DeepTutor: tutor de IA open source que aprende cómo aprendes

Le preguntas algo a ChatGPT sobre la documentación de una librería y te contesta con seguridad. Con mucha seguridad. Con una API que se eliminó hace dos versiones.

Y mañana, cuando vuelvas con la siguiente duda, no se acordará de que ayer no entendiste los closures, ni de que te atascas siempre en el mismo tipo de ejercicio. Empiezas de cero. Cada día.

DeepTutor es el intento del laboratorio de datos de la Universidad de Hong Kong (HKUDS, los mismos de LightRAG) de arreglar esas dos cosas a la vez: que la IA responda desde tus materiales y que recuerde cómo aprendes. Es open source, se instala en tu máquina y en diez meses ha pasado de cero a casi 49.000 estrellas en GitHub.

Lo he destripado leyendo su repositorio, su documentación y el paper que lo acompaña. Esto es lo que vas a encontrar:

• Qué es DeepTutor y por qué no es “otro chat con PDFs”.
• Cómo funciona su memoria en tres capas y su RAG con varios motores a elegir.
• Cómo instalarlo en cinco minutos con Docker o con pip.
• Qué te aporta a ti como developer: aprender un stack nuevo, estudiar la documentación de un repo y usarlo desde Claude Code o Codex.
• Sus limitaciones reales, que las tiene.

¿Qué es DeepTutor y quién está detrás? ¶

DeepTutor es un espacio de aprendizaje personal basado en agentes de IA: subes tus documentos (o conectas un repo de GitHub, una web de documentación o tu vault de Obsidian), y a partir de ahí puedes chatear con ellos, generar exámenes, resolver problemas paso a paso, crear “libros vivos”, seguir rutas de dominio de un tema y mucho más. Todo con un tutor que guarda memoria de lo que has hecho.

Lo publica HKUDS, el Data Intelligence Lab de la Universidad de Hong Kong que dirige Chao Huang. Si has trasteado con RAG, te sonarán: son los autores de LightRAG, uno de los motores de RAG con grafos de conocimiento más usados. Esa herencia se nota en todo el proyecto.

Algunos datos para ponerlo en contexto:

Según su propio README, alcanzaron las 10.000 estrellas en 39 días y las 40.000 en nueve meses. Para un proyecto educativo, que no es el nicho más glamuroso de GitHub, es una tracción brutal.

🔑 DeepTutor no es una app en la nube a la que te suscribes. Es software que ejecutas tú, con tus claves de API o con modelos locales (Ollama, LM Studio, llama.cpp, vLLM). Tus documentos y tu memoria se quedan en tu disco.

¿Por qué no basta con ChatGPT o NotebookLM para aprender? ¶

Porque aprender no es preguntar y recibir respuestas: es repetir, equivocarte, volver sobre lo que fallaste y construir sobre lo que ya sabes. Un chat genérico solo cubre la primera parte.

La encuesta de Stack Overflow de 2025 lo deja bastante claro. El 84 % de los developers usa o piensa usar herramientas de IA, y para aprender conceptos nuevos el 33,1 % ya tira de IA casi siempre y otro 47,4 % en parte. Pero el 46 % desconfía de la precisión de lo que le devuelven, frente a un 33 % que confía. Solo un 3 % confía mucho.

Usamos la IA para aprender. Y no nos fiamos de ella.

Esa contradicción tiene dos raíces:

1. Las respuestas no están ancladas a una fuente que tú controles. El modelo mezcla lo que aprendió en su entrenamiento con lo que encuentra, y no sabes cuál es cuál.
2. No hay continuidad. El modelo no sabe qué dominas y qué no, así que te explica lo mismo al mismo nivel siempre.

NotebookLM resuelve bastante bien lo primero: le das fuentes y responde con citas. Pero es un servicio de Google, cerrado, y no tiene un modelo de “alumno” que evolucione. DeepTutor apuesta por las dos cosas a la vez, en local y con el código a la vista.

