DeepTutor: Spersonalizowane korepetycje natywne dla agentów

Funkcje · Jak zacząć · Odkrywaj · TutorBot · CLI · Multi-użytkownik · Społeczność

🤝 Każda forma współtworzenia jest mile widziana! Zapoznaj się z naszym Przewodnikiem dla kontrybutorów, w którym opisaliśmy strategię gałęzi, standardy kodu oraz pierwsze kroki.

🗺️ Roadmapa prowadzona jest jawnie pod adresem HKUDS/DeepTutor#498 — komentuj, aby głosować na elementy lub proponować nowe.

📦 Wydania

[2026.5.21] v1.4.0-beta — Trójwarstwowy workbench Memory (L1/L2/L3), każda funkcja czatu przebudowana w oparciu o jeden agentowy silnik, RAG wyłącznie na LlamaIndex oraz zunifikowana powierzchnia Settings + Capabilities.

[2026.5.10] v1.3.10 — Naprawa CORS dla zdalnego Dockera, DISABLE_SSL_VERIFY w dostawcach SDK, bezpieczniejsze cytaty w blokach kodu oraz opcjonalny dodatek Matrix E2EE.

[2026.5.9] v1.3.9 — Wsparcie Zulip i NVIDIA NIM w TutorBot, bezpieczniejszy routing modeli rozumujących, deeptutor start, podpowiedzi w pasku bocznym i spójność magazynu sesji.

[2026.5.8] v1.3.8 — Opcjonalne wdrożenia wielu użytkowników z izolowanymi przestrzeniami roboczymi, uprawnienia administratora, trasy uwierzytelniania oraz ograniczony dostęp w trakcie działania.

Starsze wydania (ponad 2 tygodnie temu)

[2026.5.4] v1.3.7 — Poprawki dla modeli/dostawców rozumujących, widoczna historia indeksów Knowledge oraz bezpieczniejsze czyszczenie i edycja szablonów w Co-Writer.

[2026.5.3] v1.3.6 — Wybór modeli na podstawie katalogu dla czatu i TutorBot, bezpieczniejsza ponowna indeksacja RAG, poprawki limitów tokenów OpenAI Responses oraz walidacja edytora Skills.

[2026.5.2] v1.3.5 — Płynniejsze ustawienia lokalnego uruchamiania, bezpieczniejsze zapytania RAG, schludniejsze uwierzytelnianie lokalnych embeddingów oraz dopracowanie trybu ciemnego w Settings.

[2026.5.1] v1.3.4 — Trwałość czatu na stronach książek i przepływy odbudowy, odniesienia z czatu do książek, lepsza obsługa języka i rozumowania, wzmocnienie ekstrakcji dokumentów RAG.

[2026.4.30] v1.3.3 — Wsparcie embeddingów NVIDIA NIM i Gemini, zunifikowany kontekst Space dla historii czatu/skills/memory, migawki sesji oraz odporność na ponowną indeksację RAG.

[2026.4.29] v1.3.2 — Przejrzyste adresy URL endpointów embeddingów, odporność ponownej indeksacji RAG przy nieprawidłowych zapisanych wektorach, sprzątanie pamięci dla wyjścia modeli rozumujących oraz poprawka działania Deep Solve.

[2026.4.28] v1.3.1 — Stabilność: bezpieczniejszy routing RAG oraz walidacja embeddingów, trwałość Docker, bezpieczne wejście IME, odporność na Windows/GBK.

[2026.4.27] v1.3.0 — Wersjonowane indeksy KB z procesem ponownej indeksacji, przebudowana przestrzeń Knowledge, automatyczne wykrywanie embeddingów z nowymi adapterami oraz hub Space.

[2026.4.25] v1.2.5 — Trwałe załączniki czatu z szufladą podglądu plików, potoki funkcji świadome załączników oraz eksport Markdown w TutorBot.

[2026.4.25] v1.2.4 — Załączniki tekstowe/kodu/SVG, Setup Tour jednym poleceniem, eksport czatu do Markdown, kompaktowy interfejs zarządzania KB.

[2026.4.24] v1.2.3 — Załączniki dokumentów (PDF/DOCX/XLSX/PPTX), wyświetlanie bloku rozumowania, edytor szablonów Soul, zapis Co-Writer do notatnika.

[2026.4.22] v1.2.2 — System Skills tworzonych przez użytkownika, gruntowna poprawa wydajności wprowadzania w czacie, automatyczny start TutorBot, interfejs Book Library, wizualizacje w trybie pełnoekranowym.

[2026.4.21] v1.2.1 — Limity tokenów na etap, regeneracja odpowiedzi we wszystkich punktach wejścia, poprawki kompatybilności RAG i Gemma.

[2026.4.20] v1.2.0 — Kompilator „żywych książek” Book Engine, wielodokumentowy Co-Writer, interaktywne wizualizacje HTML, @-wzmianki Question Bank.

[2026.4.18] v1.1.2 — Zakładka Channels oparta na schemacie, konsolidacja RAG w jeden potok, zewnętrzne prompty czatu.

[2026.4.17] v1.1.1 — Uniwersalne „Odpowiedz teraz”, synchronizacja przewijania Co-Writer, zunifikowany panel ustawień, przycisk Stop dla streamingu.

[2026.4.15] v1.1.0 — Przebudowa blokowej matematyki LaTeX, sonda diagnostyczna LLM, wskazówki dla Docker + lokalnego LLM.

[2026.4.14] v1.1.0-beta — Sesje z zakładkami, motyw Snow, heartbeat WebSocket i automatyczne ponowne łączenie, przebudowa rejestru embeddingów.

[2026.4.13] v1.0.3 — Notatnik pytań z zakładkami i kategoriami, Mermaid w Visualize, wykrywanie niedopasowania embeddingów, kompatybilność Qwen/vLLM, wsparcie LM Studio i llama.cpp oraz motyw Glass.

[2026.4.11] v1.0.2 — Konsolidacja wyszukiwania z fallbackiem do SearXNG, naprawa przełączania dostawców i poprawki wycieków zasobów we frontendzie.

[2026.4.10] v1.0.1 — Funkcja Visualize (Chart.js/SVG), zapobieganie duplikatom w quizach oraz wsparcie modelu o4-mini.

[2026.4.10] v1.0.0-beta.4 — Śledzenie postępu embeddingów z ponawianiem przy rate-limit, międzyplatformowe poprawki zależności oraz naprawa walidacji MIME.

[2026.4.8] v1.0.0-beta.3 — Natywne SDK OpenAI/Anthropic (rezygnacja z litellm), wsparcie Math Animator dla Windows, odporne parsowanie JSON oraz pełna chińska i18n.

