DeepTutor: Агент-нативное персонализированное обучение

Возможности · Начало работы · Обзор · TutorBot · CLI · Многопользовательский режим · Сообщество

🤝 Мы приветствуем любые виды вклада! Стратегия ветвления, стандарты кода и руководство по началу работы — в Руководстве по вкладу.

🗺️ Дорожная карта ведётся в открытом виде на HKUDS/DeepTutor#498 — комментируйте, чтобы голосовать за пункты или предлагать новые.

📦 Релизы

[2026.5.21] v1.4.0-beta — Трёхслойный верстак Memory (L1/L2/L3), все возможности чата перестроены на едином агентном движке, RAG исключительно на LlamaIndex и единый интерфейс Settings + Capabilities.

[2026.5.10] v1.3.10 — Восстановление CORS для удалённого Docker, DISABLE_SSL_VERIFY для SDK-провайдеров, более безопасные цитаты в блоках кода и опциональное дополнение Matrix E2EE.

[2026.5.9] v1.3.9 — Поддержка Zulip и NVIDIA NIM для TutorBot, более безопасная маршрутизация моделей рассуждения, deeptutor start, подсказки в боковой панели и согласованность хранилища сессий.

[2026.5.8] v1.3.8 — Опциональные многопользовательские развёртывания с изолированными рабочими пространствами, права администратора, маршруты аутентификации и ограниченный доступ во время выполнения.

Предыдущие релизы (более 2 недель назад)

[2026.5.4] v1.3.7 — Исправления моделей рассуждения/провайдеров, видимая история индексов Knowledge, более безопасные очистка и редактирование шаблонов в Co-Writer.

[2026.5.3] v1.3.6 — Выбор моделей на основе каталога для чата и TutorBot, более безопасная переиндексация RAG, исправления лимита токенов OpenAI Responses, валидация редактора Skills.

[2026.5.2] v1.3.5 — Более гладкие настройки локального запуска, более безопасные RAG-запросы, чище аутентификация локальных эмбеддингов, полировка тёмного режима настроек.

[2026.5.1] v1.3.4 — Сохранение чата на страницах книг и потоки восстановления, ссылки чат-книга, усиленная обработка языка/рассуждения, упрочнение извлечения документов RAG.

[2026.4.30] v1.3.3 — Поддержка эмбеддингов NVIDIA NIM + Gemini, единый контекст Space (история чата/skills/память), снимки сессий, устойчивость переиндексации RAG.

[2026.4.29] v1.3.2 — Прозрачные URL эндпоинтов эмбеддингов, устойчивость переиндексации RAG для невалидных персистентных векторов, очистка памяти от вывода моделей рассуждения, исправление выполнения Deep Solve.

[2026.4.28] v1.3.1 — Стабильность: более безопасная маршрутизация RAG и валидация эмбеддингов, персистентность Docker, ввод с поддержкой IME, надёжность в Windows/GBK.

[2026.4.27] v1.3.0 — Версионированные индексы KB с рабочим процессом переиндексации, перестроенное рабочее пространство Knowledge, авто-определение эмбеддингов с новыми адаптерами, хаб Space.

[2026.4.25] v1.2.5 — Сохраняемые вложения чата с панелью предпросмотра файлов, конвейеры возможностей с учётом вложений, экспорт TutorBot в Markdown.

[2026.4.25] v1.2.4 — Текстовые/кодовые/SVG вложения, Setup Tour одной командой, экспорт чата в Markdown, компактный UI управления KB.

[2026.4.24] v1.2.3 — Вложения документов (PDF/DOCX/XLSX/PPTX), отображение блоков рассуждения, редактор шаблонов Soul, сохранение Co-Writer в notebook.

[2026.4.22] v1.2.2 — Пользовательская система Skills, переработка производительности ввода чата, авто-запуск TutorBot, UI библиотеки книг, полноэкранная визуализация.

[2026.4.21] v1.2.1 — Лимиты токенов по этапам, регенерация ответа во всех точках входа, исправления совместимости с RAG и Gemma.

[2026.4.20] v1.2.0 — Компилятор «живых книг» Book Engine, многодокументный Co-Writer, интерактивные HTML-визуализации, @-упоминание Question Bank.

[2026.4.18] v1.1.2 — Вкладка Channels на основе схемы, консолидация в единый RAG-конвейер, вынесенные prompt чата.

[2026.4.17] v1.1.1 — Универсальный «Ответить сейчас», синхронизация прокрутки Co-Writer, единая панель настроек, кнопка Stop для стриминга.

[2026.4.15] v1.1.0 — Переработка блочной математики LaTeX, диагностический зонд LLM, руководство по Docker + локальной LLM.

[2026.4.14] v1.1.0-beta — Сессии с закладками URL, тема Snow, heartbeat WebSocket и автопереподключение, переработка реестра эмбеддингов.

[2026.4.13] v1.0.3 — Тетрадь вопросов с закладками и категориями, Mermaid в Visualize, обнаружение несоответствия эмбеддингов, совместимость Qwen/vLLM, поддержка LM Studio и llama.cpp, тема Glass.