Es como la diferencia entre preguntar a un desconocido por la calle y tener un profesor particular que ha leído tus apuntes y se acuerda de que la semana pasada suspendiste el tema 4.

Curso gratis por email

Que tu agente no empiece de cero cada día: enséñaselo una vez con una skill

Antes de montar un tutor entero, prueba lo pequeño: un minicurso por email, a tu ritmo, para instalar skills en tu agente y crear la tuya.

Apúntate al minicurso →

¿Qué puedes hacer con DeepTutor? ¶

DeepTutor reúne en una sola aplicación casi todos los modos de estudio que se te ocurran, y todos comparten el mismo motor y el mismo contexto de sesión. Desde la versión 1.4 cada capacidad está construida sobre un único bucle de agente, así que lo que haces en un modo se puede reutilizar en otro.

Estas son las capacidades principales:

La lista impresiona, pero yo me fijaría en cómo se encadenan los modos. Puedes partir de un informe de Research, pedir que te haga un quiz sobre ese informe y que los fallos vayan a tu banco de preguntas para repasarlos más adelante con repetición espaciada. Todo dentro del mismo espacio de trabajo.

💡 La función Book merece una mención aparte. Antes de generar nada te propone un índice de capítulos para que lo revises, en vez de escupirte un documento de golpe. Y te enseña una estimación de coste antes de aprobarlo. Ese detalle dice mucho de cómo piensan el producto.

¿Cómo funciona su memoria en tres capas? ¶

La memoria de DeepTutor es un sistema de ficheros en tres niveles que puedes leer, editar y auditar, no una base de datos vectorial oculta que decide por ti qué recordar. Esto es lo que más me ha gustado del proyecto.

Las tres capas son:

• L1 (trazas): un registro de eventos en modo append-only (trace/*.jsonl). Todo lo que pasa, en crudo.
• L2 (hechos por superficie): resúmenes curados en markdown por cada zona de la app (chat, quiz, notebook, libros…), con referencias a la evidencia de L1.
• L3 (síntesis): una visión transversal que cruza las distintas superficies y deja registro de qué fuentes de L2 la alimentan.

La interfaz incluye un Memory Graph que dibuja esa pirámide: la síntesis en el centro, los hechos alrededor y las trazas en el anillo exterior, con las conexiones exactas entre cada afirmación y la evidencia que la sostiene.

¿Por qué importa esto?

Porque cuando un tutor te dice “veo que te cuestan las expresiones regulares”, quieres saber de dónde lo saca. Si la memoria es una caja negra, no puedes corregirla. Aquí abres el markdown, lo lees y lo cambias.

Si te interesa cómo resuelven este problema los agentes de programación, en el post sobre la memoria de Claude Code verás que la filosofía es parecida: ficheros de texto que el humano puede leer antes que magia opaca.

¿Qué motores de RAG puedes usar en DeepTutor? ¶

DeepTutor te deja elegir el motor de recuperación para cada base de conocimiento, algo que casi ninguna herramienta de este tipo ofrece. Y además te da una forma de medir cuál funciona mejor con tus documentos.

Los motores disponibles son:

• LlamaIndex (por defecto): búsqueda híbrida vectorial + BM25, con reranking opcional e índices FAISS.
• PageIndex: recuperación por razonamiento con citas a nivel de página, alojado o autoalojado.
• GraphRAG (Microsoft) y LightRAG: recuperación basada en grafos de conocimiento.
• LightRAG Server, WeKnora, Tencent IMA, MarginNote 4, archivos Kiwix (ZIM) o un vault de Obsidian enlazado.

Las fuentes también son variadas. Además de subir PDFs, DOCX, PPTX o EPUB, una base de conocimiento puede seguir un repositorio de GitHub (repo, rama y patrón glob) o una web de documentación con profundidad de rastreo limitada, que se resincroniza cada 24 horas por defecto.

Esto, para un developer, es oro. Apuntas una base de conocimiento a la documentación oficial de un framework y tu tutor estudia siempre con la versión vigente.

