🤝 Damos as boas-vindas a todo tipo de contribuições! Vote em itens do roadmap ou proponha novos em
Roadmap, e consulte o nosso Guia de Contribuição para a estratégia de branches, padrões de código e como começar.
[2026.6.12] v1.4.3 — TutorBot torna-se Partners numa pipeline IM de nível produção com respostas em streaming em tempo real e 15 canais, Chat passa para um único loop de agente, isolamento real por utilizador para implementações multi-utilizador, Visualize reconstruído com validação+reparação local, além de melhorias no Co-writer, visualizador de ficheiros, análise MinerU na nuvem e na CLI. Documentação completamente atualizada em deeptutor.info.
[2026.5.28] v1.4.2 — Estabilidade + polimento em v1.4.1: Gemini 2.5+ desbloqueado no Visualize e Chat, correção de roteamento de autenticação ContextVar (#485), protocolo de etiquetas de raciocínio + ferramentas nativas reforçado, UX de streaming suave em todas as superfícies de chat, nova barra lateral de Recentes recolhível e suporte ao provedor local Lemonade.
[2026.5.27] v1.4.1 — Correção de segurança + estabilidade: sandbox de ferramentas TutorBot bloqueado, isolamento de recursos por utilizador, fallback de imagem multimodal para provedores com capacidade de visão, uma API HTTP/SSE para comunicar com um TutorBot e correção de regressão de chat do v1.4.0.
[2026.5.22] v1.4.0 — Corte GA do v1.4: Modo Auto, Memória de três camadas, Deep Research / Solve / Question agênticos, refatoração de RAG com LlamaIndex, fusão Visualize/Animator, normalização de esforço de raciocínio, fallback de esquema de ferramentas e runtime de turno seguro contra reinicializações.
Lançamentos anteriores (mais de 2 semanas)
[2026.5.21] v1.4.0-beta — Bancada de trabalho de Memória de três camadas (L1/L2/L3), todas as capacidades de chat reconstruídas sobre um único motor agêntico, RAG exclusivo de LlamaIndex e uma superfície unificada de Settings + Capabilities.
[2026.5.10] v1.3.10 — Recuperação de CORS do Docker remoto,
DISABLE_SSL_VERIFYpara provedores SDK, citações de blocos de código mais seguras e add-on Matrix E2EE opcional.
[2026.5.9] v1.3.9 — Suporte Zulip e NVIDIA NIM para TutorBot, roteamento de modelo de pensamento mais seguro,
deeptutor start, dicas de barra lateral e paridade de armazenamento de sessões.
[2026.5.8] v1.3.8 — Implementações multi-utilizador opcionais com espaços de trabalho de utilizador isolados, concessões de administrador, rotas de autenticação e acesso de runtime com escopo.
[2026.5.4] v1.3.7 — Correções de modelo de pensamento/provedor, histórico de índice de Knowledge visível e edição mais segura de templates/limpeza do Co-Writer.
[2026.5.3] v1.3.6 — Seleção de modelos baseada em catálogo para chat e TutorBot, reindexação de RAG mais segura, correções de limite de tokens do OpenAI Responses e validação do editor de Skills.
[2026.5.2] v1.3.5 — Configurações de lançamento local mais suaves, consultas RAG mais seguras, autenticação de embeddings local mais clara e polimento do modo escuro de Settings.
[2026.5.1] v1.3.4 — Persistência de chat em páginas do Book e fluxos de reconstrução, referências de chat para Book, tratamento mais robusto de idioma/raciocínio, extração de documentos RAG reforçada.
[2026.4.30] v1.3.3 — Suporte de embeddings NVIDIA NIM + Gemini, contexto Space unificado para histórico de chat/skills/memória, instantâneos de sessão, resiliência de reindexação RAG.
[2026.4.29] v1.3.2 — URLs de endpoints de embeddings transparentes, resiliência de reindexação RAG para vetores persistidos inválidos, limpeza de memória para saída de modelo de pensamento, correção de runtime do Deep Solve.
[2026.4.28] v1.3.1 — Estabilidade: roteamento RAG e validação de embeddings mais seguros, persistência do Docker, entrada segura para IME, robustez no Windows/GBK.
