  • frontmatter จะถูก normalize เป็น schema ของ DeepTutor และ always: จะถูก ลบออก ดังนั้น skill ที่ดาวน์โหลดมาไม่สามารถบังคับตัวเองเข้าสู่ system prompt ทุกอัน;
  • provenance — hub, version, verdict และเวลาติดตั้ง — จะถูกเขียนลง .hub-lock.json สำหรับการตรวจสอบและอัพเดต

ในการปรับใช้ multi-user การนำเข้าผ่านเบราว์เซอร์จะลงใน skill layer ของผู้เรียกที่ผ่านการยืนยันตัวตน ขณะที่การติดตั้งผ่าน CLI และ admin console จะลงใน workspace ของ owner/admin; admin skills จะยังถูกซ่อนและเป็นแบบอ่านอย่างเดียวสำหรับผู้ใช้ทั่วไปจนกว่าจะได้รับ grant

รองรับ ClawHub ด้วย

เนื่องจาก DeepTutor พูดรูปแบบ Agent-Skills แบบเปิด ClawHub ทำงานเป็นแหล่งระดับ first-class ด้วย — มันถูกสร้างเข้าพร้อมกับ EduHub เลือกด้วย hub prefix:

deeptutor skill search "git release notes" --hub clawhub
deeptutor skill install clawhub:[email protected]
deeptutor skill install clawhub:udiedrichsen/stock-analysis

เมื่อผู้เผยแพร่หลายรายใช้ slug เดียวกัน ผลการค้นหาจะแสดงผู้เผยแพร่แต่ละรายพร้อม install ref แบบเต็มขอบเขต (clawhub:<ownerHandle>/<slug>)

เพิ่ม registries เพิ่มเติมใน data/user/settings/skill_hubs.json: entry type: "clawhub" ชี้ไปที่ HTTP API ที่เข้ากันได้ใด ๆ (ทั้ง EduHub และ ClawHub พูด API นี้), type: "command" ห่อ CLI ที่ registry ส่งมา และ "default" เลือกฮับที่ใช้สำหรับ slugs เปล่า ทั้งหมดนี้ป้อนข้อมูลผ่านประตูนำเข้าเดียวกัน

🤝 พันธมิตรโอเพนซอร์ส

PageIndex

ใช้โค้ด: DEEPTUTOR20 — รับส่วนลด $20 สำหรับการสมัครสมาชิก PageIndexครั้งแรกของคุณ!

🌐 ชุมชน

🔗 ผู้ดูแลโปรเจกต์

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

📮 ติดต่อ

DeepTutor คือโปรเจกต์โอเพนซอร์สที่นำโดย Bingxi Zhao ภายในกลุ่ม HKUDS และพัฒนาใน รูปแบบโอเพนซอร์สอย่างสมบูรณ์ สร้างร่วมกับชุมชน จนถึงปัจจุบัน เรา ไม่มี ผลิตภัณฑ์ออนไลน์แบบชำระเงินในรูปแบบใด ๆ ติดต่อได้ที่ [email protected] สำหรับการสนทนา, ไอเดีย หรือการร่วมมือ

🙏 ขอบคุณ

ขอบคุณอย่างจริงใจถึง Chao Huang, ผู้อำนวยการ Data Intelligence Lab @ HKU และเพื่อน ๆ ใน HKUDS lab สำหรับการสนับสนุนอย่างอบอุ่น — โดยเฉพาะ Jiahao Zhang, Zirui Guo และ Xubin Ren เรายังขอบคุณอย่างสุดซึ้งถึง ชุมชนโอเพนซอร์ส: stars, issues, pull requests และ discussions ของคุณกำหนดรูปร่าง DeepTutor ทุกวัน

DeepTutor ยังยืนอยู่บนไหล่ของโปรเจกต์โอเพนซอร์สที่โดดเด่นที่ให้ทั้งเครื่องมือและแรงบันดาลใจแก่เรา:

โปรเจกต์ บทบาท / แรงบันดาลใจ
LlamaIndex กระดูกสันหลังของ RAG pipeline และการ indexing เอกสาร
nanobot Ultra-lightweight agent engine ที่ขับเคลื่อน TutorBot ดั้งเดิม (HKUDS)
LightRAG RAG ที่ง่ายและเร็ว (HKUDS)
AutoAgent Zero-code agent framework (HKUDS)
AI-Researcher Pipeline การวิจัยอัตโนมัติ (HKUDS)
OpenClaw Open agent gateway และ skill ecosystem เบื้องหลัง ClawHub
Codex Agent-native coding CLI ที่เป็นแรงบันดาลใจให้ CLI workflow ของเรา
Claude Code Agentic coding CLI ที่เป็นแรงบันดาลใจให้ DeepTutor agent loop
ManimCat การสร้าง animation คณิตศาสตร์ที่ขับเคลื่อนด้วย AI สำหรับ Math Animator

🗺️ Roadmap และการมีส่วนร่วม

เราต้องการให้ DeepTutor พัฒนาและปรับปรุงต่อเนื่อง — และสุดท้ายกลายเป็นของขวัญที่เรามอบคืนสู่ชุมชนโอเพนซอร์ส roadmap ของเราอัพเดตต่อเนื่อง โหวตรายการที่นั่นหรือเสนอรายการใหม่ หากต้องการมีส่วนร่วม ดู คู่มือการมีส่วนร่วม สำหรับกลยุทธ์ branching มาตรฐานโค้ด และวิธีเริ่มต้น

เราหวังว่า DeepTutor จะกลายเป็นของขวัญสำหรับชุมชน 🎁

ผู้มีส่วนร่วม

อันดับประวัติดาว

ได้รับอนุญาตภายใต้ Apache License 2.0

จำนวนผู้เข้าชม