42.600 stelle su GitHub in dieci mesi. DeepTutor non è l’ennesimo chatbot educativo con una nuova interfaccia — è un progetto dell’Università di Hong Kong che prova a rifare il tutoraggio AI dal basso, partendo da un’idea scomoda: un tutor che non dimentica chi sei dopo ogni sessione.
Il Data Intelligence Lab di HKU, guidato da Chao Huang, ha rilasciato la prima versione il 29 dicembre 2025. Oggi siamo alla v1.6.15, con 45 servizi MCP, 101 tool a riga di comando, supporto per oltre 30 provider di modelli — da OpenAI fino a Ollama per chi vuole girare tutto in locale — e licenza Apache 2.0: prendetelo, modificatelo, usatelo anche commercialmente, senza chiedere permesso.
Il problema che nessuno aveva risolto davvero
La maggior parte dei tutor AI funziona così: apri una chat, fai una domanda, ottieni una risposta, chiudi. La prossima volta ricomincia da zero. Magari il sistema tiene traccia della cronologia, ma non c’è una vera memoria che evolve, che capisce come impari, dove sbagli, cosa ti serve ripetere. DeepTutor parte dall’idea opposta: ogni interazione personalizza la successiva.
Il cuore è una trace forest, una memoria gerarchica su tre livelli. L1 è lo specchio del workspace più una traccia degli eventi; L2 sono fatti curati per superficie con riferimenti a L1; L3 è sintesi cross-superficie che registra i suoi L2 contributori. Non un vector store nascosto: file che puoi leggere, modificare, auditare. La personalizzazione diventa ispezionabile.
Secondo il paper su arXiv (2604.26962), il sistema migliora del 10,8% la qualità del tutoraggio personalizzato e del 29,4% il ragionamento agentico generale su cinque modelli di base. Numeri degli autori, sia chiaro — GitHub non ha verificato in modo indipendente queste affermazioni. L’idea di fondo però regge: ancorare la conoscenza statica con una memoria dinamica dello studente crea un ciclo chiuso dove ogni domanda, errore e risposta alimenta il profilo che guida le interazioni successive.
Un runtime, dieci modalità
DeepTutor non è una chat con qualche funzione in più. È un workspace agentico che connette tutoraggio, risoluzione di problemi, quiz, ricerca, visualizzazione, pratica di padronanza, lettura immersiva e panoramiche audio in un’unica piattaforma. Chat, Ask Questions, Quiz, Research, Visualize, Solve, Course Study, Mastery Path, Immersive Reading e Audio Overview condividono lo stesso runtime e contesto di sessione, pur mantenendo loop e pipeline dedicati.
La Task Board tiene traccia delle attività di studio in To do, In progress, Done, con note, drag-and-drop accessibile da tastiera e archivio ripristinabile. Le card restano nel workspace corrente e seguono le impostazioni di aspetto e lingua esistenti; non serve configurare nessun modello.
La modalità Immersive Reading supporta link YouTube e Bilibili per playback nativo, ricerca nei transcript, tutoraggio ancorato al timestamp, note salvate e progressi ripristinabili. Le didascalie YouTube possono usare un’istanza Invidious configurata dall’amministratore — un dettaglio che fa la differenza in ambienti con policy stringenti.
Subagent e partner: l’architettura che si apre
Dalla chat puoi consultare un harness agentico live — Claude Code, Codex, Grok CLI, Antigravity, Kimi, opencode, MiMo, Hermes, OpenClaw, DeepSeek — o un Partner, importare conversazioni passate, far girare companion IM persistenti sullo stesso contesto. I Partner sono companion persistenti con personalità, policy di modello, libreria, memoria e canali propri. Non sono un motore bot separato: ogni messaggio web o IM in entrata diventa un normale turno ChatOrchestrator dentro un workspace con scope partner. Un partner è, in sostanza, una chat con una personalità e un numero di telefono. Il layer dei canali è schema-driven e si connette a Feishu, Telegram, Slack, Discord, DingTalk, QQ/NapCat, WeCom, WhatsApp, Zulip, Mattermost, Matrix, Mochat e Microsoft Teams, a seconda degli extra installati e delle credenziali configurate.
Co-Writer è un workspace Markdown a vista divisa per report, tutorial, note e artefatti di apprendimento lunghi. Selezionate uno span di testo e chiedete a DeepTutor di riscriverlo, espanderlo o accorciarlo. Book trasforma fonti selezionate in un libro interattivo — non un PDF statico, ma un ambiente di lettura costruito da blocchi tipizzati. Il flusso di creazione propone uno schema capitolare prima che il contenuto venga generato, così rivedete la struttura invece di accettare un output one-shot. Ogni capitolo si compila in blocchi modificabili — testo, callout, quiz, flash card, timeline, codice, figure, HTML interattivo, animazioni, grafi concettuali, approfondimenti, note utente — con la propria Page Chat.