[2026.4.27] v1.3.0 — Índices KB versionados com fluxo de trabalho de reindexação, espaço de trabalho Knowledge reconstruído, autodescoberta de embeddings com novos adaptadores, hub Space.
[2026.4.25] v1.2.5 — Anexos de chat persistentes com gaveta de pré-visualização de ficheiros, pipelines de capacidades com consciência de anexos, exportação Markdown do TutorBot.
[2026.4.25] v1.2.4 — Anexos de texto/código/SVG, Setup Tour de um comando, exportação Markdown de chat, UI de gestão KB compacta.
[2026.4.24] v1.2.3 — Anexos de documentos (PDF/DOCX/XLSX/PPTX), exibição de blocos de pensamento de raciocínio, editor de templates Soul, guardar Co-Writer no notebook.
[2026.4.22] v1.2.2 — Sistema de Skills criado por utilizadores, revisão do desempenho de entrada de chat, início automático do TutorBot, UI da Book Library, visualização em ecrã inteiro.
[2026.4.21] v1.2.1 — Limites de tokens por etapa, regeneração de resposta em todos os pontos de entrada, correções de compatibilidade de RAG e Gemma.
[2026.4.20] v1.2.0 — Compilador de "livro vivo" Book Engine, Co-Writer multi-documento, visualizações HTML interativas, @-menção do Question Bank.
[2026.4.18] v1.1.2 — Separador Channels orientado por esquema, consolidação de pipeline único RAG, prompts de chat externalizados.
[2026.4.17] v1.1.1 — "Responder agora" universal, sincronização de rolagem do Co-Writer, painel de configurações unificado, botão Stop de streaming.
[2026.4.15] v1.1.0 — Revisão de matemática de bloco LaTeX, sonda de diagnóstico LLM, orientação de Docker + LLM local.
[2026.4.14] v1.1.0-beta — Sessões marcáveis, tema Snow, heartbeat WebSocket e reconexão automática, revisão do registo de embeddings.
[2026.4.13] v1.0.3 — Question Notebook com marcadores e categorias, Mermaid no Visualize, deteção de incompatibilidade de embeddings, compatibilidade Qwen/vLLM, suporte LM Studio e llama.cpp, tema Glass.
[2026.4.11] v1.0.2 — Consolidação de pesquisa com fallback SearXNG, correção de troca de provedor, correções de fugas de recursos do frontend.
[2026.4.10] v1.0.1 — Capacidade Visualize (Chart.js/SVG), prevenção de duplicados em quizzes, suporte do modelo o4-mini.
[2026.4.10] v1.0.0-beta.4 — Rastreamento do progresso de embeddings com retry de limite de taxa, correções de dependências multiplataforma, correção de validação MIME.
[2026.4.8] v1.0.0-beta.3 — SDK nativo OpenAI/Anthropic (remover litellm), suporte de Math Animator no Windows, análise JSON robusta e i18n completo em chinês.
[2026.4.7] v1.0.0-beta.2 — Recarga a quente de configurações, saída aninhada MinerU, correção de WebSocket e mínimo Python 3.11+.
[2026.4.4] v1.0.0-beta.1 — Reescrita de arquitetura nativa de agentes (~200k linhas): modelo de plugins Tools + Capabilities, CLI e SDK, TutorBot, Co-Writer, Guided Learning e memória persistente.
[2026.1.23] v0.6.0 — Persistência de sessões, carregamento incremental de documentos, importação flexível de pipeline RAG e localização completa para chinês.
[2026.1.18] v0.5.2 — Suporte de Docling para RAG-Anything, otimização do sistema de logs e correções de erros.
[2026.1.15] v0.5.0 — Configuração de serviço unificada, seleção de pipeline RAG por base de conhecimento, revisão de geração de perguntas e personalização da barra lateral.
[2026.1.9] v0.4.0 — Suporte de LLM e embeddings multi-provedor, nova página inicial, desacoplamento do módulo RAG e refatoração de variáveis de ambiente.
[2026.1.5] v0.3.0 — Arquitetura PromptManager unificada, GitHub Actions CI/CD e imagens Docker pré-construídas no GHCR.
[2026.1.2] v0.2.0 — Implementação Docker, atualização para Next.js 16 e React 19, reforço de segurança WebSocket e correções de vulnerabilidades críticas.