[2026.4.11] v1.0.2 — Консолидация поиска с резервом SearXNG, исправление переключения провайдера, исправления утечек ресурсов фронтенда.

[2026.4.10] v1.0.1 — Возможность Visualize (Chart.js/SVG), предотвращение дубликатов в quiz и поддержка модели o4-mini.

[2026.4.10] v1.0.0-beta.4 — Отслеживание прогресса эмбеддингов с повтором при превышении лимита, кросс-платформенные исправления зависимостей, исправление валидации MIME.

[2026.4.8] v1.0.0-beta.3 — Нативный SDK OpenAI/Anthropic (без litellm), поддержка Windows Math Animator, надёжный парсинг JSON и полная китайская i18n.

[2026.4.7] v1.0.0-beta.2 — Горячая перезагрузка настроек, вложенный вывод MinerU, исправление WebSocket и минимум Python 3.11+.

[2026.4.4] v1.0.0-beta.1 — Переписывание агент-нативной архитектуры (~200к строк): плагин-модель Tools + Capabilities, CLI и SDK, TutorBot, Co-Writer, Guided Learning и постоянная память.

[2026.1.23] v0.6.0 — Постоянство сессий, инкрементальная загрузка документов, гибкий импорт RAG-конвейера и полная китайская локализация.

[2026.1.18] v0.5.2 — Поддержка Docling для RAG-Anything, оптимизация системы логирования и исправления ошибок.

[2026.1.15] v0.5.0 — Единая конфигурация сервисов, выбор RAG-конвейера на базу знаний, переработка генерации вопросов и настройка боковой панели.

[2026.1.9] v0.4.0 — Поддержка многопровайдерных LLM и эмбеддингов, новая домашняя страница, развязка модуля RAG и рефакторинг переменных окружения.

[2026.1.5] v0.3.0 — Единая архитектура PromptManager, CI/CD на GitHub Actions и предсобранные Docker-образы на GHCR.

[2026.1.2] v0.2.0 — Развёртывание в Docker, обновление до Next.js 16 и React 19, усиление безопасности WebSocket и исправления критических уязвимостей.

📰 Новости

[2026.4.19] 🎉 Мы достигли 20 тысяч звёзд за 111 дней! Спасибо за невероятную поддержку — мы привержены непрерывной итерации к по-настоящему персонализированному, разумному обучению для каждого.

[2026.4.10] 📄 Наша статья теперь доступна на arXiv! Прочитайте препринт, чтобы узнать больше о замысле и идеях, стоящих за DeepTutor.

[2026.4.4] Давно не виделись! ✨ DeepTutor v1.0.0 наконец-то здесь — агент-нативная эволюция с полным переписыванием архитектуры с нуля, TutorBot и гибким переключением режимов под лицензией Apache-2.0. Начинается новая глава!

[2026.2.6] 🚀 Мы достигли 10 тысяч звёзд всего за 39 дней! Огромное спасибо нашему невероятному сообществу за поддержку!

[2026.1.1] С Новым годом! Присоединяйтесь к нашему Discord, WeChat или Discussions — давайте вместе формировать будущее DeepTutor!

[2025.12.29] DeepTutor официально выпущен!

✨ Ключевые возможности

Рабочие поверхности

Chat — Chat, Solve, Quiz, Research и Visualize разделяют одну сессию, базу знаний и историю цитирования, что позволяет вам эскалировать в середине разговора без потери контекста.
Co-Writer — Markdown-рабочее пространство с разделённым видом, где любое выделение можно переписать, расширить или сократить, опционально с привязкой к вашей KB или вебу. Черновики сохраняются прямо в notebooks.
Book Engine — мультиагентный конвейер компилирует ваши материалы в интерактивные «живые книги» с 13 типами блоков: викторины, флэш-карты, временные шкалы, графы концепций, встроенный просмотрщик GeoGebra, анимации и многое другое. Страницы маркируются отпечатком KB, что позволяет обнаруживать дрейф.

Ваша библиотека

Knowledge Bases — версионированные RAG-готовые коллекции, end-to-end на LlamaIndex. Каждая (пере)индексация отслеживается, сравнима и откатываема.
Space — личная библиотека для повторения, объединяющая историю чата, notebooks, банк вопросов и пользовательские skills (SKILL.md), которые переключают личность DeepTutor.
Трёхслойная память — append-only трассы L1, L2 факты, курируемые по поверхности с цитированием, и L3 межповерхностный синтез. Инспектируемый верстак и граф памяти позволяют вам аудировать почему DeepTutor знает то, что он знает.

