DeepTutor : Assistant d'apprentissage personnalisé alimenté par l'IA

DeepTutor est une plateforme open-source de bout en bout qui transforme toute base de connaissances en un système de tutorat intelligent. Elle est née des recherches d'HKUDS sur les flux de travail des grands modèles linguistiques (LLM) et a depuis évolué pour devenir une pile complète prête à la production.

Pourquoi choisir DeepTutor ?

• Architecture multi-agents – des agents séparés gèrent l'investigation, la planification, l'exécution et la vérification, vous offrant un contrôle précis sur le flux de raisonnement.
• RAG + récupération hybride – mélangez sans couture les embeddings locaux, la recherche Web, la découverte de papiers et l'exécution de code pour produire des réponses précises et citées.
• Interface riche – un tableau de bord Next.js / React avec diffusion WebSocket en temps réel, pages d'apprentissage visuel et prise de notes assistée par l'IA.
• Extensible – intégrez de nouveaux LLM, embeddings ou fournisseurs de recherche avec un minimum d'effort.
• Démarrage sans code – les images Docker sont pré-construites, vous pouvez lancer une instance fraîche en moins de 10 minutes.

Démarrage rapide 🚀

1. Clonez le dépôt

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

2. Créez votre environnement (recommandé avec Conda)

   conda create -n deeptutor python=3.10
   conda activate deeptutor
   

3. Configurez vos clés API

   cp .env.example .env
   # Edit .env with your Azure/OpenAI keys
   

4. Exécutez via Docker (le plus rapide)

   docker compose up --build -d
   

   ou utilisez l'image préconstruite :

   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. Accédez à l'interface Web – http://localhost:3782

6. Documentation API backend sur http://localhost:8001/docs.

Modules principaux expliqués

Étendre DeepTutor

• Ajouter un nouveau LLM – éditez config/agents.yaml et fournissez un LLM_MODEL que votre fournisseur supporte.
• Changer les embeddings – modifiez EMBEDDING_MODEL et ajoutez le point de terminaison si vous utilisez un serveur privé.
• Intégrer une nouvelle recherche – activez/désactivez les fournisseurs dans .env (SEARCH_PROVIDER=perplexity, etc.) ou modifiez src/agents/agents.py.
• Contribuer – le dépôt suit un flux de travail de développement de style MIT. Ouvrez des tickets, soumettez des PR, et aidez à affiner l'architecture.

Flux de travail de contribution

1. Forkez et clonez le dépôt.
2. Créez une branche fonctionnelle avec un nom clair, par ex. feature/solver-optimization.
3. Exécutez pre-commit install pour appliquer le linting.
4. Testez localement avec docker compose up --build.
5. Poussez et créez un PR. Notre CI exécutera des tests unitaires et des vérifications de linting.

Obtenir de l'aide

• Canaux communautaires – Discord, WeChat, Slack, et GitHub Discussions.
• Documentation – le dossier docs/ contient les références internes et les docs API.
• Suivi des problèmes – recherchez les problèmes existants avant d'en soumettre de nouveaux.

Pourquoi AGPL‑3.0 ?

La licence AGPL de DeepTutor garantit que tout service en aval fournissant le logiciel doit partager les modifications de source. Cela favorise la transparence des services de tutorat alimentés par les LLM et protège les améliorations collectives de la communauté.

Dernières réflexions

Avec DeepTutor, vous pouvez expérimenter les flux de travail LLM de pointe, créer un hub d'apprentissage personnalisé ou déployer un tutor-bot pour votre institution. Son design modulaire vous permet de démarrer avec la pile FastAPI/Next.js par défaut, puis d'ajouter un LLM différent ou d’intégrer une base de connaissances spécifique à un domaine. Que vous soyez étudiant développeur, enseignant ou chercheur en IA, DeepTutor propose un terrain de jeu et un outil prêt en production – entièrement open source.

Commencez à explorer dès aujourd'hui – transformez tout document en un tuteur IA interactif !