DeepTutor: Trợ giảng AI học tập cá nhân hóa
DeepTutor là một AI tutor tự host, chạy các chế độ chat, quiz, nghiên cứu, trực quan hóa và luyện tập thành thạo trên cùng một agent loop thay vì tách rời thành nhiều công cụ. Nên dùng nếu bạn muốn một không gian duy nhất, nơi knowledge base và bộ nhớ giữ xuyên suốt mọi chế độ, và bạn chấp nhận tự vận hành stack của mình. Nên bỏ qua nếu bạn chỉ muốn câu trả lời ngay mà không cần cài đặt gì.
DeepTutor là gì?
DeepTutor là một không gian học tập mã nguồn mở, tự host, xây dựng quanh một agent loop vận hành các chế độ Chat, Quiz, Research, Visualize, Solve và Mastery Path từ cùng một ngữ cảnh. Nó gắn kết knowledge base (LlamaIndex, PageIndex, GraphRAG hoặc LightRAG), book, notebook và hệ thống bộ nhớ ba lớp L1/L2/L3, được đóng gói dưới dạng CLI (deeptutor) cùng một web app Next.js mà bạn tự chạy.
Tính năng cốt lõi cho học tập cá nhân hóa
- ✓Một agent loop duy nhất vận hành Chat, Quiz, Research, Visualize, Solve và Mastery Path, nên chuyển chế độ không làm mất ngữ cảnh đang có.
- ✓Knowledge base, book, bản nháp Co-Writer, notebook, question bank, persona và Memory được giữ liên tục xuyên suốt mọi chế độ thay vì nằm rải rác ở các công cụ riêng lẻ.
- ✓Subagent và Partner cho phép gọi một coding CLI đang chạy — Claude Code, Codex, Gemini, Kimi, opencode hoặc MiMo — ngay trong một lượt chat, hoặc chạy các companion IM thường trực dùng chung bộ nhớ.
- ✓Retrieval chạy qua LlamaIndex, PageIndex, GraphRAG hoặc LightRAG, hoặc liên kết một Obsidian vault có sẵn, cùng các engine phân tích tài liệu có thể thay thế.
- ✓Khả năng mở rộng đến từ built-in tools, MCP server, CLI app, các model tạo ảnh/video/giọng nói, và skill cộng đồng cài được từ EduHub.
- ✓Bộ nhớ có thể kiểm tra được thay vì là hộp đen: L1 traces, L2 surface summaries, L3 synthesis, cùng một Memory Graph truy ngược từng nhận định về nguồn gốc của nó.
Cài đặt DeepTutor
DeepTutor có bốn cách cài đặt, tất cả dùng chung một cấu trúc workspace dưới data/user/settings/. Nhanh nhất là qua PyPI: pip install -U deeptutor, sau đó deeptutor init (hỏi cổng backend, mặc định 8001; cổng frontend, mặc định 3782; LLM provider; và provider embedding tùy chọn) rồi deeptutor start, lệnh này khởi động cả backend lẫn frontend — mở URL được in ra, mặc định là http://127.0.0.1:3782. Cách này cần Python 3.11–3.13 và một runtime Node.js 20+ trên PATH, vì deeptutor start sẽ khởi chạy một Next.js standalone server đã đóng gói sẵn. Để phát triển trên một bản checkout, clone repo, tạo venv (hoặc môi trường conda bằng conda create -n deeptutor python=3.11), chạy pip install -e . cùng npm ci --legacy-peer-deps trong web/ (dùng Node.js 22 LTS để khớp với CI/Docker), rồi deeptutor init và deeptutor start --dev để có hot reload. Các extra tùy chọn thêm từng phần riêng: .[dev] cho công cụ test/lint, .[partners] cho SDK kênh IM, .[matrix]/.[matrix-e2e] cho chat Matrix (E2EE cần libolm), và .[math-animator] cho animator dựa trên Manim (cần LaTeX, ffmpeg và các thư viện hệ thống).
Ai được lợi từ DeepTutor?
DeepTutor phù hợp với người đã có sẵn API key LLM (hoặc một model server chạy local) và muốn có một nơi duy nhất để lưu tài liệu môn học, chat về nội dung đó, tạo quiz, và theo dõi mức độ thành thạo thay vì dùng rời rạc app chatbot và app flashcard. Nó cũng phù hợp với một team nhỏ muốn dựng một instance tutoring dùng chung, vì đã hỗ trợ multi-user deployment với workspace tách biệt cho từng user. Đây không phải lựa chọn tốt nếu bạn không muốn tự vận hành một tiến trình Python cộng Node.js hoặc tự quản lý model provider.
Điểm mạnh
- ✓Mọi chế độ — Chat, Quiz, Research, Visualize, Solve, Mastery Path — đều đọc/ghi cùng một Memory và knowledge base, nên một sự kiện được xác lập trong Chat sẽ xuất hiện lại trong một Quiz được tạo ra sau đó.
