DeepTutor: あなたのパーソナル学習アシスタント

クイックスタート · コアモジュール · よくある質問

🇬🇧 English · 🇨🇳 中文 · 🇪🇸 Español · 🇫🇷 Français · 🇸🇦 العربية · 🇷🇺 Русский · 🇮🇳 हिन्दी · 🇵🇹 Português

[2026.1.1] 新年あけましておめでとうございます！Discord コミュニティ、WeChat コミュニティ、または Discussions に参加して、DeepTutor の未来を一緒に創りましょう！💬

[2025.12.30] 詳細は公式ウェブサイトをご覧ください！

[2025.12.29] DeepTutor が公開されました！✨

DeepTutor の主要機能

📚 大規模ドキュメント知識Q&A

• スマート知識ベース：教科書、研究論文、技術マニュアル、ドメイン固有のドキュメントをアップロード。包括的な AI 駆動の知識リポジトリを構築し、即座にアクセス可能にします。
• マルチエージェント問題解決：RAG、ウェブ検索、論文検索、コード実行を統合したデュアルループ推論アーキテクチャ—正確な引用付きの段階的なソリューションを提供します。

🎨 インタラクティブ学習可視化

• 知識の簡素化と説明：複雑な概念、知識、アルゴリズムを理解しやすい視覚補助、詳細な段階的分解、魅力的なインタラクティブデモンストレーションに変換します。
• パーソナライズされたQ&A：学習の進捗に適応するコンテキスト対応の会話、インタラクティブページとセッションベースの知識追跡を提供します。

🎯 練習問題生成器による知識強化

• インテリジェントな演習作成：現在の知識レベルと特定の学習目標に合わせて、ターゲットを絞ったクイズ、練習問題、カスタマイズされた評価を生成します。
• 本格的な試験シミュレーション：参考試験をアップロードして、元のスタイル、形式、難易度に完全に一致する練習問題を生成—実際のテストのための現実的な準備を提供します。

🔍 深い研究とアイデア生成

• 包括的な研究と文献レビュー：系統的な分析による深いトピック探索を実施。パターンを識別し、分野を超えた関連概念を接続し、既存の研究結果を統合します。
• 新しい洞察の発見：構造化された学習資料を生成し、知識のギャップを発見します。インテリジェントなクロスドメイン知識統合を通じて、有望な新しい研究方向を特定します。

📚 大規模ドキュメント知識Q&A

_{正確な引用を伴うマルチエージェント問題解決}

🎨 インタラクティブ学習可視化

_{パーソナライズされたQ&Aを備えたステップバイステップの視覚的説明}

🎯 知識強化

カスタム質問
_{自動検証された練習問題の生成}

模擬質問
_{本格的な練習のための試験スタイルのクローン}

🔍 深い研究とアイデア生成

深い研究
_{RAG、ウェブ、論文検索による教科書からの知識拡張}

自動化されたアイデア生成
_{デュアルフィルターワークフローによる系統的なブレインストーミングと概念統合}

インタラクティブなアイデア生成
_{ポッドキャスト生成を備えたRAGとウェブ検索駆動のCo-Writer}

🏗️ オールインワン知識システム

個人知識ベース
_{独自の知識リポジトリを構築・整理}

個人ノートブック
_{学習セッションのコンテキストメモリ}

_{🌙 ダークモードで DeepTutor を使用！}

🏛️ DeepTutor のフレームワーク

💬 ユーザーインターフェース層

• 直感的なインタラクション：直感的なインタラクションのためのシンプルな双方向クエリ-レスポンスフロー。
• 構造化された出力：複雑な情報を実行可能な出力に整理する構造化レスポンス生成。

🤖 インテリジェントエージェントモジュール

• 問題解決と評価：段階的な問題解決とカスタム評価生成。
• 研究と学習：トピック探索のための深い研究と可視化を備えたガイド付き学習。
• アイデア生成：マルチソースの洞察を備えた自動化およびインタラクティブな概念開発。

🔧 ツール統合層

• 情報検索：RAG ハイブリッド検索、リアルタイムウェブ検索、学術論文データベース。
• 処理と分析：Python コード実行、クエリ項目検索、ドキュメント分析のための PDF 解析。

🧠 知識とメモリ基盤

• 知識グラフ：セマンティック接続と知識発見のためのエンティティ-関係マッピング。
• ベクトルストア：インテリジェントなコンテンツ検索のための埋め込みベースのセマンティック検索。
• メモリシステム：コンテキストの継続性のためのセッション状態管理と引用追跡。

📋 タスク

🌟 今後の更新をフォローするために Star してください！

ローカル LLM サービスのサポート（例：ollama）
RAG モジュールのリファクタリング（Discussions を参照）
アイデア生成からの深いコーディング
ノートブックとのパーソナライズされたインタラクション

