DeepTutor: Asistente de Aprendizaje Personalizado Impulsado por IA

DeepTutor es una plataforma de extremo a extremo y de código abierto que convierte cualquier base de conocimiento en un sistema de tutoría inteligente. Nació a partir de la investigación de HKUDS sobre flujos de trabajo con modelos de lenguaje grande (LLM) y desde entonces ha evolucionado hasta convertirse en una pila completa y lista para producción.

¿Por qué DeepTutor?

• Arquitectura multiagente – agentes separados se encargan de la investigación, planificación, ejecución y verificación, brindándote un control detallado sobre el flujo de razonamiento.
• RAG + recuperación híbrida – combina sin problemas incrustaciones locales, búsqueda web, descubrimiento de artículos y ejecución de código para generar respuestas precisas y citadas.
• UI rica – un panel Next.js / React con transmisión WebSocket en tiempo real, páginas de aprendizaje visual y toma de notas potenciada por IA.
• Extensible – integra nuevos LLM, incrustaciones o proveedores de búsqueda con un esfuerzo mínimo.
• Inicio sin código – las imágenes Docker están preconstruidas; puedes lanzar una instancia nueva en menos de 10 minutos.

Inicio rápido 🚀

1. Clonar el repositorio

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

2. Crear tu entorno (recomendado con Conda)

   conda create -n deeptutor python=3.10
   conda activate deeptutor
   

3. Configura tus claves API

   cp .env.example .env
   # Editar .env con tus claves de Azure/OpenAI
   

4. Ejecutar con Docker (más rápido)

   docker compose up --build -d
   

   o usa la imagen preconstruida:

   docker run -d --name deeptutor \
   -p 8001:8001 -p 3782:3782 \
   --env-file .env \
   -v $(pwd)/data:/app/data \
   ghcr.io/hkuds/deeptutor:latest
   

5. Accede a la web UI – http://localhost:3782

6. Documentación de la API del backend en http://localhost:8001/docs.

Explicación de los Módulos Principales

Extender DeepTutor

• Añadir un nuevo LLM – editar config/agents.yaml y proporcionar LLM_MODEL.
• Cambiar incrustaciones – modificar EMBEDDING_MODEL y agregar el punto final si usas un servidor privado.
• Conectar una nueva búsqueda – habilitar/deshabilitar proveedores en .env (SEARCH_PROVIDER=perplexity, etc.) o modificar src/agents/agents.py.
• Contribuir – el repositorio sigue un flujo de trabajo de desarrollo estilo MIT. Abre issues, envía PR y ayuda a refinar la arquitectura.

Flujo de trabajo de Contribución

1. Haz un fork y clona el repositorio.
2. Crea una rama de característica con un nombre claro, por ejemplo feature/solver-optimization.
3. Ejecuta pre-commit install para aplicar linting.
4. Prueba localmente con docker compose up --build.
5. Empuja y envía PR. Nuestro CI ejecutará pruebas unitarias y verificaciones de linting.

Obtener Ayuda

• Canales comunitarios – Discord, WeChat, Slack y GitHub Discussions.
• Documentación – la carpeta docs/ contiene referencias internas y documentación de la API.
• Gestor de incidencias – busca problemas existentes antes de abrir uno nuevo.

¿Por qué AGPL‑3.0?

La licencia AGPL de DeepTutor garantiza que cualquier servicio de segunda mano que proporcione el software debe compartir los cambios de código fuente. Esto fomenta la transparencia en los servicios de tutoría impulsados por LLM y protege las mejoras colectivas de la comunidad.

Reflexiones Finales

Con DeepTutor puedes experimentar con flujos de trabajo de LLM de última generación, crear un centro de aprendizaje personalizado, o desplegar un bot tutor para tu institución. Su diseño modular te permite comenzar con el stack FastAPI/Next.js por defecto y, más adelante, conectar otro LLM o integrar una base de conocimiento específica del dominio. Ya seas estudiante de desarrollo, educador o investigador de IA, DeepTutor ofrece un entorno de pruebas y una herramienta lista para producción: todo código abierto.

¡Empieza a explorar hoy mismo – transforma cualquier documento en un tutor interactivo con IA!