Расширяемость и контроль

Композируемые инструменты — RAG, веб-поиск, выполнение кода, рассуждение, мозговой штурм, поиск статей, анализ GeoGebra и помощники чата (ask_user, web_fetch, write_note, list_notebook, github_query). Серверы MCP подключаются наряду со встроенными.
Персональные TutorBots — постоянные, автономные тьюторы, каждый со своим рабочим пространством, soul, skills и каналами (Telegram, Discord, Slack, Matrix, Zulip, …). Построены на nanobot.
Единые Settings — один черновик / Apply верстак для внешнего вида, моделей, эмбеддингов, поиска, возможностей, памяти, MCP-серверов и инструментов, с общим отслеживанием стоимости по вызову.
Агент-нативная CLI — каждая возможность, KB, сессия и TutorBot в одной команде; богатый вывод для людей, структурированный JSON для агентов. Передайте SKILL.md любому LLM с доступом к инструментам, и он сможет управлять DeepTutor автономно.
Опциональная аутентификация — отключена по умолчанию; включите для многопользовательских развёртываний с bcrypt + JWT, панелью администратора и опциональным sidecar PocketBase / OAuth.

🚀 Начало работы

DeepTutor теперь имеет четыре параллельных пути установки. Все они используют один и тот же макет конфигурации времени выполнения:

Настройки находятся в data/user/settings/ под вашим текущим рабочим пространством или под DEEPTUTOR_HOME / deeptutor start --home, когда вы выбираете его явно.
model_catalog.json хранит профили провайдеров моделей, базовые URL, API-ключи, активные модели, настройки эмбеддингов и поиска.
system.json хранит порты запуска, публичную базу API, CORS, TLS и параметры вложений.
auth.json хранит опциональный переключатель аутентификации и хеш загрузочных учётных данных.
integrations.json хранит опциональные sidecar, такие как PocketBase.
Корневой .env проекта больше не используется как файл конфигурации приложения.

Для полного локального приложения рекомендуемый порядок: выберите рабочее пространство → установите → deeptutor init → deeptutor start.

Вариант 1 — Установить DeepTutor

Используйте, когда вам нужно полное локальное веб-приложение и CLI без клонирования репозитория.

mkdir -p my-deeptutor
cd my-deeptutor
pip install -U deeptutor
deeptutor init
deeptutor start

🧪 Пробуете v1.4.0 beta? PyPI нормализует 1.4.0-beta в 1.4.0b0, так что pip install -U deeptutor останется на последней стабильной версии. Включите пре-релиз с помощью:
pip install --pre -U deeptutor      # последний пре-релиз
pip install -U deeptutor==1.4.0b0   # точно зафиксировать на v1.4.0-beta

deeptutor init записывает конфигурацию в data/user/settings/ в каталоге, где вы её запускаете. Он спрашивает:

Порт backend, по умолчанию 8001
Порт frontend, по умолчанию 3782
Провайдер LLM, базовый URL, API-ключ и имя модели
Опциональный провайдер эмбеддингов для Knowledge Base / RAG

После deeptutor start откройте URL frontend, напечатанный в терминале. С портами по умолчанию это URL http://127.0.0.1:3782.

Держите терминал deeptutor start открытым. Нажмите Ctrl+C в этом терминале, чтобы остановить и backend, и frontend.

Примечания:

deeptutor start запускает FastAPI backend и упакованный Next.js frontend вместе.
Упакованное веб-приложение не требует git clone или npm install, но ему всё ещё нужен локальный Node.js 20+ для выполнения автономного сервера Next.js.

Вариант 2 — Установить из исходного кода

Используйте, когда разрабатываете DeepTutor или хотите запускать прямо из checkout. Используйте Python 3.11+ и Node.js 22 LTS для наилучшего соответствия CI и Docker.

1. Клонировать репозиторий

git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor

2. Создать окружение Python

macOS / Linux с venv:

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip

Windows PowerShell с venv:

py -3.11 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip

Conda / Miniconda:

conda create -n deeptutor python=3.11
conda activate deeptutor
python -m pip install --upgrade pip

3. Установить локальный пакет и зависимости frontend

python -m pip install -e .
cd web
npm ci --legacy-peer-deps
cd ..

4. Настроить и запустить

deeptutor init
deeptutor start

Если deeptutor start сообщает о существующем frontend, который не отвечает, удалите устаревшие файлы блокировки и запустите снова:

rm -f web/.next/dev/lock web/.next/lock
deeptutor start

Полезные дополнения для разработчиков:

pip install -e ".[dev]"             # инструменты тестов/lint
pip install -e ".[tutorbot]"        # движок TutorBot + SDK каналов
pip install -e ".[matrix]"          # канал Matrix без E2EE/libolm
pip install -e ".[matrix-e2e]"      # Matrix E2EE; требует libolm
pip install -e ".[math-animator]"   # дополнение Manim; требует LaTeX/ffmpeg/системные библиотеки

Вариант 3 — Docker

Используйте, когда вам нужно полное веб-приложение в одном контейнере. Образы публикуются в GitHub Container Registry:

ghcr.io/hkuds/deeptutor:latest — стабильный релиз
ghcr.io/hkuds/deeptutor:pre — пре-релиз, когда доступен

docker pull ghcr.io/hkuds/deeptutor:latest
docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -p 127.0.0.1:8001:8001 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest

Затем откройте http://127.0.0.1:3782. Конфигурация, API-ключи, логи, файлы рабочего пространства, память и базы знаний хранятся в томе deeptutor-data под /app/data.