🚀 クイックスタート

ステップ 1: 事前設定

① リポジトリをクローン

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

② 環境変数を設定

cp .env.example .env
# API キーで .env ファイルを編集

📋 環境変数リファレンス

変数	必須	説明
`LLM_MODEL`	はい	モデル名（例：`gpt-4o`）
`LLM_API_VERSION`	いいえ	Azure OpenAI の API バージョン（例：`2024-02-15-preview`）
`LLM_API_KEY`	はい	LLM API キー
`LLM_HOST`	はい	API エンドポイント URL
`EMBEDDING_MODEL`	はい	埋め込みモデル名
`EMBEDDING_API_VERSION`	いいえ	Azure OpenAI Embeddings の API バージョン
`EMBEDDING_API_KEY`	はい	埋め込み API キー
`EMBEDDING_HOST`	はい	埋め込み API エンドポイント
`BACKEND_PORT`	いいえ	バックエンドポート（デフォルト：`8001`）
`FRONTEND_PORT`	いいえ	フロントエンドポート（デフォルト：`3782`）
`NEXT_PUBLIC_API_BASE`	いいえ	フロントエンド用 API URL（リモート/LAN アクセス時に設定。例：`http://192.168.1.100:8001`）
`TTS_*`	いいえ	テキスト読み上げ設定
`SEARCH_PROVIDER`	いいえ	検索プロバイダー（オプション：`perplexity`, `tavily`, `serper`, `jina`, `exa`, `baidu`、デフォルト：`perplexity`）
`SEARCH_API_KEY`	いいえ	統一検索APIキー

💡 リモートアクセス：別デバイス（例：192.168.31.66:3782）からアクセスする場合は .env に追加します：
NEXT_PUBLIC_API_BASE=http://192.168.31.66:8001

③ ポートと LLM を設定 (オプション)

ポート：.env で BACKEND_PORT / FRONTEND_PORT を設定（デフォルト：8001/3782）
LLM：config/agents.yaml を編集 → 各モジュールの temperature / max_tokens
詳細は設定ドキュメントを参照

④ デモナレッジベースを試す (オプション)

📚 利用可能なデモ

研究論文 — 私たちのラボからの 5 論文（AI-Researcher、LightRAG など）
データサイエンス教科書 — 8 章、296 ページ（書籍リンク）

Google Drive からダウンロード
data/ ディレクトリに解凍

デモ KB は text-embedding-3-large を使用し、dimensions = 3072

⑤ 独自のナレッジベースを作成 (起動後)

http://localhost:3782/knowledge にアクセス
「New Knowledge Base」をクリック → 名前を入力 → PDF/TXT/MD ファイルをアップロード
ターミナルで進捗を監視

ステップ 2: インストール方法を選択

🐳 Docker デプロイ

推奨 — Python/Node.js 設定不要

前提条件：Docker と Docker Compose

🚀 オプション A: 事前構築済みイメージ（最速）

# すべてのプラットフォームで動作（Docker がアーキテクチャを自動判別）
docker run -d --name deeptutor \
  -p 8001:8001 -p 3782:3782 \
  --env-file .env \
  -v $(pwd)/data:/app/data \
  -v $(pwd)/config:/app/config:ro \
  ghcr.io/hkuds/deeptutor:latest

# Windows PowerShell: $(pwd) の代わりに ${PWD} を使用

🔨 オプション B: ソースコードからビルド

# ビルドして起動（初回実行は約 5-10 分）
docker compose up --build -d

# ログを表示
docker compose logs -f

コマンド：

docker compose up -d      # 起動
docker compose logs -f    # ログ
docker compose down       # 停止
docker compose up --build # 再ビルド
docker pull ghcr.io/hkuds/deeptutor:latest  # イメージを更新

開発モード：-f docker-compose.dev.yml を追加

💻 手動インストール

開発または非 Docker 環境用

前提条件：Python 3.10+、Node.js 18+

環境を設定：

# conda を使用（推奨）
conda create -n deeptutor python=3.10
conda activate deeptutor

# または venv を使用
python -m venv venv
source venv/bin/activate

依存関係をインストール：

# ワンクリックインストール（推奨）
python scripts/install_all.py
# または: bash scripts/install_all.sh

# または手動インストール
pip install -r requirements.txt
npm install --prefix web

起動：

# Web インターフェースを起動
python scripts/start_web.py

# または CLI のみ
python scripts/start.py

# 停止：Ctrl+C

アクセス URL

サービス	URL	説明
フロントエンド	http://localhost:3782	メイン Web インターフェース
API ドキュメント	http://localhost:8001/docs	インタラクティブ API ドキュメント