Y luego está kb eval. En vez de decirte “este motor es mejor”, te da las herramientas para comprobarlo con tus datos:

# Un fichero JSONL con preguntas y los pasajes que deberían recuperarse
deeptutor kb eval mi-kb --dataset qa.jsonl --top-k 5 --save baseline.json

Cada línea del dataset es una pregunta y los fragmentos “de oro” que una buena recuperación debería devolver:

{"query": "Why do transformers scale attention?", "gold": ["Scaling keeps the dot products from growing with the dimension."]}

Cambias de motor, vuelves a ejecutar la evaluación y comparas con kb eval-diff. Así eliges motor con tus documentos delante y no con las promesas del README.

⚠️ Si cambias el modelo de embeddings después de indexar, el índice deja de servir. DeepTutor registra con qué modelo, dimensión y endpoint se construyó cada índice y te obliga a restaurar esa configuración o reconstruirlo. Molesta, pero te ahorra resultados basura sin explicación.

Si quieres entender cómo se monta un RAG desde abajo, tienes el tutorial para crear un asistente con RAG en Laravel AI SDK, donde se ve paso a paso qué hay debajo de todo esto.

¿Cómo instalar DeepTutor? ¶

La forma más rápida es Docker: un solo comando y lo tienes en http://127.0.0.1:3782. Después configuras tu proveedor de modelos desde la interfaz web.

# Prueba rápida: un contenedor con la app completa
docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest

El volumen deeptutor-data guarda la configuración, la memoria y las bases de conocimiento entre ejecuciones. Abres el navegador, vas a Settings → Providers, metes tu clave y listo.

Si prefieres instalarlo con Python (necesitas Python 3.11–3.14 y Node.js 20 o superior):

mkdir -p my-deeptutor && cd my-deeptutor
pip install -U "deeptutor[full]"
deeptutor init   # asistente: puertos, proveedor LLM, embeddings y búsqueda
deeptutor start  # levanta backend y frontend

Desde la v1.7.0 la instalación es modular. deeptutor[full] trae la app web y la CLI; deeptutor a secas instala solo el núcleo de chat. Luego puedes activar o desactivar módulos (research, solve, books, memory…) con deeptutor module.

Hay una tercera vía curiosa: el README incluye un prompt para que tu propio agente de programación lo instale. Le pasas a Claude Code o a Codex las instrucciones, el agente lee docs-for-dev/AGENT_SETUP.md y el SKILL.md del repo, te pregunta por el proveedor y las credenciales, y lo deja funcionando.

🛡️ Si usas modelos locales con Docker, recuerda que dentro del contenedor localhost es el propio contenedor. Usa host.docker.internal (con --add-host=host.docker.internal:host-gateway en Linux) para llegar a Ollama o LM Studio en tu máquina.

¿Cómo puede ayudarte DeepTutor a aprender programación? ¶

DeepTutor brilla cuando lo usas para estudiar algo concreto con material concreto: un framework nuevo, una base de código heredada, una certificación o un libro técnico que llevas meses sin terminar.

Te propongo tres escenarios donde le veo sentido real.

Aprender un stack nuevo con su documentación oficial ¶

Creas una base de conocimiento que siga la web de documentación del framework (por ejemplo, la de Astro o la de Laravel). Le pides a Mastery Path una ruta de aprendizaje. El tutor te explica, te pregunta, te pone ejercicios y no te deja avanzar hasta que dominas cada bloque.

La diferencia con un curso es que el material está siempre al día y la ruta se ajusta a lo que fallas.

Entender un repositorio que no es tuyo ¶

Conectas el repo de GitHub como fuente. Usas Immersive Reading para tener el código al lado del chat con citas y Visualize para que te dibuje los diagramas de la arquitectura. Es una forma bastante digna de hacer onboarding en un proyecto heredado.

Repasar lo que fallas ¶

El banco de preguntas guarda tus errores con sus explicaciones. El modo Practice te los vuelve a sacar con repetición programada. Si alguna vez has preparado una entrevista técnica sabes lo que vale esto: no es estudiar más, es estudiar justo lo que no sabes.