Подключение к Ollama или другим хост-сервисам

Внутри Docker-контейнера localhost ссылается на сам контейнер, а не на ваш хост. Если вы запускаете Ollama, LM Studio, llama.cpp, vLLM или другой сервис моделей на хосте, используйте один из этих подходов.

Вариант A — host gateway, рекомендуется для обычных запусков Docker:

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

Затем в DeepTutor Settings → Models установите базовый URL провайдера на host.docker.internal:

Ollama LLM endpoint: http://host.docker.internal:11434/v1
Ollama embedding endpoint: http://host.docker.internal:11434/api/embed
LM Studio: http://host.docker.internal:1234/v1
llama.cpp: http://host.docker.internal:8080/v1

Вариант B — host networking, только Linux:

docker run --network=host \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest

Для запуска в фоне:

docker run -d --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -p 127.0.0.1:8001:8001 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest
docker logs -f deeptutor

Вариант 4 — Только CLI

Используйте, когда вам не нужен веб-интерфейс.

git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor

python3 -m venv .venv-cli
source .venv-cli/bin/activate
python -m pip install --upgrade pip
python -m pip install -e ./packaging/deeptutor-cli
deeptutor init --cli
deeptutor chat

Windows PowerShell:

py -3.11 -m venv .venv-cli
.\.venv-cli\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install -e ./packaging/deeptutor-cli
deeptutor init --cli
deeptutor chat

deeptutor init --cli использует тот же макет data/user/settings/, что и полное приложение, но меняет поведение мастера:

Пропускает запросы портов backend/frontend, потому что использование только CLI не запускает веб-приложение.
По-прежнему записывает файлы по умолчанию system.json, auth.json, integrations.json, model_catalog.json, main.yaml и agents.yaml.
По-прежнему запрашивает активный провайдер и модель LLM.
Спрашивает, настраивать ли эмбеддинги; ответ по умолчанию — Нет; выберите Да, если планируете использовать deeptutor kb ... или RAG-инструменты.

Распространённые команды CLI:

deeptutor chat
deeptutor chat --capability deep_solve --tool rag --kb my-kb
deeptutor run chat "Объясните преобразование Фурье"
deeptutor run deep_solve "Решите x^2 = 4" --tool rag --kb my-kb
deeptutor kb create my-kb --doc textbook.pdf
deeptutor kb list
deeptutor memory show
deeptutor config show

Справочник конфигурации

Файл	Назначение
`data/user/settings/model_catalog.json`	Профили провайдеров LLM, эмбеддингов и поиска; API-ключи; активные модели
`data/user/settings/system.json`	Порты backend/frontend, публичная база API, CORS, проверка SSL, каталог вложений
`data/user/settings/auth.json`	Опциональный переключатель аутентификации, имя пользователя, хеш пароля, настройки токенов/cookies
`data/user/settings/integrations.json`	Настройки интеграции PocketBase и опциональных sidecar
`data/user/settings/interface.json`	Настройки языка/темы/боковой панели UI
`data/user/settings/main.yaml`	Значения по умолчанию поведения времени выполнения и инъекция путей
`data/user/settings/agents.yaml`	Настройки температуры и токенов возможностей/инструментов

📖 Обзор DeepTutor

Рефакторинг v1.4.0-beta реорганизует DeepTutor вокруг пяти основных поверхностей — Chat, Co-Writer, Book, Knowledge, Space — плюс трёхслойная Memory, которая находится под ними всеми, и единый верстак Settings, открывающий все параметры. Возможности (Solve / Quiz / Research / Visualize) и инструменты (RAG, веб, код, рассуждение, мозговой штурм, поиск статей, ask_user, web_fetch, write_note, list_notebook, github_query) свободно компонуются поверх.

💬 Chat — Единое интеллектуальное рабочее пространство

Один поток, пять режимов, любой инструмент. Выбор возможности находится в композиторе; одна и та же сессия, база знаний, вложения и ссылки путешествуют с вами между режимами — переключайтесь с непринуждённого вопроса на многоагентное решение, на викторину, на полный исследовательский отчёт, не теряя контекста.