📄 ライセンス

このプロジェクトは AGPL-3.0 ライセンス でライセンスされています。

⭐ Star History

🤝 貢献

コミュニティからの貢献を歓迎します！コード品質と一貫性を確保するため、以下のガイドラインに従ってください。

開発セットアップ

Pre-commit Hooks セットアップ

このプロジェクトは pre-commit hooks を使用して、コミット前に自動的にコードをフォーマットし、問題をチェックします。

ステップ 1: pre-commit をインストール

# pip を使用
pip install pre-commit

# または conda を使用
conda install -c conda-forge pre-commit

ステップ 2: Git hooks をインストール

cd DeepTutor
pre-commit install

ステップ 3: （オプション）すべてのファイルでチェックを実行

pre-commit run --all-files

git commit を実行するたびに、pre-commit hooks は自動的に以下を行います：

Ruff で Python コードをフォーマット
Prettier でフロントエンドコードをフォーマット
構文エラーをチェック
YAML/JSON ファイルを検証
潜在的なセキュリティ問題を検出

コード品質ツール

ツール	目的	構成
Ruff	Python コード確認とフォーマット	`pyproject.toml`
Prettier	フロントエンドコード形式	`web/.prettierrc.json`
detect-secrets	セキュリティチェック	`.secrets.baseline`

注意: プロジェクトはフォーマット競合を回避するため、Black の代わりに Ruff format を使用します。

よく使うコマンド

# 通常のコミット（hooks が自動実行）
git commit -m "コミットメッセージ"

# すべてのファイルを手動でチェック
pre-commit run --all-files

# hooks を最新バージョンに更新
pre-commit autoupdate

# hooks をスキップ（推奨されません。緊急時のみ）
git commit --no-verify -m "緊急修正"

貢献ガイドライン

Fork とクローン: リポジトリを Fork してクローン
ブランチを作成: main からフィーチャーブランチを作成
Pre-commit をインストール: 上記セットアップステップに従う
変更を実施: プロジェクトのスタイルに従ってコードを記述
テスト: 変更が正しく機能することを確認
コミット: Pre-commit hooks が自動的にコードをフォーマット
プッシュと PR: Fork にプッシュして Pull Request を作成

問題を報告

GitHub Issues を使用してバグを報告またはフィーチャーを提案
問題に関する詳細情報を提供
バグの場合は、再現手順を含める

❤️ すべての貢献者の貴重な貢献に感謝します。

🔗 関連プロジェクト

⚡ LightRAG	🎨 RAG-Anything	💻 DeepCode	🔬 AI-Researcher
シンプルで高速の RAG	マルチモーダル RAG	AI コードアシスタント	研究自動化

香港大学データインテリジェンスラボ

⭐ Star us · 🐛 Report a bug · 💬 Discussions

✨ DeepTutor のご利用ありがとうございます！

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

DeepTutor: あなたのパーソナル学習アシスタント

DeepTutor の主要機能

📚 大規模ドキュメント知識Q&A

🎨 インタラクティブ学習可視化

🎯 練習問題生成器による知識強化

🔍 深い研究とアイデア生成

📚 大規模ドキュメント知識Q&A

🎨 インタラクティブ学習可視化

🎯 知識強化

🔍 深い研究とアイデア生成

🏗️ オールインワン知識システム

🏛️ DeepTutor のフレームワーク

💬 ユーザーインターフェース層

🤖 インテリジェントエージェントモジュール

🔧 ツール統合層

🧠 知識とメモリ基盤

📋 タスク

🚀 クイックスタート

ステップ 1: 事前設定

ステップ 2: インストール方法を選択

🐳 Docker デプロイ

💻 手動インストール

アクセス URL

📄 ライセンス

⭐ Star History

🤝 貢献

Pre-commit Hooks セットアップ

コード品質ツール

よく使うコマンド

貢献ガイドライン

問題を報告

🔗 関連プロジェクト

FilesExpand file tree

README_JA.md

Latest commit

History

README_JA.md

File metadata and controls

DeepTutor: あなたのパーソナル学習アシスタント

DeepTutor の主要機能

📚 大規模ドキュメント知識Q&A

🎨 インタラクティブ学習可視化

🎯 練習問題生成器による知識強化

🔍 深い研究とアイデア生成

📚 大規模ドキュメント知識Q&A

🎨 インタラクティブ学習可視化

🎯 知識強化

🔍 深い研究とアイデア生成

🏗️ オールインワン知識システム

🏛️ DeepTutor のフレームワーク

💬 ユーザーインターフェース層

🤖 インテリジェントエージェントモジュール

🔧 ツール統合層

🧠 知識とメモリ基盤

📋 タスク

🚀 クイックスタート

ステップ 1: 事前設定

ステップ 2: インストール方法を選択

🐳 Docker デプロイ

💻 手動インストール

アクセス URL

📄 ライセンス

⭐ Star History

🤝 貢献

Pre-commit Hooks セットアップ

コード品質ツール

よく使うコマンド

貢献ガイドライン

問題を報告

🔗 関連プロジェクト