DeepTutor will sich merken, was du falsch gemacht hast

DeepTutor hat 56.715 Sterne, ein arXiv-Preprint, Version 1.7.2, die diese Woche erscheint, und einen Untertitel, der das ganze Argument verrät: lebenslanges personalisiertes Tutoring.
„Lebenslang" ist das beladene Wort. Alles andere im Produkt folgt daraus, dass man es ernst nimmt.
Eine normale Tutor-App ist eine Antwortmaschine mit freundlicher Schrift. Du fragst, sie erklärt, du gehst. Die nächste Session beginnt bei null, was für den Anbieter bequem und für dich nutzlos ist, denn eigentlich brauchtest du, dass jemand merkt, dass du bei einer bestimmten Art Aufgabe jedes Mal denselben Fehler machst.
DeepTutors Wette ist, dass das wertvolle Asset nicht die Erklärung ist. Es ist das Protokoll der Erklärungen, die schon gescheitert sind.
Was drin ist
Das Projekt kommt aus dem HKUDS und beschreibt sich als agent-nativer Lernworkspace. Praktisch heißt das: mehrere Modi teilen sich eine Laufzeit – Chat, Quiz, Research, Visualize, Solve, Mastery Path und Reading. Sie teilen den Session-Kontext, eine im Chat gestellte Frage ist also verfügbar, wenn du zu Quiz wechselst, und eine in Quiz gefundene Schwäche kann in einen Mastery Path fließen.
Darum herum liegen drei Bereiche – Home, Learning, Resources –, die Bücher, Lesen, Üben, ein Aufgabenboard, einen Kalender und ein Lernnotizbuch verbinden. Geteilte Materialien, geteilter Fortschritt, geteilter Kontext. Wer eine Notiz-App benutzt hat, die auch Spaced Repetition macht, wird die Form vertraut finden und die Praxis deutlich vernetzter.
Der Research-Modus gründet auf deinen eigenen Materialien über eine RAG-Pipeline, und jede Wissensbasis kann eine andere Pipeline bekommen. Das klingt nach einem Konfigurationsdetail, bis man erlebt hat, wie ein Allzweckassistent selbstsicher ein Konzept aus einem Lehrbuch erklärt, das man gar nicht benutzt. Die Suche auf die Quelle richten zu können, die der Kurs tatsächlich nutzt, ist der Unterschied zwischen einer plausiblen und einer nützlichen Antwort.

Die Installation
Der schnelle Weg:
pip install -U "deeptutor[full]"
Das installiert die komplette Web-App und die CLI. Ein blankes deeptutor installiert nur den Kern, was du willst, wenn du darauf aufbaust statt die Oberfläche zu nutzen. Es gibt macOS- und Windows-Installer, wenn du kein Terminal anfassen willst, vorgebaute Docker-Images auf GHCR für Server-Deployment, und die Doku liegt auf deeptutor.info. Das Design-Paper ist arXiv:2604.26962, wenn du die Begründung der Modusaufteilung vor der Installation lesen willst.
Die Konfiguration ist eine einheitliche Service-Schicht mit Unterstützung für mehrere LLM- und Embedding-Anbieter, du kannst also auf ein gehostetes oder ein lokales Modell zeigen. Bei einem Lernwerkzeug zählt diese Wahl mehr als sonst: Die Transkripte dessen, was du nicht verstehst, sind ungewöhnlich persönliche Daten.
Die Versionshistorie verrät, was gefehlt hat
Lies das Changelog rückwärts, und du bekommst eine offene Liste dessen, was ein Lernwerkzeug braucht, bevor es das Wort „lebenslang" verdient.
Session-Persistenz. Inkrementeller Dokument-Upload. RAG-Pipeline-Auswahl pro Wissensbasis. Überarbeitete Fragengenerierung. Eine einheitliche Prompt-Architektur. Docker-Deployment. Modelle mehrerer Anbieter. Vollständige chinesische Lokalisierung.
Die Hälfte davon ist Infrastruktur, keine Features, und das ist der Punkt. Gedächtnis, das einen Neustart überlebt, ist in einem Tutorsystem kein Nice-to-have; es ist die ganze Prämisse. Das Release 1.7.0 am 28. Oktober war vor allem ein Redesign der Oberfläche, was meist heißt, dass die Engine aufgehört hat, jeden Monat ihre Form zu ändern.
Was ein Mastery Path wirklich ist, und warum das schwer ist
Die Modusnamen, auf die es am meisten ankommt, sind Quiz und Mastery Path, weil sie ein Modell des Lernenden brauchen und nicht eines des Fachs.
Quizzing ist leicht zu fälschen: zehn Fragen generieren, benoten, Punktzahl zeigen. Ein Mastery Path ist schwerer. Du musst wissen, welches Konzept jede falsche Antwort berührt, auf welcher Voraussetzung dieses Konzept ruht, und ob der Lernende es wegen der Voraussetzung falsch hatte oder wegen der Formulierung der Frage. Dann musst du die nächsten vier Dinge so ordnen, dass jedes nur leicht über dem liegt, was der Lernende gerade kann.
Das ist ein wirklich schwieriges Stück Engineering, und es ist der Teil, für den ein LLM allein nicht reicht – du brauchst einen Graphen von Konzepten, weshalb so viel an diesem Produkt wie eine Wissensbasis mit angeflanschtem Chat-Interface aussieht und nicht umgekehrt. Der Chat ist die Haustür. Der Graph ist das Haus.