[2026.5.22] 🌐 O nosso site oficial de documentação está disponível em deeptutor.info — guias, referências e tours de capacidades, tudo num só lugar.
[2026.4.19] 🎉 Atingimos 20k estrelas em 111 dias! Obrigado pelo apoio incrível — estamos comprometidos com a iteração contínua rumo a uma tutoria verdadeiramente personalizada e inteligente para todos.
[2026.4.10] 📄 O nosso artigo está agora no arXiv! Leia o preprint para saber mais sobre o design e as ideias por trás do DeepTutor.
[2026.4.4] Quanto tempo! ✨ DeepTutor v1.0.0 está finalmente aqui — uma evolução nativa de agentes com uma reescrita de arquitetura do zero, TutorBot e troca flexível de modos sob a licença Apache-2.0. Um novo capítulo começa e a nossa história continua!
[2026.2.6] 🚀 Atingimos 10k estrelas em apenas 39 dias! Um enorme obrigado à nossa incrível comunidade pelo apoio!
[2026.1.1] Feliz Ano Novo! Junte-se ao nosso Discord, WeChat ou Discussions — juntos demos forma ao futuro do DeepTutor!
[2025.12.29] DeepTutor está oficialmente lançado!
O DeepTutor é organizado em torno de um runtime nativo de agentes: um ChatOrchestrator partilhado encaminha cada turno para capacidades, um ToolRegistry expõe ferramentas de disparo único quando o modelo precisa delas, e um CapabilityRegistry permite que fluxos de trabalho mais profundos assumam o turno quando a tarefa precisa de estrutura.
Um espaço de trabalho de aprendizagem
- Chat como o loop predefinido — tutoria casual, perguntas e respostas fundamentadas em fontes, Deep Solve, Deep Question, Deep Research, Visualize e Auto Mode partilham o mesmo contexto de sessão e inventário de fontes.
- Superfícies de aprendizagem que permanecem ligadas — rascunhos do Co-Writer, páginas do Book, Bases de Conhecimento, ativos do Space e Memória são espaços de trabalho separados, mas alimentam o mesmo runtime de agentes em vez de se tornarem aplicações isoladas.
- Partners para companhia persistente — os companheiros ligados por IM agora correm no mesmo loop de agente de chat que o produto principal, com o seu próprio espaço de trabalho sintético e biblioteca atribuída.
Ferramentas, memória e controlo
- Ferramentas componíveis — RAG, leitura de fontes, leitura/escrita de memória, notebooks, obtenção de URL, pesquisa no GitHub, pausas de pergunta ao utilizador, execução em sandbox e ferramentas opcionais de brainstorm/web/artigos/raciocínio podem ser montadas de acordo com o contexto e as configurações.
- Memória de três camadas — traços L1, resumos por superfície L2 e síntese entre superfícies L3 tornam a personalização inspecionável em vez de oculta por trás de uma caixa negra.
- Configurações e CLI unificadas — catálogos de modelos, embeddings, pesquisa, rede, servidores MCP, ferramentas, capacidades e configurações de implementação são editáveis a partir da UI web e programáveis a partir de
deeptutor.
O DeepTutor inclui quatro caminhos de instalação. Todos partilham um layout de espaço de trabalho: as configurações vivem em data/user/settings/ sob o diretório a partir do qual é iniciado (ou sob DEEPTUTOR_HOME / deeptutor start --home se definido explicitamente). Para a aplicação completa, o fluxo recomendado é escolher um diretório de espaço de trabalho → instalar → deeptutor init → deeptutor start.
✨ v1.4.3 está disponível.
pip install -U deeptutorobtém a versão estável mais recente. As versões pré-lançamento (quando disponíveis) são ativadas compip install --pre -U deeptutor.
Aplicação web local completa + CLI, sem necessidade de clonar. Requer Python 3.11+ e um runtime Node.js 20+ no PATH (o servidor standalone Next.js empacotado é iniciado por deeptutor start).
mkdir -p my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init # solicita portas + provedor LLM + embedding opcional
deeptutor start # inicia backend + frontend; manter o terminal abertodeeptutor init solicita a porta de backend (predefinição 8001), a porta de frontend (predefinição 3782), provedor LLM / URL base / chave API / modelo e um provedor de embeddings opcional para Base de Conhecimento / RAG.