No te voy a engañar: para nada de esto necesitas DeepTutor. Puedes hacerlo con un chat, una libreta y disciplina. Pero la disciplina es justo lo que se nos acaba el jueves por la tarde, y una herramienta que te recuerda dónde te quedaste y qué fallaste te quita fricción.

¿Cómo se integra DeepTutor con Claude Code, Codex y otros agentes? ¶

DeepTutor funciona en las dos direcciones: puede consultar a tus agentes de programación y puede ser manejado por ellos. Esto es lo que lo saca del cajón de “app para estudiantes” y lo mete en el flujo de trabajo de un developer.

DeepTutor consulta a tus agentes ¶

La sección My Agents te deja conectar un agente que tengas instalado en tu máquina (Claude Code, Codex, Grok CLI, Antigravity, Kimi, opencode, MiMo, Hermes, OpenClaw o DeepSeek) y consultarlo desde una conversación. DeepTutor ejecuta de verdad ese agente con la herramienta consult_subagent y te enseña su trabajo en directo en el panel de actividad.

También puedes importar tu historial: conversaciones de ChatGPT (desde la exportación oficial), de Claude Code por proyecto o de Codex por fecha. Así esas conversaciones pasan a ser material de estudio que puedes buscar y retomar.

Tus agentes manejan DeepTutor ¶

La CLI está pensada para que la use otro agente. Añades --format json a cualquier run y cada turno sale como NDJSON, un evento por línea (content, tool_call, tool_result, done…), con su session_id:

# Investigación en modo informe, capturando el id de sesión
SID=$(deeptutor run deep_research "Survey 2026 papers on RAG" \
  --config mode=report --config depth=standard --format json \
  | jq -r 'select(.type=="done").session_id')

# Segundo turno en la misma sesión: que te examine sobre el informe
deeptutor run deep_question "Quiz me on that survey" --session "$SID" --format json

Y si el modo interactivo pide aclaraciones (ask_user) cuando no hay terminal, se resuelve sola con una respuesta vacía en vez de quedarse colgada. Sin ese detalle, cualquier script que lo usara se quedaría esperando una respuesta que nadie va a escribir.

El repo trae en la raíz un SKILL.md que documenta la CLI para agentes. Si ya trabajas con Agent Skills, lo reconocerás: es el mismo formato abierto de carpeta con un SKILL.md y referencias.

Construye agentes con criterio

Tools, memoria, skills y subagentes: las mismas capas de DeepTutor, construidas por ti

Vas a ver los seis niveles de arquitectura de un agente, de un LLM con tools a un sistema multiagéntico revisado por otro modelo, con código y Open Code.

Destripar la arquitectura →

Masterclass en directo · Acceso con Web Reactiva Premium

¿Qué es EduHub y cómo funcionan las skills en DeepTutor? ¶

EduHub es el registro de skills educativas de DeepTutor, y viene conectado por defecto. Hay skills de tutor socrático, generadores de flashcards, corrección de redacciones, plantillas de examen, explicadores de conceptos…

deeptutor skill search "socratic tutor"
deeptutor skill install socratic-tutor
deeptutor skill install eduhub:socratic-tutor@1.2.0  # fijando versión

Lo bueno es que usan el formato estándar de Agent Skills, así que no estás atado a DeepTutor. EduHub es compatible con ClawHub y tiene su propia CLI (npx eduhub install socratic-tutor) para usar esas skills desde Claude Code o Codex. Y al revés: DeepTutor puede instalar skills de ClawHub con el prefijo clawhub:.

Lo que más me tranquiliza es la puerta de seguridad de las importaciones:

• Se comprueba el veredicto de seguridad del registro y se rechazan los paquetes marcados.
• Los archivos se extraen con controles de path traversal, tamaño, ratio de compresión y symlinks, y se quitan los bits de ejecución.
• Se elimina el campo always: del frontmatter, así que una skill descargada nunca puede colarse en todos los prompts de sistema.
• Se guarda la procedencia (hub, versión, veredicto, fecha) en .hub-lock.json.

