DeepTutor

Die meiste KI-gestützte Lernhilfe ist heute über unverbundene Werkzeuge verteilt: ein Chatbot für Fragen, eine separate Karteikarten-App, eine Notiz-App und ein Recherche-Assistent, der einen vergisst, sobald man den Tab schließt. DeepTutor von der HKUDS-Gruppe versucht, diese Zersplitterung in einen einzigen agent-nativen Arbeitsbereich zu bündeln. Es vereint Tutoring-Chat, Quiz- und Fragenerzeugung, durchgerechnetes Problemlösen, belegte Recherche, interaktive Bucherstellung und die Verwaltung von RAG-Wissensbasen unter einer Laufzeit. Der Kerngedanke ist Kontinuität: Kontext, Quellen und Verlauf wandern über alle Modi mit, statt pro App zurückgesetzt zu werden. Es ist quelloffen unter Apache-2.0, von Grund auf local-first (man besitzt Arbeitsbereich und Konfigurationsdateien) und durch einen arXiv-Preprint untermauert, der die Architektur dokumentiert. Kurz gesagt: ein Versuch, einen persönlichen Tutor zu bauen, der sich tatsächlich erinnert und auf frühere Sitzungen aufbaut.

DeepTutor beruht auf einer bewusst schlichten Agenten-Schleife: Das Modell denkt in Runden, ruft bei Bedarf Werkzeuge auf, beobachtet die Ergebnisse und hört auf, sobald genug Belege vorliegen. Dieselbe Schleife treibt Chat, die Co-Writer-Ansicht, die Bucherzeugung sowie die tieferen Modi Deep Solve und Deep Research an. Das Besondere ist ein dreischichtiges Gedächtnissystem: L1 speichert rohe Ereignis-Traces als zeitgestempelte JSONL-Dateien, L2 hält pro Oberfläche Markdown-Zusammenfassungen, und L3 synthetisiert ebenenübergreifende Profile und Vorlieben. Entscheidend: Dieses Gedächtnis ist einsehbar und bearbeitbar, keine Blackbox. RAG läuft auf LlamaIndex mit versionierten Wissensbasis-Indizes, die frühere Versionen erhalten statt sie zu überschreiben. Es unterstützt zudem Model-Context-Protocol-Werkzeuge und ein offenes Agent-Skills-Format aus einer Registry, mit einem Sicherheitsfilter, der Community-Skills vor der Nutzung prüft. Der Stack ist Python mit FastAPI hinter einem Next.js-16- und React-19-Frontend.

Am klarsten passt es zu Entwicklern und Lehrenden, die ein selbst hostbares, einsehbares Lernsystem wollen statt eines geschlossenen SaaS-Produkts. Da es als Web-App, CLI und Docker-Image ausgeliefert wird, kann eine einzelne Lernende es lokal betreiben, aus eigenen PDFs eine versionierte Wissensbasis aufbauen und sich dann über den Mastery Path abfragen, während eine kleine Einrichtung den Mehrbenutzermodus mit isolierten Arbeitsbereichen pro Nutzer aktivieren kann. Die Partners-Funktion verbindet dauerhafte Begleiter mit Messaging-Kanälen wie Telegram, Slack, Feishu und Matrix, sodass eine Lerngruppe dasselbe Gehirn aus dem Chat heraus abfragen kann. Die CLI gibt maschinenlesbares NDJSON aus und liefert ein SKILL.md-Übergabedokument mit, womit Agenten-Frameworks wie Claude Code oder Codex DeepTutor programmatisch steuern können. Es eignet sich für Bastler, die Modellanbieter, Sandboxes und CORS-Einstellungen selbst verdrahten.

Die ehrlichen Vorbehalte beginnen bei der Kategorie selbst. Agent-natives Tutoring ist jung, und es gibt bislang keinen Beleg, dass dieser Ansatz reale Lernergebnisse oder Behaltensleistung gegenüber bestehenden Werkzeugen verbessert; die pädagogischen Aussagen sind Gestaltungsabsicht, keine gemessenen Resultate. Live-Demo und Docs-Seite waren bei den Prüfungen unzuverlässig (die Startseite lieferte während dieser Sichtung ein 403), erste Eindrücke können also schwanken. Das Projekt nennt eine hohe Sternezahl, was bei einem schnell wachsenden Repo fortlaufende Authentizitätsprüfung statt automatischen Vertrauens nahelegt. Im Betrieb führt es modellgenerierten Python-Code über eine standardmäßig aktive Subprozess-Sandbox aus, was eine echte Vertrauensentscheidung ist, sobald man es über die eigene Maschine hinaus zugänglich macht. Docker erfordert das korrekte Mappen beider Ports, sonst bricht die Einstellungsseite still; entfernte Deployments brauchen explizite API-Basis- und CORS-Konfiguration, und das optionale PocketBase-Backend ist nur für einen Nutzer. Nichts davon ist fatal, aber es erschwert den beiläufigen Einstieg gegenüber einem gehosteten Produkt.

Gegenüber Khanmigo, dem naheliegenden kommerziellen Vergleich, punktet DeepTutor mit Eigentum und Breite statt mit Politur oder belegter Wirksamkeit. Khanmigo bietet eine geführte, im Unterricht erprobte Erfahrung mit Leitplanken und institutioneller Absicherung; DeepTutor bietet eine hackbare, selbst gehostete Laufzeit, in der man Modelle, Daten und Gedächtnis selbst kontrolliert. Interessant ist es, wenn man als Entwickler oder Lehrende selbst hostbare KI-Lernwerkzeuge baut, transparentes und bearbeitbares Gedächtnis schätzt und MCP- sowie Skills-Erweiterbarkeit will. Zu früh ist es, wenn man nachgewiesene Lernergebnisse, LMS-Integration oder ein schlüsselfertiges Produkt für nicht-technische Nutzer braucht, das ohne Betriebsaufwand läuft. Vorerst sollte man es als vielversprechendes Fundament zum Experimentieren behandeln, nicht als fertigen Tutor für Lernende, die darauf angewiesen sind. Auf Ergebnisdaten und eine stabile gehostete Demo warten, bevor man darauf setzt.