Após deeptutor start, abra a URL do frontend impressa no terminal — por predefinição http://127.0.0.1:3782. Prima Ctrl+C nesse terminal para parar tanto o backend como o frontend. Omitir deeptutor init é adequado para um teste rápido; a aplicação arranca com portas predefinidas e configuração de modelo vazia, configure-as depois em Settings → Models.
Para desenvolvimento num checkout. Use Python 3.11+ e Node.js 22 LTS para coincidir com CI e Docker.
git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
# Criar um venv (macOS/Linux). Windows PowerShell:
# py -3.11 -m venv .venv ; .\.venv\Scripts\Activate.ps1
python3 -m venv .venv && source .venv/bin/activate
python -m pip install --upgrade pip
# Instalar dependências de backend + frontend
python -m pip install -e .
( cd web && npm ci --legacy-peer-deps )
deeptutor init
deeptutor startAs instalações a partir de fonte executam o Next.js em modo de desenvolvimento contra o diretório web/ local; todo o resto (layout de configuração, portas, parar com Ctrl+C) corresponde à Opção 1.
Ambiente Conda (em vez de venv)
conda create -n deeptutor python=3.11
conda activate deeptutor
python -m pip install --upgrade pipExtras de instalação opcionais — dev / partners / matrix / math-animator
pip install -e ".[dev]" # ferramentas de testes/lint
pip install -e ".[partners]" # SDKs de canais IM de Partners + cliente MCP
pip install -e ".[matrix]" # canal Matrix sem E2EE/libolm
pip install -e ".[matrix-e2e]" # Matrix E2EE; requer libolm
pip install -e ".[math-animator]" # add-on Manim; requer LaTeX/ffmpeg/libs do sistemaAjustes de dependências do frontend e resolução de problemas do servidor de desenvolvimento
Alterar dependências do frontend: execute npm install --legacy-peer-deps para atualizar web/package-lock.json, depois confirme tanto web/package.json como web/package-lock.json.
Servidor de desenvolvimento bloqueado: se deeptutor start reportar um frontend existente que não responde, pare o PID que imprime. Se não houver nenhum processo Next.js em execução, os ficheiros de bloqueio estão desatualizados — remova-os e tente novamente:
rm -f web/.next/dev/lock web/.next/lock
deeptutor startUm contentor para a aplicação web completa. Imagens no GitHub Container Registry:
ghcr.io/hkuds/deeptutor:latest— lançamento estávelghcr.io/hkuds/deeptutor:pre— pré-lançamento, quando disponível
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
⚠️ Mapeie tanto3782como8001.3782serve a UI web;8001é o backend FastAPI que o seu navegador chama diretamente — não há proxy dentro do contentor. Omitir o mapeamento de8001e a página ainda carrega, mas Settings mostra "Backend unreachable" e não pode ser utilizado.
Abra http://127.0.0.1:3782. O contentor cria /app/data/user/settings/*.json no primeiro arranque; configure os provedores de modelos a partir da página de Settings web. A configuração, as chaves API, os logs, os ficheiros do espaço de trabalho, a memória e as bases de conhecimento persistem no volume deeptutor-data.
- Portas de host diferentes: altere o lado esquerdo de cada mapeamento
-p host:container(ex.-p 127.0.0.1:8088:3782). Se alterar as portas do lado do contentor em/app/data/user/settings/system.json, reinicie e atualize o lado direito de cada mapeamento para corresponder. - Desconectado: adicione
-d, depoisdocker logs -f deeptutorpara seguir,docker stop deeptutorpara parar,docker rm deeptutorantes de reutilizar o nome. O volumedeeptutor-datamantém as suas configurações e espaço de trabalho entre reinicializações.
