DeepTutor解説｜長期記憶とマルチエンジンRAGで動く自己ホスト型OSS AI家庭教師

「AI家庭教師」と聞くと、多くの人はChatGPTやClaudeに質問を投げる使い方を思い浮かべる。だが汎用チャットAIには2つの弱点がある。会話をまたぐと記憶が途切れること、そして手元の教科書やノートに根ざした回答が難しいことだ。DeepTutorは、この2点を長期記憶とマルチエンジンRAGで解こうとする自己ホスト型のOSS AI家庭教師である。開発は香港大学のデータインテリジェンス研究室HKUDS——RAGフレームワークLightRAGを生んだ同じラボだ。2025年12月末の公開から約7か月でGitHubスターは29,000を超え（★29,358・2026年7月時点）、Apache-2.0で公開されている。

この記事ではDeepTutorをRAGの応用アプリという角度から掘り下げます。RAGそのものの仕組みは RAGとは？仕組み・構築・ベクトルDB選定までの2026年実装マップ をあわせてご覧ください。

DeepTutorとは｜長期記憶で育つAI家庭教師の全体像

DeepTutorを一言でいえば「学習に特化したエージェントネイティブなワークスペース」だ。公式は自らを an agent-native learning workspace と表現し、チュートリング・問題解決・クイズ生成・研究・可視化・習熟度演習を1つの拡張可能なシステムに束ねている。単なるチャットボットではなく、学びに必要な機能群を「同じ頭脳」の上に並べたのが設計思想である。

一般的なAIチャットとの違いは、文脈が機能をまたいで持ち越される点にある。チャットで読んだPDF、Co-Writerで書いた下書き、ノートブックに保存した問題、そしてメモリに蓄積された学習傾向が、次のクイズ生成やレポート作成でもそのまま参照できる。汎用チャットが会話単位で完結するのに対し、DeepTutorは学習者という単位でコンテキストを育てていく。

DeepTutorが提供する主なサーフェス（画面）は次のとおりだ。
・Chat：既定の対話画面。ツール呼び出し・知識ベース参照・添付読み込み・サブエージェント相談まで1スレッドでこなす
・Partners：SOUL.md（人格定義）を持つ常駐コンパニオン。IMチャンネルに接続して「電話番号を持ったチャット」として動く
・My Agents：Claude CodeやCodexなど手元のコーディングCLIを家庭教師の相談相手として接続する
・Co-Writer：選択範囲を指定して書き換え・加筆・要約できるMarkdown執筆環境
・Book：教材からインタラクティブな「living book（生きた教科書）」を生成する
・Learning Space / Memory / Knowledge Center：スキル・ペルソナ・記憶・知識ベースといった「持続するもの」を管理する層

技術スタックはバックエンドがPython（FastAPI）、フロントエンドがNext.js 16 / React 19。動作要件はPython 3.11〜3.13で、コントリビューターは85人（2026年7月時点）、最新リリースはv1.5.3（2026年7月23日）と開発は活発だ。設計思想の詳細は同ラボがarXivに公開したプレプリント（arXiv:2604.26962）にまとまっている。

エージェントネイティブ設計とRAG＋agentアーキテクチャ

DeepTutorのアーキテクチャは5つの層に分かれている。上から順に、入口（Entry Points）、実行のオーケストレーション（Runtime Orchestration）、エージェントの中核（Agent-Native Core）、機能サービス群（Services）、データと設定（Data & Config）だ。この階層をRAGとエージェントの視点で図にすると次のようになる。

この設計の肝は、Chat・クイズ・研究・可視化・習熟度学習といった全モードが「同じエージェントループ」の上で動くことだ。目的（capability）を切り替えても、裏で回るエンジンは同じ。だから文脈が学習者とともに移動する。公式の言葉を借りれば「切り替えるのは目的であってエンジンではない」という設計になっている。