[2026.4.7] v1.0.0-beta.2 — Przeładowywanie ustawień na gorąco, zagnieżdżone wyjście MinerU, poprawka WebSocket oraz minimum Python 3.11+.

[2026.4.4] v1.0.0-beta.1 — Przepisanie architektury natywnej dla agentów (~200 tys. linii): model wtyczek Tools + Capabilities, CLI i SDK, TutorBot, Co-Writer, Guided Learning oraz trwała pamięć.

[2026.1.23] v0.6.0 — Trwałość sesji, przyrostowe przesyłanie dokumentów, elastyczny import potoku RAG i pełna lokalizacja chińska.

[2026.1.18] v0.5.2 — Wsparcie Docling dla RAG-Anything, optymalizacja systemu logowania oraz poprawki błędów.

[2026.1.15] v0.5.0 — Zunifikowana konfiguracja usług, wybór potoku RAG dla każdej bazy wiedzy, przebudowa generowania pytań oraz personalizacja paska bocznego.

[2026.1.9] v0.4.0 — Wsparcie wielu dostawców LLM i embeddingów, nowa strona główna, oddzielenie modułu RAG oraz refaktor zmiennych środowiskowych.

[2026.1.5] v0.3.0 — Zunifikowana architektura PromptManager, CI/CD oparte na GitHub Actions oraz gotowe obrazy Docker na GHCR.

[2026.1.2] v0.2.0 — Wdrożenie Docker, aktualizacja Next.js 16 i React 19, wzmocnienie bezpieczeństwa WebSocket oraz krytyczne poprawki luk.

📰 Aktualności

[2026.4.19] 🎉 Osiągnęliśmy 20 tys. gwiazdek po 111 dniach! Dziękujemy za niesamowite wsparcie — zobowiązujemy się do dalszej iteracji w stronę naprawdę spersonalizowanych, inteligentnych korepetycji dla każdego.

[2026.4.10] 📄 Nasz artykuł jest już dostępny na arXiv! Przeczytaj preprint, aby dowiedzieć się więcej o projekcie i ideach stojących za DeepTutor.

[2026.4.4] Dawno się nie widzieliśmy! ✨ DeepTutor v1.0.0 jest wreszcie tutaj — agentowa ewolucja z przebudowaną od podstaw architekturą, TutorBot oraz elastycznym przełączaniem trybów na licencji Apache-2.0. Zaczyna się nowy rozdział, a nasza historia trwa dalej!

[2026.2.6] 🚀 Osiągnęliśmy 10 tys. gwiazdek w zaledwie 39 dni! Ogromne podziękowania dla naszej niesamowitej społeczności za wsparcie!

[2026.1.1] Szczęśliwego Nowego Roku! Dołącz do naszego Discorda, WeChat lub Dyskusji — wspólnie kształtujmy przyszłość DeepTutor!

[2025.12.29] DeepTutor zostaje oficjalnie wydany!

✨ Kluczowe funkcje

Powierzchnie pracy

Chat — Chat, Solve, Quiz, Research oraz Visualize współdzielą jedną sesję, bazę wiedzy i historię cytatów, więc można eskalować w trakcie rozmowy bez utraty kontekstu.
Co-Writer — przestrzeń Markdown z widokiem podzielonym, w której dowolne zaznaczenie można przepisać, rozwinąć lub skrócić, opcjonalnie zakotwiczone w Twoim KB lub w sieci. Wersje robocze zapisują się prosto do notatników.
Book Engine — potok wieloagentowy kompiluje Twoje materiały w interaktywne „żywe książki” z 13 typami bloków: quizy, fiszki, osie czasu, grafy pojęć, osadzony viewer GeoGebra, animacje i inne. Strony są oznaczone odciskami palców KB, więc dryf jest wykrywalny.

Twoja biblioteka

Knowledge Bases — wersjonowane zbiory gotowe dla RAG, w całości na LlamaIndex. Każde (ponowne) indeksowanie jest śledzone, porównywalne i można je cofnąć.
Space — osobista biblioteka powtórek łącząca historię czatu, notatniki, bank pytań oraz Skills tworzone przez użytkownika (SKILL.md), które zmieniają personę DeepTutor.
Trójwarstwowa Memory — append-only ślady L1, kurowane fakty per-powierzchnia L2 z cytatami oraz synteza międzypowierzchniowa L3. Inspektowalny workbench i Memory Graph pozwalają audytować, dlaczego DeepTutor wie to, co wie.

Rozszerzalność i kontrola

Komponowalne narzędzia — RAG, wyszukiwanie webowe, wykonanie kodu, rozumowanie, brainstorming, wyszukiwanie artykułów, analiza GeoGebra oraz pomocnicy czatu (ask_user, web_fetch, write_note, list_notebook, github_query). Serwery MCP podpinają się obok wbudowanych narzędzi.
Osobiste TutorBoty — trwałe, autonomiczne korepetytorzy, każdy z własnym workspace, Soul, Skills i kanałami (Telegram, Discord, Slack, Matrix, Zulip, …). Zbudowane na nanobot.
Zunifikowane Settings — jeden workbench draft / Apply dla wyglądu, modeli, embeddingów, wyszukiwania, capabilities, memory, serwerów MCP oraz narzędzi, ze wspólnym śledzeniem kosztu per wywołanie.
CLI natywne dla agentów — każda funkcja, KB, sesja oraz TutorBot dostępne jednym poleceniem; bogate wyjście dla ludzi, ustrukturyzowany JSON dla agentów. Przekaż dowolnemu LLM-owi z narzędziami plik SKILL.md i sam pokieruje DeepTutor.
Opcjonalne uwierzytelnianie — domyślnie wyłączone; włącz dla wdrożeń wieloużytkownikowych z bcrypt + JWT, panelem administratora oraz opcjonalnym sidecarem PocketBase / OAuth.

🚀 Jak zacząć

DeepTutor ma teraz cztery równoległe ścieżki instalacji. Wszystkie korzystają z tego samego układu konfiguracji runtime:

Ustawienia żyją w data/user/settings/ w bieżącej przestrzeni roboczej lub pod DEEPTUTOR_HOME / deeptutor start --home, jeśli wybierzesz jedną wprost.
model_catalog.json przechowuje profile dostawców modeli, base URL, klucze API, aktywne modele, ustawienia embeddingów oraz wyszukiwania.
system.json przechowuje porty startowe, publiczny API base, CORS, TLS oraz opcje załączników.
auth.json przechowuje opcjonalny przełącznik auth oraz hash danych startowych.
integrations.json przechowuje opcjonalne sidecary, takie jak PocketBase.
.env w katalogu głównym projektu nie jest już używany jako plik konfiguracyjny aplikacji.