Режим	Что делает	Построен на
Chat	Гибкий разговор с любым инструментом; выбирайте из RAG, веб-поиска, выполнения кода, глубокого рассуждения, мозгового штурма, поиска статей, анализа GeoGebra.	RAG на LlamaIndex + реестр инструментов
Solve	Многошаговый план → исследовать → решить → проверить, с точными цитатами источников.	Агентный движок (`deep_solve`)
Quiz	Автоматически валидируемая генерация вопросов, привязанная к вашей KB; создаёт композитор чата для каждого вопроса.	Агентный движок (`deep_question`)
Research	Разлагает тему на подтемы, отправляет параллельные агенты через RAG / веб / arXiv и производит цитируемый отчёт с итеративными доработками в режиме append.	Перестроенный `pipeline.py` (~45% меньше, цитаты + итеративные отчёты сохранены)
Visualize	Генерирует SVG-диаграммы, диаграммы Chart.js, графы Mermaid, интерактивные HTML-страницы или видео/раскадровки Manim — анализатор выбирает правильный `render_type`.	Конвейер Visualize (Animator интегрирован)

Новые инструменты чата, выпущенные с рефакторингом: ask_user (задаёт структурированный уточняющий вопрос в середине хода), web_fetch (втягивает конкретный URL в контекст), write_note / list_notebook (сохраняет и перечисляет записи notebook с поверхности чата) и github_query (поиск по issue / PR / репозиториям). Инструменты остаются развязанными от рабочих процессов — каждый режим позволяет вам включать или отключать инструменты по ходу.

Сессия также несёт накопленный инвентарь источников между ходами, так что цитаты из ранних RAG / веб-обращений остаются повторно используемыми позже в том же разговоре.

✍️ Co-Writer — Многодокументное рабочее пространство ИИ-письма

Co-Writer — это верстак Markdown с разделённым видом (необработанный редактор слева, живое превью справа) для заметок, отчётов, руководств и черновиков с помощью ИИ. Каждый документ живёт в своём собственном рабочем пространстве с автосохранением, скачиваемым Markdown и Сохранить в Notebook одним кликом.

Выделите любой текст и выберите Переписать, Расширить или Сократить — каждое действие выполняется как отслеживаемое редактирование агента, которое опционально может извлекать из базы знаний или веба.

📖 Book Engine — Интерактивные «живые книги»

Дайте DeepTutor тему, укажите ему вашу базу знаний, и он произведёт структурированную, интерактивную книгу — не статический экспорт, а живой документ, который вы можете читать, проверять себя по нему и обсуждать в контексте.

За кулисами многоагентный конвейер занимается тяжёлой работой: предлагает план, извлекает соответствующие источники из вашей KB, синтезирует дерево глав, планирует каждую страницу и компилирует каждый блок. Вы остаётесь под контролем — просмотрите предложение, переупорядочите главы и общайтесь рядом с любой страницей.

Страницы собираются из 13 типов блоков — текст, выноска, викторина, флэш-карты, код, рисунок, глубокое погружение, анимация, интерактивное демо (теперь включающее просмотрщик GeoGebra), временная шкала, граф концепций, секция и пользовательская заметка.

📚 Knowledge Bases — Готовые для RAG библиотеки документов

Выделенное рабочее пространство для коллекций документов, питающих RAG. Каждая база знаний имеет четыре вкладки:

Files — просматривайте загруженные источники, просматривайте PDF-файлы встроенно и видите размер/статус по файлу.
Add documents — добавляйте PDF, файлы Office (DOCX / XLSX / PPTX), Markdown, обычный текст и широкий спектр типов файлов кода/данных. Документы автоматически маршрутизируются к подходящему экстрактору.
Index versions — каждая (пере)индексация — это отслеживаемая версия. Откатывайтесь к более раннему индексу, сравнивайте модели эмбеддингов или инспектируйте статистику chunking, не теряя предыдущую сборку.
Settings — выбирайте провайдера/модель эмбеддингов, параметры chunking и reranker для KB.

Индексация построена на LlamaIndex end-to-end, с переиндексацией с защитой от повторов, обнаружением несоответствия эмбеддингов и устойчивой обработкой повреждённых персистентных векторов.

🌐 Space — Ваша персональная библиотека обучения

Space — это аналог чтения / повторения активных поверхностей. Там, где Chat / Co-Writer / Book — это где вы производите, Space — это место, где живёт всё, что вы производите, доступное для поиска и воспроизведения.

Chat History — каждый разговор по каждому режиму, с переименованием заголовка, удалением и возобновлением.
Notebooks — сохраняйте вывод из Chat, Research и Co-Writer в категоризированные, цветокодированные notebooks.
Question Bank — каждый автоматически сгенерированный вопрос викторины, доступный для добавления в закладки и @-упоминания в чате.
Skills — пользовательские файлы SKILL.md, определяющие персоны обучения (имя, описание, триггеры, тело). Когда skill активен, он внедряется в системный prompt чата.

🧠 Memory — Трёхслойная архитектура

Память DeepTutor теперь — это трёхслойный конвейер с инспектируемым верстаком на /memory.

Слой	Роль	Хранение
L1 · Зеркало рабочего пространства (LIVE)	Append-only трасса каждого взаимодействия, по поверхности, по дню. Беспотерьная запись того, что действительно произошло.	`trace/<surface>/<YYYY-MM-DD>.jsonl`
L2 · Сводки по поверхностям (CURATED)	Специфичные для поверхности факты, извлечённые консолидатором. Каждый факт несёт цитаты-сноски обратно к трассам L1.	`L2/<surface>.md`
L3 · Межповерхностное знание (SYNTHESIS)	Межповерхностный синтез: ваш `profile`, временная шкала `recent`, `scope` знаний и `preferences`. Хеджированные утверждения, каждое поддержано доказательствами L2.	`L3/<recent\|profile\|scope\|preferences>.md`

Семь поверхностей питают конвейер: chat, notebook, quiz, kb, book, tutorbot, cowriter.