Con los sustos recientes en la cadena de suministro de skills y extensiones, agradezco que lo traigan resuelto de serie. Si te preocupa el tema, en el post sobre auditar skills con Skillspector tienes más contexto.

¿Qué dice el paper de DeepTutor? ¶

El paper “DeepTutor: Towards Agentic Personalized Tutoring” (arXiv 2604.26962) presenta el marco y un benchmark propio, TutorBench, para medir tutores con IA de forma interactiva. Lo firman siete autores, entre ellos Bingxi Zhao, Jiahao Zhang, Xubin Ren, Zirui Guo, Yi Ma y Chao Huang.

Las ideas principales:

• Tutoría anclada en citas y generación de preguntas calibradas en dificultad.
• Un motor de personalización híbrido: conocimiento estático (tus documentos) más memoria dinámica del alumno.
• TutorBench: perfiles de estudiante basados en currículos universitarios de cinco áreas, con un simulador de alumno guiado por perfil y evaluación con LLM.

Los números que reportan: una mejora media del 10,8 % en métricas de personalización y un 29,4 % de mejora en razonamiento agéntico general sobre cinco modelos base distintos.

⚠️ Ojo con estas cifras. TutorBench es un benchmark creado por los propios autores, y el “alumno” es un LLM que simula a un estudiante. Es un enfoque razonable para investigar, pero no es lo mismo que medir aprendizaje real con personas reales. Tómalo como señal, no como prueba.

¿Cuáles son las limitaciones de DeepTutor? ¶

DeepTutor es enorme, cambia muy rápido y te exige configurar bastantes piezas. No es una app que abres y funciona sin pensar.

Las que yo veo:

1. Tamaño y complejidad. Solo el paquete Python deeptutor supera las 300.000 líneas, y el frontend otras tantas. Hay modos, submodos, motores, proveedores y ajustes para aburrir. La primera sesión puede abrumar.
2. Ritmo de versiones vertiginoso. Desde la v1.0 beta (abril de 2026) hasta la v1.7.0 (octubre) hay unas 80 versiones publicadas. Varias son “fix releases” y alguna introduce cambios incompatibles, como el refactor de la v1.6.3. Actualizar requiere leer las notas, y la v1.7.0 trae instrucciones específicas para no romper la instalación anterior de la CLI.
3. Coste de tokens. Book, Research o Mastery Path encadenan muchas llamadas al modelo. Con APIs de pago, la factura sube. Con modelos locales pequeños, la calidad baja. Que te enseñen una estimación antes de generar un libro ya te dice que no es barato.
4. Sesgo hacia China en algunas integraciones. Muchos canales y proveedores (Feishu, WeCom, DingTalk, QQ, Doubao, Zhipu, Qianfan…) son del ecosistema chino. No es un problema, pero parte de la documentación y la comunidad (grupos de WeChat y Feishu) va en esa dirección.
5. La personalización necesita uso. La memoria en tres capas solo aporta si la alimentas durante semanas. Para una consulta puntual, un chat normal te sirve igual.

Ninguna de estas es un motivo para descartarlo. Son motivos para saber en qué te metes.

¿Para quién tiene sentido DeepTutor? ¶

Tiene sentido si vas a estudiar algo durante semanas con material propio y quieres controlar dónde viven tus datos. Si solo necesitas resolver dudas sueltas, es matar moscas a cañonazos.

Hay un detalle del modo multiusuario que me parece muy cuidado: puedes crear cuentas de tipo Learner con capacidades bloqueadas, límites diarios y credenciales revocables, y cuentas de tutor/guardian que ven informes y aprueban materiales. Está pensado para que un padre, una profesora o un responsable de formación lo despliegue de verdad.