Dla pełnej aplikacji lokalnej zalecana kolejność to wybierz workspace → zainstaluj → deeptutor init → deeptutor start. deeptutor start może uzupełnić brakujące domyślne pliki jako siatka bezpieczeństwa, ale normalna konfiguracja pierwszego uruchomienia powinna iść przez deeptutor init, aby porty i ustawienia modeli były jawne przed startem aplikacji webowej.

Opcja 1 — Zainstaluj DeepTutor

Użyj tej opcji, gdy chcesz mieć pełną lokalną aplikację webową i CLI bez klonowania repozytorium.

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

🧪 Próbujesz wersji v1.4.0 beta? PyPI normalizuje 1.4.0-beta do 1.4.0b0, więc pip install -U deeptutor pozostanie na najnowszej wersji stabilnej. Włącz pre-release za pomocą jednego z:
pip install --pre -U deeptutor      # najnowsze pre-release
pip install -U deeptutor==1.4.0b0   # przypnij dokładnie do v1.4.0-beta

deeptutor init zapisuje konfigurację pod data/user/settings/ w katalogu, w którym to uruchamiasz. Pyta o:

Port backendu, domyślnie 8001
Port frontendu, domyślnie 3782
Powiązanie dostawcy LLM, base URL, klucz API oraz nazwę modelu
Opcjonalnego dostawcę embeddingów dla Knowledge Base / RAG

Po deeptutor start otwórz adres frontendu wypisany w terminalu. Z domyślnymi portami jest to http://127.0.0.1:3782. Jeśli zmieniłeś frontend_port podczas deeptutor init lub później edytowałeś data/user/settings/system.json, użyj tego skonfigurowanego portu.

Pozostaw terminal deeptutor start otwarty. Naciśnij Ctrl+C w tym terminalu, aby zatrzymać backend i frontend.

Uwagi:

deeptutor start uruchamia razem backend FastAPI oraz spakowany frontend Next.js.
Spakowana aplikacja webowa nie wymaga git clone ani npm install, ale wciąż potrzebuje lokalnego runtime Node.js 20+ do uruchomienia spakowanego serwera standalone Next.js.
Jeśli świadomie pominiesz deeptutor init dla szybkiego testu, aplikacja startuje z bezpiecznymi domyślnymi portami i pustymi ustawieniami modeli; skonfiguruj modele później w Settings → Models.

Opcja 2 — Instalacja ze źródeł

Użyj tej opcji, gdy rozwijasz DeepTutor lub chcesz uruchomić bezpośrednio z checkoutu. Użyj Python 3.11+ oraz Node.js 22 LTS dla najbliższego dopasowania do CI i Dockera.

1. Sklonuj repozytorium

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

2. Utwórz środowisko Python

macOS / Linux z venv:

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

Windows PowerShell z 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. Zainstaluj lokalny pakiet i zależności frontendu

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

Jeśli celowo zmieniasz zależności frontendu, użyj npm install --legacy-peer-deps, aby odświeżyć web/package-lock.json, a następnie zatwierdź zarówno web/package.json, jak i web/package-lock.json.

4. Skonfiguruj i uruchom

deeptutor init
deeptutor start

Instalacje ze źródeł używają lokalnego katalogu web/ dla frontendu i uruchamiają go w trybie deweloperskim Next.js. Pozostaw terminal deeptutor start otwarty podczas korzystania z aplikacji. Są one celowo przyjazne dla deweloperów i nie zapisują konfiguracji do .env; edytuj data/user/settings/*.json lub użyj strony Web Settings.

Jeśli deeptutor start zgłosi istniejący frontend, który nie odpowiada, zatrzymaj PID wypisany w komunikacie. Jeśli żaden proces Next.js nie działa, usuń przestarzałe pliki blokady i uruchom ponownie:

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

Przydatne dodatki deweloperskie:

pip install -e ".[dev]"             # narzędzia tests/lint
pip install -e ".[tutorbot]"        # silnik TutorBot + SDK kanałów
pip install -e ".[matrix]"          # kanał Matrix bez E2EE/libolm
pip install -e ".[matrix-e2e]"      # Matrix E2EE; wymaga libolm
pip install -e ".[math-animator]"   # dodatek Manim; wymaga LaTeX/ffmpeg/bibliotek systemowych

Opcja 3 — Docker

Użyj tej opcji, gdy chcesz mieć pełną aplikację webową w jednym kontenerze. Obrazy są publikowane do GitHub Container Registry:

ghcr.io/hkuds/deeptutor:latest — stabilne wydanie
ghcr.io/hkuds/deeptutor:pre — pre-release, gdy dostępne

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

Następnie otwórz http://127.0.0.1:3782. Konfiguracja, klucze API, logi, pliki workspace, pamięć oraz bazy wiedzy są przechowywane w wolumenie deeptutor-data pod /app/data.

Kontener automatycznie tworzy /app/data/user/settings/*.json przy pierwszym starcie. Możesz konfigurować dostawców modeli bezpośrednio na stronie Web Settings bez ręcznego przygotowywania lokalnych plików JSON.

Aby użyć innych portów hosta, zmień lewą stronę mapowań -p. Na przykład -p 127.0.0.1:8088:3782 udostępnia UI webowe pod http://127.0.0.1:8088, podczas gdy kontener wciąż nasłuchuje na 3782. Jeśli zmienisz porty po stronie kontenera w /app/data/user/settings/system.json, zrestartuj kontener i dopasuj prawą stronę każdego mapowania -p host:container do skonfigurowanego portu kontenera.

Łączenie z Ollama lub innymi usługami hosta

Wewnątrz kontenera Docker localhost odnosi się do samego kontenera, a nie do Twojej maszyny hosta. Jeśli uruchamiasz Ollama, LM Studio, llama.cpp, vLLM lub inną usługę modelu na hoście, użyj jednego z poniższych podejść.

Opcja A — bramka hosta, zalecana dla normalnych uruchomień 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

Następnie w DeepTutor Settings → Models ustaw Base URL dostawcy na host.docker.internal:

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

W Docker Desktop dla macOS/Windows host.docker.internal jest zwykle dostępny nawet bez --add-host. W Linuksie flaga --add-host=host.docker.internal:host-gateway jest przenośnym sposobem utworzenia tej nazwy hosta na nowoczesnym Docker Engine.