Memory Graph (/memory/graph) отрисовывает все три слоя одновременно: синтез L3 в центре, факты L2 в среднем кольце, трассы L1 снаружи, сгруппированные по поверхности.

⚙️ Settings — Единый центр управления

Поверхность настроек была унифицирована в v1.4 и разделена по областям, с моделью черновика / Apply, чтобы изменения были атомарными и могли быть отменены до сохранения:

Appearance — язык UI и тема (Cream, Snow, Dark, Glass).
Status — живой зонд здоровья LLM, эмбеддингов, поиска и хранилищных бэкендов.
LLM, Embedding, Search — каталог провайдеров, базовые URL, API-ключи и выбор активных моделей.
Capabilities — настройки для каждой возможности (chunking, бюджет LLM, политики дедупликации и ссылок, максимум итераций) для Chat, Solve, Quiz, Research, Visualize и Co-Writer. Поддерживается единым конвертом emit_capability_result и общим UsageTracker, который показывает стоимость по вызову.
Memory — переключайте запуски консолидатора, настраивайте частоту и бюджет и переходите в верстак памяти.
MCP servers — регистрируйте внешние серверы Model Context Protocol; их инструменты появляются рядом с встроенными инструментами.
Tools — инспектируйте каждый встроенный инструмент, его параметры, статус (включён / скоро) и i18n-статус.

🦞 TutorBot — Постоянные, автономные ИИ-тьюторы

TutorBot — это не чатбот, это постоянный, многоэкземплярный агент, построенный на nanobot. Каждый TutorBot выполняет свой собственный цикл агента с независимым рабочим пространством, памятью и личностью.

Шаблоны Soul — определите личность, тон и философию обучения вашего тьютора через редактируемые файлы Soul.
Независимое рабочее пространство — у каждого бота есть свой каталог с отдельной памятью, сессиями, skills и конфигурацией.
Проактивный Heartbeat — боты не только отвечают — они инициируют. Встроенная система Heartbeat включает повторяющиеся учебные напоминания, проверки повторения и запланированные задачи.
Полный доступ к инструментам — каждый бот обращается к полному набору инструментов DeepTutor: извлечение RAG, выполнение кода, веб-поиск, поиск академических статей, глубокое рассуждение и мозговой штурм.
Обучение Skills — обучите вашего бота новым способностям, добавляя файлы skills в его рабочее пространство.
Многоканальное присутствие — подключайте ботов к Telegram, Discord, Slack, Feishu, WeChat Work, DingTalk, Matrix, QQ, WhatsApp, Email и многому другому.
Команды и суб-агенты — порождайте фоновых суб-агентов или оркеструйте многоагентные команды внутри одного бота.

deeptutor bot create math-tutor --persona "Сократический учитель математики, использующий наводящие вопросы"
deeptutor bot create writing-coach --persona "Терпеливый, внимательный к деталям наставник по письму"
deeptutor bot list                  # Просмотреть всех ваших активных тьюторов

⌨️ DeepTutor CLI — Агент-нативный интерфейс

DeepTutor полностью CLI-нативен. Каждая возможность, база знаний, сессия, память и TutorBot — на расстоянии одной команды, без необходимости в браузере.

Одноразовое выполнение:

deeptutor run chat "Объясните преобразование Фурье" -t rag --kb textbook
deeptutor run deep_solve "Докажите, что √2 иррационально" -t reason
deeptutor run deep_question "Линейная алгебра" --config num_questions=5
deeptutor run deep_research "Механизмы внимания в трансформерах"
deeptutor run visualize "Нарисуйте архитектуру трансформера"

Интерактивный REPL:

deeptutor chat --capability deep_solve --kb my-kb
# Внутри REPL: /cap, /tool, /kb, /history, /notebook, /config для переключения на лету

Жизненный цикл базы знаний:

deeptutor kb create my-kb --doc textbook.pdf
deeptutor kb add my-kb --docs-dir ./papers/
deeptutor kb search my-kb "градиентный спуск"
deeptutor kb set-default my-kb

Двойной режим вывода:

deeptutor run chat "Резюмируйте главу 3" -f rich    # Цветной, форматированный вывод
deeptutor run chat "Резюмируйте главу 3" -f json    # JSON-события с разделителями строк