エージェントループ自体は意図的にシンプルだ。モデルはラウンド単位で思考し、必要ならツールを呼び、結果を観察し、最後にツールを使わないメッセージで締める。特徴的なのが ask_user ツールで、答えを推測する代わりにターンを一時停止して構造化された確認質問を投げ、回答を得てから再開できる。分からない前提を勝手に埋めない、家庭教師らしい振る舞いだ。

ツールは大きく2種類ある。ユーザーが明示的にオン/オフする web_search・paper_search・reason・imagegen・videogen などと、文脈が揃うと自動で有効化される rag・read_memory・write_memory・read_skill・exec・consult_subagent などの文脈ツールだ。RAGもメモリも、この「L1ツール」としてエージェントの手札に組み込まれている点が、RAGを外付けパイプラインとして持つ一般的な構成との違いになる。

チャットから起動できる上位の能力（L2 capability）も、学習に寄せて設計されている。Deep Solveは途中式を見せる思考型の問題解決、Deep Researchは引用つきのレポート生成、VisualizeはChart.js・SVG・Mermaid・数式アニメーション（Manimベースのmath animator）による可視化、Mastery Pathは種類別の習熟ゲートを持つ学習計画フローだ。さらにAuto Modeは、どの能力・ツールを使うべきかをエージェント自身に判断させる。いずれも同じエージェントループの上に乗るため、たとえばDeep Researchで作った調査レポートをそのままクイズ生成（Quiz）の材料にする、といった橋渡しが自然にできる。「対話→調べる→まとめる→問われる→覚える」という学習の一連が、機能の壁で分断されない。

実行制御の層も見ておく価値がある。TurnRuntimeManagerが1ターンの実行を管理し、UnifiedContextが知識ベース・ペルソナ・モデル・添付といった文脈を一元的に束ね、ChatOrchestratorが対話の進行を統括、StreamBusが途中経過をWebSocket・SDKへストリーミングする。ユーザーから見ると、コンポーザーのツールバーに固定される”sticky”な文脈（サブエージェント・知識ベース・ペルソナ・モデル・音声）はターンをまたいで持続し、+メニューから足すファイル・チャット履歴・書籍・ノートといった”one-time”の参照は1ターンだけ効く。この2種類の文脈の使い分けが、「今回だけ参照したい資料」と「ずっと効かせたい設定」を混ぜずに済ませる仕組みになっている。

RAGが「アーキテクチャの一部」として組み込まれている点は、RAGの進化｜Naive・Advanced・Graph・Agentic RAGの仕組みと選び方2026 でいうところのAgentic RAGの実装例と言える。検索を固定パイプラインで先頭に置くのではなく、エージェントが「今この質問には知識ベースが必要か」を判断してragツールを呼ぶ——DeepTutorはその判断を学習ワークフロー全体で回している。

マルチエンジンRAGとLightRAGとの関係：エンジンとアプリの違い

DeepTutorで最も差別化されているのが、知識ベース（Knowledge Center）の検索エンジンを選べる点だ。1つの知識ベースにつき1エンジンをバインドする形で、次の中から選択する。

ここで多くの読者が気になるのが「LightRAGとDeepTutorは何が違うのか」だろう。答えは”レイヤーが違う”だ。LightRAGは知識グラフを構築して低レベル（エンティティ単位）と高レベル（コミュニティ単位）の2段階で検索するRAGエンジンであり、DeepTutorはそのエンジンを含む複数の検索方式・メモリ・エージェントループを束ねて「学習体験」に仕立てたアプリケーションである。エンジンの内部動作（知識グラフ構築やデュアルレベル検索の仕組み）を深掘りしたい場合は LightRAG｜知識グラフ×デュアルレベル検索でRAGの精度と網羅性を高める仕組み を参照してほしい。DeepTutorはそのLightRAGを「選べるエンジンの1つ」として内包している、という関係だ。