Opcja B — sieć hosta, tylko Linux:

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

W trybie sieci hosta mapowanie -p nie jest potrzebne. Kontener współdzieli sieć hosta bezpośrednio, więc otwórz domyślnie http://127.0.0.1:3782 lub frontend_port skonfigurowany w /app/data/user/settings/system.json. W tym trybie usługi hosta są zwykle osiągalne pod normalnymi URL-ami localhost, takimi jak http://127.0.0.1:11434/v1. Sieć hosta wystawia porty kontenera bezpośrednio na hoście i może powodować konflikty z istniejącymi usługami.

Aby uruchomić w tle, dodaj -d i śledź logi po nazwie:

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

Aby zatrzymać uruchomienie Docker pierwszoplanowe, naciśnij Ctrl+C. Jeśli użyłeś nazwanego, odłączonego kontenera powyżej, uruchom docker stop deeptutor. Przed uruchomieniem kolejnego kontenera o tej samej nazwie usuń zatrzymany za pomocą docker rm deeptutor; wolumen deeptutor-data zachowuje Twoje ustawienia i workspace.

Opcja 4 — Tylko CLI

Użyj tej opcji, gdy nie potrzebujesz Web UI. Pakiet CLI-only instaluje się z lokalnego checkoutu źródeł zamiast z PyPI.

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 używa tego samego układu data/user/settings/ co pełna aplikacja, ale zmienia zachowanie kreatora:

Pomija pytania o porty backend/frontend, ponieważ użycie CLI-only nie uruchamia aplikacji webowej.
Nadal zapisuje domyślne system.json, auth.json, integrations.json, model_catalog.json, main.yaml oraz agents.yaml, aby układ runtime był kompletny.
Nadal pyta o aktywnego dostawcę LLM oraz model.
Pyta, czy skonfigurować embeddingi, ale domyślna odpowiedź to No; wybierz Yes, jeśli planujesz używać deeptutor kb ... lub narzędzi RAG.

Częste komendy CLI:

deeptutor chat
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 kb list
deeptutor memory show
deeptutor config show

Lokalna instalacja deeptutor-cli nie dostarcza zasobów webowych ani zależności serwera. Pozostaw checkout źródeł w pobliżu, ponieważ instalacja editable wskazuje na niego. Jeśli później zechcesz aplikację webową, podążaj za Opcją 2 w tym samym checkoutcie albo odinstaluj lokalny pakiet CLI, zainstaluj pełny pakiet PyPI za pomocą pip install -U deeptutor, uruchom deeptutor init, jeśli chcesz dodać porty webowe, a następnie uruchom deeptutor start z tej samej przestrzeni roboczej.

Referencja konfiguracji

Strona Web Settings jest zalecanym edytorem, ale pliki to zwykły JSON/YAML i można nimi zarządzać bezpośrednio:

Plik	Cel
`data/user/settings/model_catalog.json`	Profile dostawców LLM, embeddingów i wyszukiwania; klucze API; aktywne modele
`data/user/settings/system.json`	Porty backend/frontend, publiczny API base, CORS, weryfikacja SSL, katalog załączników
`data/user/settings/auth.json`	Opcjonalny przełącznik auth, nazwa użytkownika, hash hasła, ustawienia tokenów/cookies
`data/user/settings/integrations.json`	Opcjonalne ustawienia PocketBase i integracji sidecar
`data/user/settings/interface.json`	Preferencje języka UI / motywu / paska bocznego
`data/user/settings/main.yaml`	Domyślne zachowanie runtime i wstrzykiwanie ścieżek
`data/user/settings/agents.yaml`	Ustawienia temperatury i tokenów capability/tool

Minimalna konfiguracja modelu może być wykonana w przeglądarce: otwórz Settings → Models, dodaj profil LLM, ustaw Base URL / klucz API / nazwę modelu i zapisz. Dodaj profil embeddingów tylko jeśli planujesz korzystać z funkcji Knowledge Base / RAG.

📖 Odkrywaj DeepTutor

Refaktor v1.4.0-beta reorganizuje DeepTutor wokół pięciu głównych powierzchni — Chat, Co-Writer, Book, Knowledge, Space — plus trójwarstwowa Memory, która leży pod nimi wszystkimi, oraz zunifikowany workbench Settings, który eksponuje każde pokrętło. Capabilities (Solve / Quiz / Research / Visualize) i narzędzia (RAG, web, code, reason, brainstorm, paper search, ask_user, web_fetch, write_note, list_notebook, github_query) komponują się swobodnie na wierzchu.

💬 Chat — Zunifikowana inteligentna przestrzeń robocza

Jeden wątek, pięć trybów, dowolne narzędzie. Wybór capability mieszka w okienku tworzenia wiadomości; ta sama sesja, baza wiedzy, załączniki i odniesienia podróżują z Tobą pomiędzy trybami — przełącz się z luźnego pytania w wieloagentowe rozwiązywanie, w quiz, w pełny raport badawczy, bez utraty kontekstu.

Tryb	Co robi	Zbudowany na
Chat	Elastyczna rozmowa z dowolnym narzędziem; wybierz z RAG, wyszukiwania webowego, wykonania kodu, głębokiego rozumowania, brainstormingu, wyszukiwania artykułów, analizy GeoGebra.	RAG zasilany przez LlamaIndex + rejestr narzędzi
Solve	Wieloetapowy plan → zbadaj → rozwiąż → zweryfikuj, z precyzyjnymi cytatami źródeł.	Silnik agentowy (`deep_solve`)
Quiz	Auto-walidowane generowanie pytań ugruntowane w Twoim KB; tworzy okienko follow-up dla każdego pytania.	Silnik agentowy (`deep_question`)
Research	Dekomponuje temat na podtematy, wysyła równoległych agentów po RAG / web / arXiv i tworzy raport z cytatami z iteracyjnymi rewizjami w trybie append.	Przebudowany `pipeline.py` (~45% mniejszy, cytaty + iteracyjne raportowanie zachowane)
Visualize	Generuje diagramy SVG, wykresy Chart.js, grafy Mermaid, interaktywne strony HTML lub filmy / storyboardy Manim — analizator wybiera odpowiedni `render_type`.	Potok Visualize (włączony Animator)

Nowe narzędzia czatu dostarczone z refaktorem: ask_user (zadaje ustrukturyzowane pytanie wyjaśniające w połowie tury), web_fetch (pobiera konkretny URL do kontekstu), write_note / list_notebook (zapisuje i listuje rekordy notatników z powierzchni czatu) oraz github_query (wyszukiwanie issue / PR / repo). Narzędzia pozostają oddzielone od przepływów pracy — każdy tryb pozwala włączać lub wyłączać narzędzia per tura.