Docker remoto / proxy inverso: a UI web corre no navegador, por isso o navegador precisa de um URL de backend que consiga alcançar. Para servidores remotos, abra Settings -> Network ou edite data/user/settings/system.json:
{
"next_public_api_base_external": "https://deeptutor.example.com"
}public_api_base é aceite como alias de compatibilidade e é normalizado em next_public_api_base_external ao guardar. CORS usa origens de frontend, não URLs de API. Com a autenticação desativada, o DeepTutor permite origens normais de navegador HTTP/HTTPS por predefinição. Com a autenticação ativada, adicione as origens exatas do frontend:
{
"cors_origins": ["https://deeptutor.example.com"]
}Ligar ao Ollama / LM Studio / llama.cpp / vLLM / Lemonade no host
Dentro do Docker, localhost é o próprio contentor, não a sua máquina host. Para alcançar um serviço de modelo em execução no host, use o host gateway (recomendado):
docker run --rm --name deeptutor \
-p 127.0.0.1:3782:3782 -p 127.0.0.1:8001:8001 \
--add-host=host.docker.internal:host-gateway \
-v deeptutor-data:/app/data \
ghcr.io/hkuds/deeptutor:latestDepois em Settings → Models, aponte o URL Base do provedor para 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
O Docker Desktop (macOS/Windows) geralmente resolve host.docker.internal sem --add-host. No Linux, o flag é a forma portátil de criar esse nome de host no Docker Engine moderno.
Alternativa para Linux — rede do host: adicione --network=host e remova os flags -p. O contentor partilha a rede do host diretamente, por isso abra http://127.0.0.1:3782 (ou o frontend_port em system.json), e os serviços do host podem ser alcançados com URLs de localhost normais como http://127.0.0.1:11434/v1. Note que a rede do host expõe as portas do contentor diretamente no host e pode entrar em conflito com serviços existentes.
As skills de escritório integradas — docx / pdf / pptx / xlsx — funcionam fazendo com que o modelo escreva um script Python curto (python-docx, reportlab, openpyxl, …), o execute através das ferramentas exec / code_execution e devolva um URL de download. Essas ferramentas montam sempre que um backend de sandbox está ativo, o que é o caso por predefinição em cada forma de implementação:
- Local (Opção 1 / 2) e Docker (Opção 3, contentor único): um sandbox de subprocesso restrito executa o código do modelo (localmente no host, ou dentro do contentor sob Docker — o contentor sendo o seu próprio limite de isolamento).
- docker-compose: encaminhado em vez disso para um sidecar runner endurecido e com privilégios mínimos (
Dockerfile.runner) viaDEEPTUTOR_SANDBOX_RUNNER_URL— a postura mais sólida, e preferida automaticamente quando presente.
O sandbox de subprocesso é controlado pela configuração sandbox_allow_subprocess em data/user/settings/system.json (predefinição true). Executar código gerado pelo modelo no seu host é uma decisão real de confiança — defina-o como false (ou exporte DEEPTUTOR_SANDBOX_ALLOW_SUBPROCESS=0) para desativar a execução do lado do host, à custa das skills de escritório já não conseguirem produzir ficheiros.
Quando não precisa da UI web. O pacote de apenas CLI é instalado a partir de um checkout de fonte, não a partir do PyPI.
git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
# Criar um venv (macOS/Linux). Windows PowerShell:
# py -3.11 -m venv .venv-cli ; .\.venv-cli\Scripts\Activate.ps1
python3 -m venv .venv-cli && source .venv-cli/bin/activate
python -m pip install --upgrade pip
python -m pip install -e ./packaging/deeptutor-cli
deeptutor init --cli
deeptutor chatdeeptutor init --cli partilha o mesmo layout data/user/settings/ que a aplicação completa mas omite as solicitações de portas de backend/frontend e define embeddings como desativado (escolha Yes se planear usar deeptutor kb … ou ferramentas RAG). Ainda escreve um layout de runtime completo (system.json, auth.json, integrations.json, model_catalog.json, main.yaml, agents.yaml) e ainda solicita o provedor LLM e modelo ativos.
Comandos comuns
deeptutor chat # REPL interativo
deeptutor chat --capability deep_solve --tool rag --kb my-kb
deeptutor run chat "Explain Fourier transform"
deeptutor run deep_solve "Solve x^2 = 4" --tool rag --kb my-kb
deeptutor kb create my-kb --doc textbook.pdf
deeptutor memory show
deeptutor config showA instalação local de deeptutor-cli não inclui ativos web nem dependências de servidor. Mantenha o checkout de fonte por perto — a instalação editável aponta para ele. Para adicionar a aplicação web mais tarde, instale o pacote PyPI (Opção 1) e execute deeptutor init + deeptutor start a partir do mesmo espaço de trabalho.