- ✓Retrieval không bị khóa vào một engine duy nhất: chọn LlamaIndex, PageIndex, GraphRAG hoặc LightRAG cho từng knowledge base, hoặc liên kết một Obsidian vault có sẵn.
- ✓Có thể kéo một coding CLI đang chạy — Claude Code, Codex, Gemini, Kimi, opencode hoặc MiMo — vào giữa một phiên học như một subagent thay vì phải chuyển cửa sổ để kiểm tra câu trả lời.
- ✓Giấy phép Apache-2.0 giúp dùng được trong hầu hết các setup thương mại lẫn cá nhân mà không cần xin phép.
- ✓Tốc độ phát hành là có thật: từ v0.2.0 đến v1.5.9 trong chưa đầy tám tháng, nên bug được báo cáo thường được vá nhanh thay vì bị bỏ ngỏ.
Những điều cần cân nhắc
- △Tự vận hành nghĩa là bạn phải quản lý hai runtime — Python 3.11–3.13 và Node.js — cùng với việc tự cung cấp LLM provider (và tùy chọn cả embedding provider); không có bản hosted để đăng nhập dùng ngay.
- △Changelog cập nhật rất nhanh — hàng chục bản phát hành từ v0.2.0 đến v1.5.9 trong chưa đầy tám tháng — nên lệnh, cấu trúc settings hay CLI flag có thể thay đổi giữa các phiên bản nếu bạn không ghim một bản cụ thể.
- △Các extra tùy chọn kéo theo dependency hệ thống thật sự: Matrix E2EE cần libolm, còn Math Animator dựa trên Manim cần cài riêng LaTeX, ffmpeg và các thư viện hệ thống khác.
- △README không công bố số liệu benchmark hay mức độ sử dụng nào ngoài số star và fork trên GitHub, nên khó đánh giá chất lượng giảng dạy chỉ từ repo.
Lựa chọn thay thế DeepTutor
Câu hỏi thường gặp
DeepTutor được phát hành theo giấy phép Apache-2.0, theo repository GitHub của dự án.
DeepTutor cần Python 3.11–3.13 cùng runtime Node.js 20+ cho bản cài qua PyPI, hoặc Node.js 22 LTS khi build từ source để khớp với CI và Docker.
DeepTutor hỗ trợ nhiều LLM provider — changelog liệt kê OpenAI, Anthropic, Gemini, NVIDIA NIM, Novita AI, Eden AI, Atlas Cloud, và các server local như LM Studio hay llama.cpp, chọn ngay trong lúc chạy deeptutor init.
DeepTutor hỗ trợ triển khai multi-user: bản v1.3.8 đã thêm workspace tách biệt cho từng user, quyền admin, và quyền truy cập runtime có giới hạn.
DeepTutor hỗ trợ hệ thống Skills do người dùng tự viết, MCP server, CLI app, và cài skill cộng đồng từ ClawHub qua lệnh deeptutor skill install.
Knowledge Center của DeepTutor lập chỉ mục tài liệu qua LlamaIndex, PageIndex, GraphRAG hoặc LightRAG, hoặc liên kết một Obsidian vault có sẵn, cùng khả năng phân tích tài liệu có thể thay thế.
Vấn đề mà DeepTutor giải quyết
Học cùng một LLM thường có nghĩa là phải chuyển qua lại giữa một cửa sổ chat riêng, một app flashcard, và một công cụ ghi chú không hề chia sẻ những gì bạn đã học — hỏi ở chỗ này thì chỗ khác không hề biết. Agent loop của DeepTutor giữ cho Chat, Quiz, Research, Visualize, Solve và Mastery Path cùng đọc từ một knowledge base và bộ nhớ chung, nên một khái niệm được giải thích trong Chat có thể nạp thẳng vào một câu hỏi Quiz mà không cần bạn tải lại hay giải thích lại từ đầu.
Trường hợp sử dụng tốt nhất
- •Xây một knowledge base cá nhân từ file PDF hoặc ghi chú môn học, rồi chat, làm quiz và chạy Mastery Path trên đó mà không phải tải lại tài liệu cho từng chế độ.
- •Kéo một coding CLI đang chạy (Claude Code, Codex, Gemini, Kimi, opencode hoặc MiMo) vào một phiên học để kiểm tra câu trả lời liên quan đến code mà không rời khỏi khung chat.
- •Dựng một instance multi-user dùng chung cho một lớp học hoặc team nhỏ, với workspace tách biệt cho từng user kể từ v1.3.8.
- •Chạy chế độ Deep Research để tạo một báo cáo từ knowledge base thay vì tự đối chiếu nguồn thủ công.
- •Liên kết một Obsidian vault có sẵn làm knowledge base thay vì phải lập chỉ mục lại ghi chú vào một hệ thống riêng.