Sesja przenosi również skumulowany inwentarz źródeł pomiędzy turami, więc cytaty z wcześniejszych trafień RAG / web pozostają możliwe do ponownego użycia później w tej samej rozmowie.

✍️ Co-Writer — Wielodokumentowa przestrzeń pisania AI

Co-Writer to workbench Markdown z widokiem podzielonym (surowy edytor po lewej, podgląd na żywo po prawej) dla notatek, raportów, samouczków i wersji roboczych wspomaganych AI. Każdy dokument żyje we własnej przestrzeni roboczej z autozapisem, pobieralnym Markdown i jednym kliknięciem Save to Notebook.

Zaznacz dowolny tekst i wybierz Rewrite, Expand lub Shorten — każda akcja działa jako śledzona edycja agenta, która może opcjonalnie czerpać z bazy wiedzy lub sieci. Co-Writer renderuje standardowy Markdown / CommonMark / GFM (tabele, kod, matematyka, diagramy przepływu, diagramy sekwencji), wspiera furtkę tagów HTML (<sub>, <sup>, <abbr>, <mark>) i zawiera szablon startowy dostrojony do dokumentów produktowych DeepTutor i notatek do nauki.

📖 Book Engine — Interaktywne „żywe książki”

Daj DeepTutor temat, wskaż mu Twoją bazę wiedzy, a wyprodukuje strukturalną, interaktywną książkę — nie statyczny eksport, lecz żywy dokument, który możesz czytać, samodzielnie odpytywać i omawiać w kontekście.

Za kulisami potok wieloagentowy zajmuje się ciężką robotą: proponowaniem konspektu, pobieraniem odpowiednich źródeł z Twojego KB, syntezą drzewa rozdziałów, planowaniem każdej strony i kompilowaniem każdego bloku. Ty pozostajesz w kontroli — przejrzyj propozycję, zmień kolejność rozdziałów i rozmawiaj obok dowolnej strony.

Strony są składane z 13 typów bloków — tekst, callout, quiz, fiszki, kod, rysunek, deep dive, animacja, demo interaktywne (teraz włącznie z GeoGebra viewer), oś czasu, graf pojęć, sekcja i notatka użytkownika — każdy renderowany ze swoim własnym komponentem interaktywnym. Strony książki są oznaczone odciskami palców względem ich źródłowego KB; deeptutor book health raportuje dryf, a deeptutor book refresh-fingerprints czyści przestarzałe strony, gdy źródła się zmieniają.

📚 Knowledge Bases — Biblioteki dokumentów gotowe dla RAG

Dedykowana przestrzeń robocza dla kolekcji dokumentów zasilających RAG. Każda baza wiedzy ma cztery zakładki:

Files — Przeglądaj przesłane źródła, podglądaj PDF-y inline i zobacz rozmiar / status per plik.
Add documents — Wrzucaj PDF-y, pliki Office (DOCX / XLSX / PPTX), Markdown, zwykły tekst oraz szeroki zakres typów plików kodu / danych. Dokumenty są automatycznie kierowane przez odpowiedni ekstraktor.
Index versions — Każde (ponowne) indeksowanie to śledzona wersja. Cofnij się do wcześniejszego indeksu, porównaj modele embeddingów lub zbadaj statystyki chunkingu bez utraty poprzedniej kompilacji.
Settings — Wybierz dostawcę / model embeddingów, parametry chunkingu oraz reranker dla KB. Domyślne wartości są dziedziczone z Twoich globalnych profili LLM i embeddingów.

Indeksowanie zbudowane jest na LlamaIndex end-to-end (poprzedni podział na dwa potoki został skonsolidowany w refaktorze v1.4), z bezpieczną ponowną indeksacją, wykrywaniem niedopasowania embeddingów i odporną obsługą uszkodzonych zapisanych wektorów.

🌐 Space — Twoja osobista biblioteka nauki

Space jest odpowiednikiem odczyt / przegląd dla aktywnych powierzchni. Tam, gdzie Chat / Co-Writer / Book są miejscem, gdzie produkujesz, Space jest miejscem, gdzie wszystko, co produkujesz, mieszka, przeszukiwalne i odtwarzalne.

Chat History — Każda rozmowa we wszystkich trybach, ze zmianą nazwy tytułu, usuwaniem i wznawianiem; usuwanie poszczególnych tur jest wspierane w każdym punkcie wejścia.
Notebooks — Zapisuj wyjścia z Chat, Research i Co-Writer w skategoryzowanych, oznaczonych kolorem notatnikach; każdy rekord linkuje z powrotem do źródłowej sesji i powierzchni.
Question Bank — Każde auto-generowane pytanie quizowe, możliwe do dodania do zakładek i wzmiankowania @-em w czacie, aby rozumować nad przeszłą wydajnością.
Skills — Pliki SKILL.md tworzone przez użytkownika, które definiują persony nauczania (nazwa, opis, wyzwalacze, treść). Gdy aktywne, skill jest wstrzykiwany w system prompt czatu — zamieniając DeepTutor w sokratejskiego tutora, asystenta badawczego lub dowolną rolę, którą zaprojektujesz.

🧠 Memory — Architektura trójwarstwowa

Memory DeepTutor jest teraz trójwarstwowym potokiem z inspektowalnym workbenchem pod /memory. Dwuplikowy model v1 SUMMARY.md / PROFILE.md zniknął; wszystko jest migrowane do nowego układu przy pierwszym starcie.

Warstwa	Rola	Magazyn
L1 · Lustro przestrzeni roboczej (LIVE)	Append-only ślad każdej interakcji, per powierzchnia, per dzień. Bezstratny zapis tego, co rzeczywiście się wydarzyło.	`trace/<surface>/<YYYY-MM-DD>.jsonl`
L2 · Podsumowania per powierzchnia (CURATED)	Fakty specyficzne dla powierzchni wyekstrahowane przez konsolidator. Każdy fakt niesie cytaty przypisów z powrotem do śladów L1. Wspiera per-doc Update / Audit / Dedup.	`L2/<surface>.md`
L3 · Wiedza międzypowierzchniowa (SYNTHESIS)	Synteza międzypowierzchniowa: Twój `profile`, oś czasu `recent`, `scope` wiedzy oraz `preferences`. Hedgowane stwierdzenia, każde poparte dowodem L2.	`L3/<recent\|profile\|scope\|preferences>.md`

Siedem powierzchni zasila potok: chat, notebook, quiz, kb, book, tutorbot, cowriter. Konsolidator jest sterowany przez LLM i działa asynchronicznie (POST /memory/runs/start) — możesz odpalić go z workbencha, obserwować propagację L1 → L2 → L3 i edytować dowolną warstwę ręcznie.