Ficheiros de configuração sob data/user/settings/ — referência JSON/YAML
Tudo sob data/user/settings/ é JSON/YAML simples. A página Settings no navegador é o editor recomendado.
| Ficheiro | Propósito |
|---|---|
model_catalog.json |
Perfis de provedores LLM, embeddings e pesquisa; chaves API; modelos ativos |
system.json |
Portas de backend/frontend, base de API pública, CORS, verificação SSL, diretório de anexos |
auth.json |
Interruptor de autenticação opcional, nome de utilizador, hash de palavra-passe, configurações de token/cookie |
integrations.json |
Configurações opcionais de PocketBase e integrações sidecar |
interface.json |
Preferências de idioma / tema / barra lateral da UI |
main.yaml |
Predefinições de comportamento de runtime e injeção de caminhos |
agents.yaml |
Configurações de temperatura e tokens de capacidades/ferramentas |
O .env da raiz do projeto não é lido como ficheiro de configuração da aplicação. Para uma configuração mínima do modelo, abra Settings → Models, adicione um perfil LLM (URL Base / chave API / nome do modelo) e guarde. Adicione um perfil de embeddings apenas se planear usar funcionalidades de Base de Conhecimento / RAG.
O tour do README segue as superfícies do produto na ordem em que as encontrará com mais frequência: Chat, Partner, Co-Writer, Book, Knowledge, Space, Memory e Settings.
Chat é a capacidade predefinida e o lugar onde a maior parte do trabalho começa. Um único thread pode conversar normalmente, chamar ferramentas, fundamentar-se em bases de conhecimento selecionadas, ler anexos, escrever registos de notebook e continuar com o mesmo inventário de fontes entre turnos.
O loop atual é deliberadamente simples: o modelo pensa em rondas, chama ferramentas quando útil, observa os resultados das ferramentas e termina quando tem evidência suficiente. As ferramentas que o utilizador pode ativar são brainstorm, web_search, paper_search e reason; ferramentas contextuais como rag, read_source, read_memory, write_memory, read_skill, load_tools, exec, web_fetch, ask_user, list_notebook, write_note e github montam quando o turno tem o contexto certo.
Chat é também o ponto de lançamento para capacidades mais profundas: deep_solve para raciocínio trabalhado, deep_question para geração de perguntas, deep_research para relatórios com citações, visualize e math_animator para saídas visuais, auto para encaminhamento e mastery_path para fluxos de planos de aprendizagem.
Os Partners substituem o motor TutorBot mais antigo por um modelo mais limpo: cada mensagem web ou IM recebida torna-se um turno normal do ChatOrchestrator dentro de um espaço de trabalho com âmbito de partner. Não há um cérebro de bot separado para manter sincronizado.
Cada partner tem um SOUL.md, seleção de modelo, canais, política de ferramentas e biblioteca atribuída. As bases de conhecimento, skills e notebooks são copiadas para data/partners/<id>/workspace/, pelo que as mesmas ferramentas de RAG, skill, notebook e memória funcionam sem casos especiais.
A camada de canais é orientada por esquema e pode ligar-se a plataformas IM como Feishu, Telegram, Slack, DingTalk, QQ/Napcat, WeCom, WhatsApp, Zulip, Matrix e Microsoft Teams dependendo dos extras instalados e das credenciais configuradas.
Co-Writer é um espaço de trabalho Markdown de vista dividida para relatórios, tutoriais, notas e artefactos de aprendizagem de formato longo. Os documentos guardam automaticamente, renderizam uma pré-visualização em tempo real e podem ser guardados de volta em notebooks quando o rascunho se torna contexto reutilizável.
Selecione texto e peça ao DeepTutor para reescrever, expandir ou encurtar. O agente de edição mantém um rasto de chamadas de ferramentas e pode fundamentar uma edição numa base de conhecimento ou evidência web, pelo que o Co-Writer comporta-se mais como um editor com recuperação do que como uma caixa de texto desconectada.