Knowledge center: RAG multi-engine
Le knowledge base sono le collezioni documentali dietro il RAG. DeepTutor lascia scegliere il motore di retrieval: LlamaIndex (default, ibrido vettore + BM25 con reranking cross-encoder opzionale), PageIndex (retrieval ragionato con citazioni a livello pagina), GraphRAG e LightRAG (retrieval knowledge-graph), LightRAG Server, WeKnora, Tencent IMA, MarginNote 4, Kiwix, o un vault Obsidian linkato. Una KB può anche tracciare repository GitHub o URL di siti di documentazione, risincronizzati ogni 24 ore per default.
Il re-indexing scrive una nuova directory version-N e mantiene quelle precedenti, così un indice funzionante non viene mai distrutto a metà ricostruzione. Per valutare una knowledge base, deeptutor kb eval riporta Recall@k, Precision@k, nDCG@k, MRR, MAP e Hit@k. Le metriche sono funzioni pure sul ranking: nessun modello giudica l’output.
CLI agentica: costruito per essere guidato da altri agenti
Un binario deeptutor, due modi di entrare: un REPL interattivo per chi vive nel terminale, e JSON strutturato per altri agenti che pilotano DeepTutor come strumento. Aggiungete --format json a qualsiasi run e ogni turno trasmette NDJSON, un evento per riga. Il repo include un SKILL.md radice, documento di handover compatto per la CLI.
Installazione: quattro percorsi, un layout
Docker one-command trial: docker run --rm --name deeptutor -p 127.0.0.1:3782:3782 -v deeptutor-data:/app/data ghcr.io/hkuds/deeptutor:latest. Aprite http://127.0.0.1:3782 e configurate i provider di modelli in Settings → Providers. Il volume deeptutor-data mantiene impostazioni e dati locali per il prossimo run.
Opzione 1 — installa da PyPI: app Web locale completa più CLI, nessun clone richiesto. Serve Python 3.11–3.14 e Node.js 20+. pip install -U deeptutor, deeptutor init, deeptutor start. Opzione 2 — installa da source: per sviluppo su un checkout. Opzione 3 — Docker: container auto-contenuto per l’app Web completa, immagini su GitHub Container Registry. Opzione 4 — solo CLI: nessuna UI Web, da un checkout source.
Le skill office integrate — docx, pdf, pptx, xlsx — funzionano facendo scrivere al modello un breve script Python, eseguirlo attraverso il singolo strumento exec e presentare il file workspace salvato. DeepTutor sceglie il backend sandbox più forte configurato: sidecar Runner, bubblewrap Linux, o fallback subprocess ristretto.
Multi-utente e autenticazione
L’autenticazione è disabilitata per default: DeepTutor gira single-user. Attivatela e un albero data/ ospita un workspace admin, workspace isolati per utente e workspace partner. Gli account learner bloccano le capacità di apprendimento e la policy dei materiali; i guardian autorizzati possono visualizzare report, approvare materiali e resettare credenziali. OAuth OpenAI Codex (sperimentale) consente un sign-in browser sul piano ChatGPT personale, senza OPENAI_API_KEY.
La cautela è d’obbligo
I benchmark sono auto-riportati e GitHub non li ha validati in modo indipendente. Ma il progetto attrae sviluppatori perché ridefinisce il tutor AI come sistema persistente invece che sequenza di prompt isolati. 5.400 fork, oltre 2.900 commit, un ecosistema in espansione: questo non garantisce che i numeri siano esatti, ma segnala che qualcosa di concreto sta succedendo.
HyperAI ha pubblicato un tutorial pronto all’uso per provare DeepTutor senza configurare l’ambiente. La release del 31 luglio 2026 ha aggiunto il catalogo MCP e le app CLI. La v1.6.15 del 19 ottobre ha portato percorsi di apprendimento revisionati, valutazioni raggruppate, memoria di tutoraggio limitata, recupero chat affidabile, parsing più robusto, confronti di retrieval e speech Gemini nativo.
Questo è un framework di ricerca che si è evoluto in piattaforma. Non è perfetto. Ma se cercate un tutor AI che non dimentica chi siete dopo ogni sessione, che potete modificare, estendere e far girare localmente, DeepTutor merita un weekend di sperimentazione. Apache 2.0 e guidato da un lab universitario invece che da una startup in cerca di exit lo rendono ancora più interessante.