TL;DR ¶

• 🎓 DeepTutor es un espacio de aprendizaje open source (Apache 2.0) de HKUDS, los autores de LightRAG, con casi 49.000 estrellas en GitHub.
• 🧠 Su memoria en tres capas (trazas, hechos y síntesis) son ficheros que puedes leer y corregir, no una caja negra.
• 📚 Eliges el motor de RAG por base de conocimiento (LlamaIndex, PageIndex, GraphRAG, LightRAG…) y lo mides con deeptutor kb eval.
• 🤖 Se integra con Claude Code, Codex y compañía en las dos direcciones: los consulta como subagentes y ellos lo manejan por CLI con salida NDJSON.
• ⚠️ Es grande, cambia cada pocos días y consume tokens: compensa si vas a estudiar algo en serio durante semanas.

Preguntas frecuentes sobre DeepTutor ¶

¿DeepTutor es gratis?
Sí. Es open source con licencia Apache 2.0 y lo ejecutas en tu máquina. Lo que pagas son los modelos de IA que conectes; si usas modelos locales con Ollama o LM Studio, el coste es solo tu hardware.

¿Qué modelos de IA puedo usar con DeepTutor?
Cualquier proveedor compatible con OpenAI o Anthropic, Gemini, gateways como OpenRouter y modelos locales con Ollama, LM Studio, llama.cpp, vLLM o Lemonade. Desde la v1.5.5 puedes iniciar sesión con tu plan de ChatGPT mediante OAuth de Codex (experimental) sin clave de API.

¿Cómo se instala DeepTutor?
Lo más rápido es docker run con la imagen ghcr.io/hkuds/deeptutor:latest y abrir http://127.0.0.1:3782. También puedes usar pip install -U "deeptutor[full]", deeptutor init y deeptutor start, con Python 3.11–3.14 y Node.js 20+.

¿En qué se diferencia DeepTutor de NotebookLM?
NotebookLM es un servicio cerrado de Google que responde con citas a partir de tus fuentes. DeepTutor es open source, se autoaloja, mantiene una memoria del alumno que evoluciona y añade modos de estudio como cuestionarios, rutas de dominio, libros vivos y repaso de errores.

¿Puedo usar DeepTutor con documentación de GitHub?
Sí. Una base de conocimiento puede seguir un repositorio de GitHub (repo, rama y patrón glob) o una web de documentación con rastreo limitado, que se resincroniza cada 24 horas por defecto.

¿Funciona DeepTutor en español?
La interfaz tiene varios idiomas (inglés, chino, francés, alemán, ucraniano, polaco…) y el idioma de salida del modelo es un ajuste independiente. Puedes estudiar en español aunque la interfaz no esté traducida, porque las respuestas las genera el modelo que elijas.

¿Qué es la memoria L1, L2 y L3 de DeepTutor?
L1 es un registro de eventos en bruto, L2 son hechos curados por cada zona de la app con referencia a su evidencia y L3 es una síntesis transversal. Son ficheros markdown y JSONL que puedes leer, editar y auditar desde la propia interfaz.

¿Se puede usar DeepTutor desde Claude Code o Codex?
Sí. La CLI acepta --format json y emite NDJSON, así que cualquier agente puede manejarla. El repo incluye un SKILL.md con las instrucciones. Y en sentido contrario, DeepTutor puede consultar a Claude Code o Codex como subagentes desde un chat.

¿DeepTutor sirve para equipos o clases?
Sí. Tiene un modo multiusuario opcional con espacios aislados por usuario, un administrador que asigna modelos y bases de conocimiento, y cuentas de alumno con límites que un tutor puede supervisar.

¿Es seguro instalar skills desde EduHub?
Cada importación pasa una puerta de seguridad: comprobación del veredicto del registro, extracción defensiva del archivo, eliminación de bits de ejecución y del campo always: del frontmatter, y registro de procedencia. Aun así, revisa lo que instalas como harías con cualquier dependencia.

Fuentes ¶

• Repositorio de DeepTutor en GitHub
• Documentación oficial: deeptutor.info
• Paper: DeepTutor: Towards Agentic Personalized Tutoring (arXiv 2604.26962)
• EduHub, registro de skills educativas
• Stack Overflow Developer Survey 2025: IA

🧨 Última oprtunidad para recibir la dinamita que mereces sobre programación con IA el próximo domingo: Suscríbete gratis a Web Reactiva en https://webreactiva.com/newsletter