Непрерывность сессий:

deeptutor session list
deeptutor session open <id>

Полный справочник команд CLI

Верхний уровень

Команда	Описание
`deeptutor run <capability> <message>`	Запустить любую возможность за один ход (`chat`, `deep_solve`, `deep_question`, `deep_research`, `math_animator`, `visualize`)
`deeptutor chat`	Интерактивный REPL с опциональными `--capability`, `--tool`, `--kb`, `--language`
`deeptutor serve`	Запустить API-сервер DeepTutor

deeptutor bot

Команда	Описание
`deeptutor bot list`	Список всех экземпляров TutorBot
`deeptutor bot create <id>`	Создать и запустить нового бота (`--name`, `--persona`, `--model`)
`deeptutor bot start <id>`	Запустить бота
`deeptutor bot stop <id>`	Остановить бота

deeptutor kb

Команда	Описание
`deeptutor kb list`	Список всех баз знаний
`deeptutor kb info <name>`	Показать детали базы знаний
`deeptutor kb create <name>`	Создать из документов (`--doc`, `--docs-dir`)
`deeptutor kb add <name>`	Добавлять документы инкрементально
`deeptutor kb search <name> <query>`	Искать в базе знаний
`deeptutor kb set-default <name>`	Установить как KB по умолчанию
`deeptutor kb delete <name>`	Удалить базу знаний (`--force`)

deeptutor memory

Команда	Описание
`deeptutor memory show [file]`	Просмотр памяти (`summary`, `profile` или `all`)
`deeptutor memory clear [file]`	Очистить память (`--force`)

deeptutor session

Команда	Описание
`deeptutor session list`	Список сессий (`--limit`)
`deeptutor session show <id>`	Просмотреть сообщения сессии
`deeptutor session open <id>`	Возобновить сессию в REPL
`deeptutor session rename <id>`	Переименовать сессию (`--title`)
`deeptutor session delete <id>`	Удалить сессию

deeptutor notebook

Команда	Описание
`deeptutor notebook list`	Список notebooks
`deeptutor notebook create <name>`	Создать notebook (`--description`)
`deeptutor notebook show <id>`	Просмотреть записи notebook
`deeptutor notebook add-md <id> <path>`	Импортировать markdown как запись
`deeptutor notebook replace-md <id> <rec> <path>`	Заменить запись markdown
`deeptutor notebook remove-record <id> <rec>`	Удалить запись

deeptutor book

Команда	Описание
`deeptutor book list`	Список всех книг в рабочем пространстве
`deeptutor book health <book_id>`	Проверить дрейф KB и здоровье книги
`deeptutor book refresh-fingerprints <book_id>`	Обновить отпечатки KB и очистить устаревшие страницы

deeptutor config / plugin / provider

Команда	Описание
`deeptutor config show`	Напечатать сводку текущей конфигурации
`deeptutor plugin list`	Список зарегистрированных инструментов и возможностей
`deeptutor plugin info <name>`	Показать детали инструмента или возможности
`deeptutor provider login <provider>`	Аутентификация провайдера

👥 Многопользовательский режим — Совместные развёртывания с рабочими пространствами на пользователя

Включите аутентификацию, и DeepTutor превратится в многотенантное развёртывание с изолированными рабочими пространствами на пользователя и курируемыми администратором ресурсами. Первый зарегистрировавшийся становится администратором и настраивает модели, API-ключи и базы знаний от имени всех остальных.

Быстрый старт (5 шагов):

# 1. Включите auth в data/user/settings/auth.json:
#    {"enabled": true, "token_expire_hours": 24, "cookie_secure": false}

# 2. Перезапустите веб-стек.
deeptutor start

# 3. Откройте http://localhost:3782/register и создайте первый аккаунт.
#    Первая регистрация — единственная публичная; этот пользователь становится admin,
#    и endpoint /register автоматически закрывается после.

# 4. Как admin, перейдите в /admin/users → "Add user", чтобы создать товарищей по команде.

# 5. Для каждого пользователя нажмите на иконку слайдера → назначьте профили LLM,
#    базы знаний и skills. Сохраните.

Что видит администратор:

Полная страница Settings на /settings — управляйте провайдерами LLM / эмбеддингов / поиска, API-ключами, каталогами моделей и runtime "Apply".
Управление пользователями на /admin/users — создавайте, повышайте, понижайте и удаляйте аккаунты.
Редактор грантов — для каждого не-администратора выбирайте профили моделей, базы знаний и skills, которыми они могут пользоваться.
Аудит-журнал — каждое изменение грантов добавляется в multi-user/_system/audit/usage.jsonl.

Что получают обычные пользователи:

Изолированное рабочее пространство под multi-user/<uid>/ — собственная история чата (chat_history.db), память, notebooks и личные базы знаний.
Доступ только для чтения к назначенным администратором базам знаний и skills.
Отредактированная страница Settings — только тема, язык и сводка предоставленных моделей.
LLM с областью — ходы чата маршрутизируются через назначенную администратором модель.

Макет рабочего пространства:

multi-user/
├── _system/
│   ├── auth/users.json          # Хешированные учётные данные, роли
│   ├── auth/auth_secret         # Секрет подписи JWT (автогенерируется)
│   ├── grants/<uid>.json        # Гранты ресурсов на пользователя (управляются admin)
│   └── audit/usage.jsonl        # Аудит-журнал
└── <uid>/
    ├── user/
    │   ├── chat_history.db
    │   ├── settings/interface.json
    │   └── workspace/{chat,co-writer,book,...}
    ├── memory/{SUMMARY.md,PROFILE.md}
    └── knowledge_bases/...