Book converte fontes selecionadas em material de aprendizagem interativo. Um livro pode começar a partir de bases de conhecimento, notebooks, bancos de perguntas ou histórico de chat; o fluxo de criação propõe uma estrutura antes de o conteúdo ser gerado, para que os utilizadores possam rever a forma em vez de aceitar uma saída cega de disparo único.
O BookEngine compila páginas em blocos tipados: texto, secções, callouts, quizzes, cartões flash, linhas do tempo, código, figuras, HTML interativo, animações, gráficos de conceitos, mergulhos profundos e notas de utilizador. Os comandos de manutenção como deeptutor book health e deeptutor book refresh-fingerprints ajudam a detetar quando o conhecimento de origem divergiu das páginas compiladas.
As Bases de Conhecimento são as coleções de documentos por trás do RAG. A pilha atual é exclusivamente LlamaIndex, com um layout de armazenamento plano version-N codificado por assinatura de embedding. A reindexação preserva versões anteriores e evita sobrescrever um índice funcional enquanto novos documentos são processados.
O espaço de trabalho web expõe ficheiros, carregamento, versões de índice e configurações. A CLI espelha o mesmo ciclo de vida com deeptutor kb list, info, create, add, search, set-default e delete.
Space é a camada de biblioteca para contexto reutilizável. Reúne skills criadas por utilizadores, personas, notebooks, histórico de chat e ativos de estilo de banco de perguntas para que o agente possa ser dirigido com contexto deliberado em vez de prompts ad hoc.
As Skills são armazenadas como ficheiros SKILL.md sob o espaço de trabalho do utilizador e podem ser etiquetadas, editadas ou mantidas como somente leitura quando são integradas. As Personas seguem a mesma ideia para o papel e a voz. Estes ativos podem ser atribuídos a partners, referenciados no chat e reutilizados em fluxos de trabalho de aprendizagem.
Memory é um sistema de três camadas enraizado no espaço de trabalho do utilizador ativo: trace/<surface>/<date>.jsonl para traços de eventos L1, L2/<surface>.md para factos por superfície e L3/<recent|profile|scope|preferences>.md para síntese entre superfícies.
As superfícies de memória suportadas são chat, notebook, quiz, kb, book, tutorbot e cowriter. O nome legado tutorbot permanece na camada de memória por compatibilidade, embora o modelo de companheiro orientado para o produto seja agora Partners. A bancada de trabalho permite-lhe inspecionar, editar, executar consolidação e usar o gráfico para rastrear as afirmações sintetizadas até aos seus factos de suporte e eventos brutos.
Settings é o plano de controlo operacional. Cobre aparência, portas de rede e base de API externa, catálogos de LLM e embeddings, provedores de pesquisa, análise MinerU, orçamentos de capacidades, cadência de memória, servidores MCP, ferramentas integradas e a lista de ferramentas opcionais ativadas.
A maioria das configurações usa um fluxo de rascunho e aplicação para que os utilizadores possam testar provedores antes de os confirmar. Os ficheiros .env da raiz do projeto são intencionalmente ignorados; a configuração de runtime vive sob data/user/settings/*.json a menos que DEEPTUTOR_HOME ou deeptutor start --home aponte a aplicação para outro lugar.
O DeepTutor é nativo de CLI: o mesmo ponto de entrada deeptutor pode inicializar um espaço de trabalho, iniciar a aplicação web, executar uma capacidade de disparo único, abrir um REPL interativo, gerir bases de conhecimento, inspecionar sessões, manter livros e operar partners.