Memory Graph (/memory/graph) renderuje wszystkie trzy warstwy naraz: synteza L3 w centrum, fakty L2 w środkowym pierścieniu, ślady L1 na zewnątrz, pogrupowane według powierzchni. Najedź na dowolny węzeł, aby zobaczyć podgląd inline; kliknij, aby zablokować podświetlenie i prześledzić referencje L3 → L2 → L1 do wewnątrz, aby móc audytować, dlaczego DeepTutor „wie” coś o Tobie.

⚙️ Settings — Zunifikowane centrum kontroli

Powierzchnia ustawień została zunifikowana w v1.4 i podzielona według trosk, z modelem draft / Apply, więc zmiany są atomowe i można je cofnąć przed zapisem:

Appearance — Język UI i motyw (Cream, Snow, Dark, Glass).
Status — Sonda zdrowia na żywo dla LLM, embeddingów, wyszukiwania i backendów magazynu.
LLM, Embedding, Search — Katalog dostawców, base URL-e, klucze API i wybór aktywnego modelu. Aktywne modele są wybierane z katalogu, więc każda powierzchnia pozostaje w synchronizacji.
Capabilities — Tunable per-capability (chunking, budżet LLM, polityki dedup i referencji, max iteracji) dla Chat, Solve, Quiz, Research, Visualize oraz Co-Writer. Wsparte przez zunifikowaną kopertę emit_capability_result oraz wspólny UsageTracker, który eksponuje koszt per wywołanie.
Memory — Przełącz uruchomienia konsolidatora, skonfiguruj rytm i budżet oraz wejdź do workbencha pamięci.
MCP servers — Zarejestruj zewnętrzne serwery Model Context Protocol; ich narzędzia są eksponowane obok wbudowanych.
Tools — Zbadaj każde wbudowane narzędzie, jego parametry, status (włączone / wkrótce) oraz tłumaczenia statusu i18n.

Launcher „Tour” prowadzi nowych użytkowników przez stronę, a każda capability dostarcza kanoniczny capabilities/prompts/{en,zh}/<name>.yaml, więc komunikaty statusu pozostają spójne zarówno w języku angielskim, jak i 中文.

🦞 TutorBot — Trwałe, autonomiczne AI-korepetytorzy

TutorBot to nie chatbot — to trwały, wieloinstancyjny agent zbudowany na nanobot. Każdy TutorBot uruchamia własną pętlę agenta z niezależną przestrzenią roboczą, pamięcią i osobowością. Utwórz sokratejskiego korepetytora matematyki, cierpliwego trenera pisania i rygorystycznego doradcę badawczego — wszyscy działający jednocześnie, każdy ewoluujący z Tobą.

Soul Templates — Definiuj osobowość, ton i filozofię nauczania Twojego tutora poprzez edytowalne pliki Soul. Wybierz spośród wbudowanych archetypów (sokratejski, motywujący, rygorystyczny) lub stwórz własne — Soul kształtuje każdą odpowiedź.
Niezależny workspace — Każdy bot ma własny katalog z oddzielną pamięcią, sesjami, Skills i konfiguracją — w pełni izolowany, ale zdolny do dostępu do współdzielonej warstwy wiedzy DeepTutor.
Proaktywny Heartbeat — Boty nie tylko odpowiadają — inicjują. Wbudowany system Heartbeat umożliwia powtarzające się przypomnienia o nauce, przypomnienia o powtórkach i zaplanowane zadania. Twój tutor pojawia się nawet wtedy, gdy Ty nie.
Pełny dostęp do narzędzi — Każdy bot sięga do kompletnego zestawu narzędzi DeepTutor: pobieranie RAG, wykonanie kodu, wyszukiwanie webowe, wyszukiwanie artykułów akademickich, głębokie rozumowanie i brainstorming.
Uczenie się Skills — Naucz Twojego bota nowych zdolności, dodając pliki Skill do jego workspace. W miarę jak Twoje potrzeby się rozwijają, rozwijają się też możliwości Twojego tutora.
Obecność wielokanałowa — Połącz boty z Telegramem, Discordem, Slackiem, Feishu, WeChat Work, DingTalk, Matrix, QQ, WhatsApp, Emailem i więcej. Twój tutor spotyka Cię tam, gdzie jesteś.
Zespół i Sub-Agenci — Twórz sub-agentów w tle lub orkiestruj zespoły wieloagentowe w obrębie pojedynczego bota dla złożonych, długo działających zadań.

deeptutor bot create math-tutor --persona "Socratic math teacher who uses probing questions"
deeptutor bot create writing-coach --persona "Patient, detail-oriented writing mentor"
deeptutor bot list                  # Zobacz wszystkich aktywnych tutorów

⌨️ DeepTutor CLI — Interfejs natywny dla agentów

DeepTutor jest w pełni natywny dla CLI. Każda capability, baza wiedzy, sesja, memory i TutorBot są dostępne jednym poleceniem — bez konieczności przeglądarki. CLI służy zarówno ludziom (z bogatym renderingiem terminalowym), jak i agentom AI (z ustrukturyzowanym wyjściem JSON).

Przekaż SKILL.md z katalogu głównego projektu dowolnemu agentowi używającemu narzędzi (nanobot lub dowolny LLM z dostępem do narzędzi), a będzie mógł konfigurować i obsługiwać DeepTutor autonomicznie.

Wykonanie jednorazowe — Uruchom dowolną capability bezpośrednio z terminala:

deeptutor run chat "Explain the Fourier transform" -t rag --kb textbook
deeptutor run deep_solve "Prove that √2 is irrational" -t reason
deeptutor run deep_question "Linear algebra" --config num_questions=5
deeptutor run deep_research "Attention mechanisms in transformers"
deeptutor run visualize "Draw the architecture of a transformer"

Interaktywny REPL — Trwała sesja czatu z przełączaniem trybów na żywo:

deeptutor chat --capability deep_solve --kb my-kb
# Wewnątrz REPL: /cap, /tool, /kb, /history, /notebook, /config aby przełączać w locie

Cykl życia bazy wiedzy — Buduj, odpytuj i zarządzaj kolekcjami gotowymi dla RAG w całości z terminala:

deeptutor kb create my-kb --doc textbook.pdf       # Utwórz z dokumentu
deeptutor kb add my-kb --docs-dir ./papers/         # Dodaj folder artykułów
deeptutor kb search my-kb "gradient descent"        # Szukaj bezpośrednio
deeptutor kb set-default my-kb                      # Ustaw jako domyślną dla wszystkich poleceń