Справочник конфигурации:

Настройка	Обязательно	Описание
`data/user/settings/auth.json: enabled`	Да	Установите `true` для включения многопользовательской auth. По умолчанию `false` (однопользовательский режим).
`multi-user/_system/auth/auth_secret`	Рекомендуется	Секрет подписи JWT. Автогенерируется при первой аутентифицированной загрузке, если отсутствует.
`data/user/settings/auth.json: token_expire_hours`	Нет	Время жизни JWT; по умолчанию `24`.
`data/user/settings/auth.json: username/password_hash`	Нет	Опциональные учётные данные загрузки одного пользователя без головы.
`data/user/settings/system.json`	Нет	`deeptutor start` выводит флаги auth frontend из runtime-настроек.

⚠️ Режим PocketBase (integrations.pocketbase_url установлен) только для одного пользователя. Многопользовательские развёртывания должны оставлять integrations.pocketbase_url пустым и использовать бэкенд JSON/SQLite по умолчанию.

⚠️ Рекомендация одного процесса. Повышение первого пользователя до администратора защищено внутрипроцессным threading.Lock. Развёртывания с несколькими воркерами должны провизировать первого администратора офлайн или поддерживать хранилище пользователей внешней системой.

🌐 Сообщество и экосистема

DeepTutor стоит на плечах выдающихся open-source проектов:

Проект	Роль в DeepTutor
nanobot	Ультралёгкий агентный движок, питающий TutorBot
LlamaIndex	Конвейер RAG и хребет индексации документов
ManimCat	ИИ-генерация математических анимаций для Math Animator

Из экосистемы HKUDS:

⚡ LightRAG	🤖 AutoAgent	🔬 AI-Researcher	🧬 nanobot
Простой и быстрый RAG	Фреймворк агентов без кода	Автоматизированное исследование	Ультралёгкий ИИ-агент

🤝 Вклад

Мы надеемся, что DeepTutor станет подарком для сообщества. 🎁

См. CONTRIBUTING.md для руководства по настройке окружения разработки, стандартам кода и рабочему процессу pull request.

⭐ История звёзд

Data Intelligence Lab @ HKU

⭐ Поставьте звезду · 🐛 Сообщить об ошибке · 💬 Обсуждения

Лицензировано под Apache License 2.0.

Navigation Menu

Repository navigation

README_RU.md

README_RU.md

DeepTutor: Агент-нативное персонализированное обучение

📦 Релизы

📰 Новости

✨ Ключевые возможности

🚀 Начало работы

Вариант 1 — Установить DeepTutor

Вариант 2 — Установить из исходного кода

Вариант 3 — Docker

Подключение к Ollama или другим хост-сервисам

Вариант 4 — Только CLI

Справочник конфигурации

📖 Обзор DeepTutor

💬 Chat — Единое интеллектуальное рабочее пространство

✍️ Co-Writer — Многодокументное рабочее пространство ИИ-письма

📖 Book Engine — Интерактивные «живые книги»

📚 Knowledge Bases — Готовые для RAG библиотеки документов

🌐 Space — Ваша персональная библиотека обучения

🧠 Memory — Трёхслойная архитектура

⚙️ Settings — Единый центр управления

🦞 TutorBot — Постоянные, автономные ИИ-тьюторы

⌨️ DeepTutor CLI — Агент-нативный интерфейс

👥 Многопользовательский режим — Совместные развёртывания с рабочими пространствами на пользователя

🌐 Сообщество и экосистема

🤝 Вклад

⭐ История звёзд

FilesExpand file tree

README_RU.md

Latest commit

History

README_RU.md

File metadata and controls

DeepTutor: Агент-нативное персонализированное обучение

📦 Релизы

📰 Новости

✨ Ключевые возможности

🚀 Начало работы

Вариант 1 — Установить DeepTutor

Вариант 2 — Установить из исходного кода

Вариант 3 — Docker

Подключение к Ollama или другим хост-сервисам

Вариант 4 — Только CLI

Справочник конфигурации

📖 Обзор DeepTutor

💬 Chat — Единое интеллектуальное рабочее пространство

✍️ Co-Writer — Многодокументное рабочее пространство ИИ-письма

📖 Book Engine — Интерактивные «живые книги»

📚 Knowledge Bases — Готовые для RAG библиотеки документов

🌐 Space — Ваша персональная библиотека обучения

🧠 Memory — Трёхслойная архитектура

⚙️ Settings — Единый центр управления

🦞 TutorBot — Постоянные, автономные ИИ-тьюторы

⌨️ DeepTutor CLI — Агент-нативный интерфейс

👥 Многопользовательский режим — Совместные развёртывания с рабочими пространствами на пользователя

🌐 Сообщество и экосистема

🤝 Вклад

⭐ История звёзд