Was die erste Woche tatsächlich kostet
Die Einrichtung ist der langweilige Teil und verdient eine ehrliche Darstellung.
Die Installation dauert Minuten. Dann musst du ihm etwas zum Unterrichten geben. Ein Lehrbuchkapitel hochzuladen funktioniert; einen Ordner voller PDFs hochzuladen funktioniert besser; ein Semester eigener Notizen hochzuladen funktioniert am besten und ist zugleich das Mühsamste, was du die Woche über tust. Der inkrementelle Upload hilft hier – ein Dokument lässt sich mitten im Kurs ergänzen, statt die Wissensbasis neu zu bauen –, aber der erste Durchgang bleibt Handarbeit.
Dann konfigurierst du ein Modell. Die Multi-Provider-Schicht lässt dir die Wahl, und bei Lernmaterial spricht das Argument für das beste Modell, das du dir leisten kannst, nicht für das billigste, weil der Fehlermodus eines schwachen Modells im Tutor-Modus selbstsichere Falschheit ist – genau das, was ein Lernender nicht erkennen kann.
Der Modus, der sich zuerst rechnet, ist meist Quiz, nicht Chat. Zu Material, das du gerade gelesen hast, gefragt zu werden und es falsch zu haben, erzeugt ein schärferes Gefühl für die Lücke als jede Erklärung. Das ist keine Eigenschaft dieses Produkts – so funktioniert Retrieval Practice –, aber das Produkt ist so gebaut, dass die Schleife bequem ist, und Bequemlichkeit ist der Grund, warum die Schleife überhaupt passiert.
Mastery Path ist der Modus, den du nicht schnell bewerten kannst. Er braucht mehr Historie, als eine Woche liefert, was je nach Geduld eine faire Einschränkung oder ein Designfehler ist.
Wo es dich enttäuschen wird
Es braucht deine Materialien. Das ganze Versprechen hängt davon ab, dass die RAG-Schicht etwas zu finden hat. Richtest du es auf eine leere Wissensbasis, bekommst du einen kompetenten Allzweckassistenten – genau das, wovor du fliehen wolltest.
Die Modus-Vielfalt ist auch real. Sieben Modi plus drei Bereiche sind viel Oberfläche für ein Lernwerkzeug, und der ehrliche Fehlermodus eines solchen Systems ist, dass du eine Woche mit Konfigurieren verbringst und zwei Abende mit Lernen.
Und „lebenslang" leistet etwas Marketingarbeit. Das System erinnert, was in ihm passiert. Es weiß nicht, was du aus einem Buch gelernt hast, das du auf Papier gelesen hast, in einer Vorlesung oder im Gespräch mit einer Kollegin. Das Protokoll ist nur so vollständig wie die Gewohnheit, es zu füttern.
Für wen das wirklich gedacht ist
Wenn du in drei Wochen eine Prüfung schreibst, schlagen ein gutes Lehrbuch und ein Stapel alter Klausuren das hier. Wenn du etwas über Monate lernst – eine Sprache, ein klinisches Fach, ein Stück Mathematik, das du immer fast verstehst –, dann ist die Persistenz das Feature. Der Wert des Systems summiert sich auf eine Weise, wie es ein Chatfenster nicht tut.
Der Vergleich, der sich lohnt, ist nicht der mit anderen KI-Tutoren. Es ist der mit dem Ordner voller Notizen, den du seit Jahren führst und nie wieder öffnest. DeepTutor ist der Versuch, die Version dieses Ordners zu bauen, die dir Fragen stellt.
Ob das funktioniert, ist eine empirische Frage, die du nur für dich beantworten kannst, über einen Zeitraum, der lang genug ist, um unbequem zu sein. Was ungefähr die Definition von Bildung ist.
Verwandte Artikel
Eine community-gepflegte Tabelle von Taps, die Werbung in chinesischen Android-Builds abschaltet
Es fasst das System nicht an, entsperrt nichts, flasht nichts. Es legt nur die Schalter um, die die Hersteller ohnehin vorgesehen haben. Der Preis ist eine Liste, die jemand weiterführen muss.
GPT Image 2.6 hielt den Tokenpreis und erhöhte die Rechnung
GPT Image 2.6 übernimmt jeden Tokenpreis von 2.5 und kostet pro Bild dennoch mehr, weil ein größerer Teil der Arbeit in Ausgabe-Token landet. Elf Tage nach dem Start sagt die Preisstruktur mehr als jede Rangliste.
Jemand hat IDM von außen nachgebaut und aufgeschrieben, was er nicht angefasst hat
Eine Rust-Neuimplementierung von Internet Download Manager verspricht 5x Tempo und 86 Sprachen. Das interessantere Dokument ist der Absatz, der erklärt, wie sie ohne jede Kopie entstanden ist.
Rune ist ein Rust-UI-Framework, das gebaut wurde, damit ein Agent seine eigene Arbeit prüfen kann
Rune rendert headless, gibt seinen Elementbaum aus und nimmt geskriptete Eingaben an. Damit bekommt ein Coding-Agent ein Signal zum Diffen, das ein Screenshot nie liefert. Das Framework ist Pre-Release und nimmt keine Pull Requests an.