Tryb podwójnego wyjścia — Bogaty rendering dla ludzi, ustrukturyzowany JSON dla potoków:

deeptutor run chat "Summarize chapter 3" -f rich    # Kolorowe, sformatowane wyjście
deeptutor run chat "Summarize chapter 3" -f json    # Zdarzenia JSON oddzielone liniami

Ciągłość sesji — Wznów dowolną rozmowę dokładnie tam, gdzie ją zostawiłeś:

deeptutor session list                              # Lista wszystkich sesji
deeptutor session open <id>                         # Wznów w REPL

Pełna referencja poleceń CLI

Najwyższy poziom

Polecenie	Opis
`deeptutor run <capability> <message>`	Uruchom dowolną capability w jednej turze (`chat`, `deep_solve`, `deep_question`, `deep_research`, `math_animator`, `visualize`)
`deeptutor chat`	Interaktywny REPL z opcjonalnym `--capability`, `--tool`, `--kb`, `--language`
`deeptutor serve`	Uruchom serwer API DeepTutor

deeptutor bot

Polecenie	Opis
`deeptutor bot list`	Lista wszystkich instancji TutorBot
`deeptutor bot create <id>`	Utwórz i uruchom nowego bota (`--name`, `--persona`, `--model`)
`deeptutor bot start <id>`	Uruchom bota
`deeptutor bot stop <id>`	Zatrzymaj bota

deeptutor kb

Polecenie	Opis
`deeptutor kb list`	Lista wszystkich baz wiedzy
`deeptutor kb info <name>`	Pokaż szczegóły bazy wiedzy
`deeptutor kb create <name>`	Utwórz z dokumentów (`--doc`, `--docs-dir`)
`deeptutor kb add <name>`	Dodawaj dokumenty przyrostowo
`deeptutor kb search <name> <query>`	Przeszukaj bazę wiedzy
`deeptutor kb set-default <name>`	Ustaw jako domyślną KB
`deeptutor kb delete <name>`	Usuń bazę wiedzy (`--force`)

deeptutor memory

Polecenie	Opis
`deeptutor memory show [file]`	Wyświetl pamięć (`summary`, `profile` lub `all`)
`deeptutor memory clear [file]`	Wyczyść pamięć (`--force`)

deeptutor session

Polecenie	Opis
`deeptutor session list`	Lista sesji (`--limit`)
`deeptutor session show <id>`	Wyświetl wiadomości sesji
`deeptutor session open <id>`	Wznów sesję w REPL
`deeptutor session rename <id>`	Zmień nazwę sesji (`--title`)
`deeptutor session delete <id>`	Usuń sesję

deeptutor notebook

Polecenie	Opis
`deeptutor notebook list`	Lista notatników
`deeptutor notebook create <name>`	Utwórz notatnik (`--description`)
`deeptutor notebook show <id>`	Wyświetl rekordy notatnika
`deeptutor notebook add-md <id> <path>`	Importuj markdown jako rekord
`deeptutor notebook replace-md <id> <rec> <path>`	Zastąp rekord markdown
`deeptutor notebook remove-record <id> <rec>`	Usuń rekord

deeptutor book

Polecenie	Opis
`deeptutor book list`	Lista wszystkich książek w workspace
`deeptutor book health <book_id>`	Sprawdź dryf KB i zdrowie książki
`deeptutor book refresh-fingerprints <book_id>`	Odśwież odciski palców KB i wyczyść przestarzałe strony

deeptutor config / plugin / provider

Polecenie	Opis
`deeptutor config show`	Wypisz podsumowanie bieżącej konfiguracji
`deeptutor plugin list`	Lista zarejestrowanych narzędzi i capabilities
`deeptutor plugin info <name>`	Pokaż szczegóły narzędzia lub capability
`deeptutor provider login <provider>`	Auth dostawcy (`openai-codex` logowanie OAuth; `github-copilot` waliduje istniejącą sesję auth Copilot)

👥 Multi-User — Współdzielone wdrożenia z przestrzeniami roboczymi per użytkownik

Włącz uwierzytelnianie, a DeepTutor zamienia się we wdrożenie multi-tenant z izolowanymi przestrzeniami roboczymi per użytkownik oraz zasobami kurowanymi przez administratora. Pierwsza osoba, która się rejestruje, staje się administratorem i konfiguruje modele, klucze API i bazy wiedzy w imieniu wszystkich pozostałych. Kolejne konta są tworzone przez administratora (tylko z zaproszenia), każde dostaje własne ograniczone czaty / pamięć / notatniki / bazy wiedzy i widzi tylko LLM-y, KB i Skills, które administrator im przypisał.

Szybki start (5 kroków):

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

# 2. Zrestartuj stack webowy.
deeptutor start

# 3. Otwórz http://localhost:3782/register i utwórz pierwsze konto.
#    Pierwsza rejestracja jest jedyną publiczną; ten użytkownik staje się
#    administratorem, a endpoint /register jest automatycznie zamykany.

# 4. Jako administrator przejdź do /admin/users → "Add user", aby
#    udostępnić konta zespołowi.

# 5. Dla każdego użytkownika kliknij ikonę suwaka → przypisz profile LLM,
#    bazy wiedzy i Skills. Zapisz. Użytkownik może już się zalogować i pracować.

Co widzi administrator:

Pełna strona Settings pod /settings — zarządzaj dostawcami LLM / embeddingów / wyszukiwania, kluczami API, katalogami modeli oraz runtime „Apply”.
Zarządzanie użytkownikami pod /admin/users — twórz, awansuj, degraduj i usuwaj konta. Publiczny endpoint /register jest automatycznie zamykany, gdy istnieje pierwszy administrator; dalsze konta przechodzą przez POST /api/v1/auth/users (tylko admin).
Edytor grantów — dla każdego nieadminowego użytkownika wybierz profile modeli, bazy wiedzy i Skills, których może używać. Granty niosą tylko logiczne ID; klucze API nigdy nie przekraczają granicy grantu.
Ścieżka audytu — każda zmiana grantu i dostęp do przypisanego zasobu są dopisywane do multi-user/_system/audit/usage.jsonl.

Co dostają zwykli użytkownicy:

Izolowana przestrzeń robocza pod multi-user/<uid>/ — własna historia czatu (chat_history.db), pamięć (SUMMARY.md / PROFILE.md), notatniki i osobiste bazy wiedzy. Domyślnie nic nie jest współdzielone.
Dostęp tylko do odczytu do baz wiedzy i Skills przypisanych przez admina, eksponowane inline obok ich własnych zasobów z odznaką „Assigned by admin”.
Zredagowana strona Settings — tylko motyw, język i podsumowanie przyznanych modeli. Klucze API, base URL-e i endpointy dostawców nigdy nie są zwracane dla żądań nieadministratora.
Ograniczone LLM — tury czatu są kierowane przez model przypisany przez admina. Jeśli żaden LLM nie jest przyznany, tura jest odrzucana z góry (żadnego cichego fallbacku do kluczy admina).