deeptutor run chat "Explain Fourier transform" --tool rag --kb textbook
deeptutor run deep_solve "Solve x^2 = 4" --tool reason
deeptutor chat --capability deep_research --kb papers
deeptutor partner create math-tutor --soul "Socratic math tutor"
deeptutor kb create calculus --doc textbook.pdfReferência de comandos
| Comando | Descrição |
|---|---|
deeptutor init |
Criar ou atualizar data/user/settings para o espaço de trabalho atual |
deeptutor start [--home PATH] |
Lançar backend + frontend juntos |
deeptutor serve [--port PORT] |
Iniciar apenas o backend FastAPI |
deeptutor run <capability> <message> |
Executar um turno de capacidade único (chat, deep_solve, deep_question, deep_research, visualize, math_animator, auto, mastery_path) |
deeptutor chat |
REPL interativo com controlos de capacidade, ferramenta, KB, notebook e histórico |
deeptutor partner list/create/start/stop |
Gerir partners ligados por IM |
deeptutor kb list/info/create/add/search/set-default/delete |
Gerir bases de conhecimento LlamaIndex |
deeptutor memory show/clear |
Inspecionar documentos de memória L2/L3 ou limpar memória L1/toda |
deeptutor session list/show/open/rename/delete |
Gerir sessões partilhadas |
deeptutor notebook list/create/show/add-md/replace-md/remove-record |
Gerir notebooks a partir de ficheiros Markdown |
deeptutor book list/health/refresh-fingerprints |
Inspecionar livros e atualizar impressões digitais de fontes |
deeptutor plugin list/info |
Inspecionar ferramentas e capacidades registadas |
deeptutor config show |
Imprimir resumo de configuração |
deeptutor provider login <provider> |
Gerir login OAuth do provedor onde suportado |
A distribuição de apenas CLI está em packaging/deeptutor-cli; neste checkout deve ser instalada a partir de fonte com python -m pip install -e ./packaging/deeptutor-cli. O pacote público deeptutor-cli não está atualmente disponível no PyPI, pelo que a secção principal de Começar mantém o caminho de instalação a partir de fonte.
A autenticação é opcional e está desativada por predefinição. Quando ativada, o DeepTutor torna-se uma implementação partilhada com um espaço de trabalho de administrador, espaços de trabalho por utilizador, espaços de trabalho de partners e estado do sistema sob uma árvore data/.
data/
├── user/ # Espaço de trabalho e configurações do administrador
├── users/<uid>/ # Âmbito do utilizador não administrador
│ ├── user/chat_history.db
│ ├── user/settings/interface.json
│ ├── user/workspace/{chat,co-writer,book,memory,notebook,...}
│ └── knowledge_bases/...
├── partners/<id>/workspace/ # Âmbito do utilizador sintético do partner
└── system/
├── auth/users.json
├── grants/<uid>.json
└── audit/usage.jsonl
O primeiro utilizador registado torna-se administrador e pode configurar catálogos de modelos, credenciais de provedores, bases de conhecimento, skills e concessões de utilizador. Os utilizadores não administradores obtêm histórico de chat isolado, memória, notebooks, bases de conhecimento pessoais e uma página de Settings editada; os recursos atribuídos pelo administrador aparecem como opções com âmbito somente leitura em vez de expor chaves API ou componentes internos do provedor.
Para um teste local, defina data/user/settings/auth.json para ativar a autenticação, reinicie deeptutor start, registe o primeiro administrador em /register, depois crie utilizadores a partir de /admin/users e atribua modelos, KBs, skills, política de ferramentas, política MCP e acesso de execução de código através de concessões.
O modo PocketBase continua a ser uma integração de utilizador único nesta árvore; as implementações multi-utilizador devem manter integrations.pocketbase_url em branco e usar os armazéns de autenticação e sessão JSON/SQLite predefinidos a menos que um armazém de utilizadores externo tenha sido explicitamente concebido para a implementação.
O DeepTutor apoia-se nos ombros de projetos de código aberto excecionais:
| Projeto | Papel no DeepTutor |
|---|---|
| nanobot | Motor de agente ultraligeiro que alimentou o TutorBot original (os Partners agora correm no loop de agente de chat do DeepTutor) |
| LlamaIndex | Espinha dorsal da pipeline RAG e indexação de documentos |
| ManimCat | Geração de animações matemáticas impulsionada por IA para o Math Animator |
Do ecossistema HKUDS:
| ⚡ LightRAG | 🤖 AutoAgent | 🔬 AI-Researcher | 🧬 nanobot |
|---|---|---|---|
| RAG Simples e Rápido | Framework de Agentes Sem Código | Investigação Automatizada | Agente IA Ultraligeiro |
Esperamos que o DeepTutor se torne um presente para a comunidade. 🎁
Consulte CONTRIBUTING.md para obter orientações sobre como configurar o seu ambiente de desenvolvimento, padrões de código e fluxo de trabalho de pull requests.