エンジンを選べることの実利は、教材の性質に検索方式を合わせられる点にある。定義や手順を素早く引きたい語学・資格系の教材なら既定のLlamaIndex（ベクトル+BM25）で十分だが、登場人物や概念の関係を問う歴史・法律・論文レビューでは知識グラフ型のGraphRAG/LightRAGが効く。長文PDFをページ単位の引用つきで根拠まで示したい調べ物にはPageIndexが向く。1つの知識ベースにつき1エンジンという制約は、裏を返せば「この教材はこの検索方式」と用途を固定できるということで、教材を性質ごとに別々の知識ベースへ作り分ける運用が素直になる。すでに別環境で構築した索引や、Obsidianで育てているノートのVaultは、再インデックスせず”link existing”でその場参照できるため、既存の知識資産を壊さずにDeepTutorへ接続できる。

ドキュメントの取り込み（パース）も差し替え可能だ。Text-only・MinerU・Docling・markitdown・PyMuPDF4LLMから選べ、Settings → Knowledge Baseで指定する。教科書PDFに数式や図が多いならMinerU、軽く速く回したいならPyMuPDF4LLM、といった使い分けができる。ローカルモデルのダウンロードは既定でオフなので、必要になるまで余計な取得は発生しない。

運用面で堅い設計なのが再インデックスの扱いだ。再インデックスは新しい version-N ディレクトリに書き込み、以前のバージョンを保持する。そのため作業中の索引が途中で壊れることがない。パースに失敗してエラー状態になった文書も、知識ベース全体を作り直さずにその1件だけを削除できる。教材が数十本たまった知識ベースを日々更新していく学習用途では、この「壊さない」設計が効いてくる。

知識ベースはChatの回答だけでなく、Co-Writerの編集、Bookの生成、Partnersの会話の裏側でも同じように使われる。RAGが特定画面の機能ではなく、学習ワークスペース全体の共通基盤として横串で効いているわけだ。

3層メモリでAI家庭教師が「あなた専用」に育つ仕組み

個別指導を名乗るなら、学習者を覚えていなければならない。DeepTutorのメモリは隠れたベクトルストアではなく、読めるファイルとして保存される3層構造になっている。ここがブラックボックス型の「パーソナライズ」と決定的に違う。

・L1：ワークスペースのミラーと追記専用のイベント追跡ログ（trace/<surface>/<date>.jsonl）。生の出来事がそのまま残る
・L2：画面ごとに整理された事実（L2/<surface>.md）。L1を出典として要約される
・L3：画面横断の統合（L3/<profile|recent|scope|preferences>.md）。L2を出典としてプロフィール化される

L2はL1を、L3はL2を必ず出典として辿れるので、プロフィールに書かれた「あなた像」の根拠が説明できない状態にならない。公式が用意するMemory Graphは、中心にL3の統合、中間リングにL2、外周にL1の生ログを配置したピラミッドとして記憶全体を可視化する。合成された主張（例：「この学習者は微分の連鎖律でつまずきやすい」）から、その根拠となった生イベントまでを辿れる設計だ。

メモリが追跡される画面は chat・notebook・quiz・kb・book・partner・cowriter と多岐にわたる。つまりクイズの誤答傾向も、ノートに書き留めた疑問も、教材の読み込み履歴も、同じ記憶の体系に流れ込む。記憶の更新・監査・重複排除のバジェット（頻度や量の上限）はSettings → Memoryで調整できる。

記憶と並んで「あなた専用」を支えるのがLearning Space（学習スペース）だ。ここはDeepTutorのライブラリ兼パーソナライズ層で、チャット履歴・ノートブック・問題バンク（各設問に自分の解答・模範解答・解説が紐づく）といった蓄積物と、ペルソナ（peer=対等な学習仲間、research-assistant=研究助手、teacher=教師といった振る舞いプリセット）、そしてスキル（モデルが必要に応じて読む SKILL.md のプレイブック）が置かれる。ペルソナを切り替えれば、同じ教材でも「厳しめの教師」として教わるか「対等な相棒」として一緒に考えるかを選べる——個別指導の”教え方”までパラメータ化されているわけだ。スキルは自分で書くほかに、コミュニティカタログEduHubからセキュリティゲートを通して取り込める。ここに置いたものはChat・Partners・Co-Writer・Bookのどこからでも再利用できるため、学べば学ぶほど「自分の学習環境」が厚くなっていく。