Układ przestrzeni roboczej:

multi-user/
├── _system/
│   ├── auth/users.json          # Zhashowane dane uwierzytelniające, role
│   ├── auth/auth_secret         # Sekret podpisujący JWT (auto-generowany)
│   ├── grants/<uid>.json        # Granty zasobów per użytkownik (zarządzane przez admina)
│   └── audit/usage.jsonl        # Ścieżka audytu
└── <uid>/
    ├── user/
    │   ├── chat_history.db
    │   ├── settings/interface.json
    │   └── workspace/{chat,co-writer,book,...}
    ├── memory/{SUMMARY.md,PROFILE.md}
    └── knowledge_bases/...

Referencja konfiguracji:

Ustawienie	Wymagane	Opis
`data/user/settings/auth.json: enabled`	Tak	Ustaw na `true`, aby włączyć auth multi-user. Domyślnie `false` (tryb single-user — wszędzie ścieżki admina).
`multi-user/_system/auth/auth_secret`	Zalecane	Sekret podpisujący JWT. Auto-generowany przy pierwszym uwierzytelnionym starcie, jeśli brak.
`data/user/settings/auth.json: token_expire_hours`	Nie	Czas życia JWT; domyślnie `24`.
`data/user/settings/auth.json: username/password_hash`	Nie	Opcjonalne dane startowe headless single-user. Pozostaw puste, gdy używasz rejestracji przez przeglądarkę.
`data/user/settings/system.json`	Nie	`deeptutor start` wyprowadza flagi auth frontendu oraz API base z ustawień runtime.

⚠️ Tryb PocketBase (ustawiony integrations.pocketbase_url) jest tylko single-user. Domyślny schemat PocketBase nie ma pola role w users (każde logowanie rozstrzyga się jako role=user, nie można utworzyć admina), a zapytania sessions / messages / turns nie są filtrowane po user_id. Wdrożenia multi-user muszą zachować puste integrations.pocketbase_url i używać domyślnego backendu JSON/SQLite.

⚠️ Zalecenie pojedynczego procesu. Promocja pierwszy-użytkownik-zostaje-adminem jest chroniona w-procesowym threading.Lock. Wdrożenia wielo-workerowe powinny aprowizować pierwszego admina offline (start z auth.json.enabled=false, zarejestruj admina przez przepływ startowy, następnie ustaw auth.json.enabled=true) lub oprzeć magazyn użytkowników na systemie zewnętrznym.

🌐 Społeczność i ekosystem

DeepTutor stoi na ramionach wybitnych projektów open-source:

Projekt	Rola w DeepTutor
nanobot	Ultralekki silnik agenta zasilający TutorBot
LlamaIndex	Kręgosłup potoku RAG i indeksowania dokumentów
ManimCat	Generowanie animacji matematycznych sterowane AI dla Math Animator

Z ekosystemu HKUDS:

⚡ LightRAG	🤖 AutoAgent	🔬 AI-Researcher	🧬 nanobot
Prosty i szybki RAG	Framework agenta bez kodu	Zautomatyzowane badania	Ultralekki agent AI

🤝 Współtworzenie

Mamy nadzieję, że DeepTutor stanie się prezentem dla społeczności. 🎁

Zobacz CONTRIBUTING.md, aby zapoznać się z wytycznymi dotyczącymi konfiguracji środowiska deweloperskiego, standardów kodu i przepływu pull request.

⭐ Historia gwiazdek

Data Intelligence Lab @ HKU

⭐ Oznacz nas gwiazdką · 🐛 Zgłoś błąd · 💬 Dyskusje

Na licencji Apache License 2.0.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

DeepTutor: Spersonalizowane korepetycje natywne dla agentów

📦 Wydania

📰 Aktualności

✨ Kluczowe funkcje

🚀 Jak zacząć

Opcja 1 — Zainstaluj DeepTutor

Opcja 2 — Instalacja ze źródeł

Opcja 3 — Docker

Łączenie z Ollama lub innymi usługami hosta

Opcja 4 — Tylko CLI

Referencja konfiguracji

📖 Odkrywaj DeepTutor

💬 Chat — Zunifikowana inteligentna przestrzeń robocza

✍️ Co-Writer — Wielodokumentowa przestrzeń pisania AI

📖 Book Engine — Interaktywne „żywe książki”

📚 Knowledge Bases — Biblioteki dokumentów gotowe dla RAG

🌐 Space — Twoja osobista biblioteka nauki

🧠 Memory — Architektura trójwarstwowa

⚙️ Settings — Zunifikowane centrum kontroli

🦞 TutorBot — Trwałe, autonomiczne AI-korepetytorzy

⌨️ DeepTutor CLI — Interfejs natywny dla agentów

👥 Multi-User — Współdzielone wdrożenia z przestrzeniami roboczymi per użytkownik

🌐 Społeczność i ekosystem

🤝 Współtworzenie

⭐ Historia gwiazdek

FilesExpand file tree

README_PL.md

Latest commit

History

README_PL.md

File metadata and controls

DeepTutor: Spersonalizowane korepetycje natywne dla agentów

📦 Wydania

📰 Aktualności

✨ Kluczowe funkcje

🚀 Jak zacząć

Opcja 1 — Zainstaluj DeepTutor

Opcja 2 — Instalacja ze źródeł

Opcja 3 — Docker

Łączenie z Ollama lub innymi usługami hosta

Opcja 4 — Tylko CLI

Referencja konfiguracji

📖 Odkrywaj DeepTutor

💬 Chat — Zunifikowana inteligentna przestrzeń robocza

✍️ Co-Writer — Wielodokumentowa przestrzeń pisania AI

📖 Book Engine — Interaktywne „żywe książki”

📚 Knowledge Bases — Biblioteki dokumentów gotowe dla RAG

🌐 Space — Twoja osobista biblioteka nauki

🧠 Memory — Architektura trójwarstwowa

⚙️ Settings — Zunifikowane centrum kontroli

🦞 TutorBot — Trwałe, autonomiczne AI-korepetytorzy

⌨️ DeepTutor CLI — Interfejs natywny dla agentów

👥 Multi-User — Współdzielone wdrożenia z przestrzeniami roboczymi per użytkownik

🌐 Społeczność i ekosystem

🤝 Współtworzenie

⭐ Historia gwiazdek