このメモリと対になるのがサブエージェントの仕組みで、DeepTutorは自分の外にいるエージェントを「相談相手」として引き込める。

サブエージェントとPartners：Claude Codeなどを家庭教師に接続する

My Agentsは「他のエージェントをDeepTutorの文脈にする」機能で、2つのことをする。1つはライブなエージェントの接続だ。手元のClaude Code・Codex・Gemini・Kimi・opencode・MiMo CodeといったコーディングCLIや、自分のPartnerを、チャットのターンの中から相談できる。DeepTutorは consult_subagent ツールで相手のエージェントを実際に走らせ、その作業をActivityパネルにストリーミングする。Agentチップで相手を選び、相談に使えるラウンド数も設定できる。

もう1つは過去の会話のインポートだ。既存のClaude CodeやCodexの履歴を、名前付き・検索可能・再開可能なエージェントとして取り込める。取り込んだ会話は「第三者の記録」として読まれ、DeepTutor自身の発言と混ざらない。プログラミング学習で「先週Claude Codeと解いたバグ調査」を教材として振り返る、といった使い方ができる。

一方のPartnersは、独自のSOUL.md（人格）・モデルポリシー・ライブラリ・記憶・チャンネルを持つ常駐コンパニオンだ。別のボットエンジンではなく、受信したWeb/IMメッセージがすべて通常のChatOrchestratorのターンとして、Partner専用ワークスペースの中で処理される。公式は「人格と電話番号を持ったチャット」と表現する。チャンネル層はスキーマ駆動で、Feishu・Telegram・Slack・Discord・DingTalk・WhatsApp・Zulip・Mattermost・Matrix・Microsoft Teamsなどに接続できる（利用可否は導入したextrasと認証情報による）。Partnerは所有者の記憶を読むが、書き込むのは自分の記憶だけ——という権限分離もされている。

学習体験そのものを組み立てるのがCo-WriterとBookだ。Co-Writerは分割ビューのMarkdown執筆環境で、選択した範囲を指定して「書き換え/加筆/短縮」を頼める。編集エージェントは知識ベースやWebの根拠に基づいて変更を提案し、すべての変更をaccept/rejectのdiffとして見せる。承認するまで何も確定しないので、レポートや学習ノートを安全に育てられる。Bookは教材から「living book」を生成し、章立てを先にレビューしてから、テキスト・コールアウト・クイズ・フラッシュカード・タイムライン・図・アニメーションといった型付きブロックに展開する。各ページにPage Chatが付き、読みながら質問できる。ブロックは編集可能で、挿入・移動・再生成・種類の切り替えを章ごと書き直さずに行える。さらに deeptutor book health や deeptutor book refresh-fingerprints といった保守コマンドを備え、元の知識ベースが更新されてコンパイル済みページとずれてきたことを検出する。教材が変わっても、生成済みの「教科書」が古いまま放置されない仕掛けだ。静的なPDF出力とは違い、知識と教材が同期し続ける点が living（生きた）と呼ばれる所以である。

セルフホスト手順：自分専用のAI家庭教師を動かす

DeepTutorは4通りのインストール経路を持つ。ここでは代表的な3つを、実際に叩くコマンドで示す（本記事は一次資料の読み解きに基づく解説で、環境ごとの実機検証は行っていない。コマンドは公式READMEの記載に沿う）。

まず最も手軽なのがPyPI経由のフルアプリだ。Web UIとCLIが一緒に入り、リポジトリのクローンは不要。前提はPython 3.11〜3.13とNode.js 20+である。

mkdir -p my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init     # ポート・LLMプロバイダ・（任意で）埋め込みを対話設定
deeptutor start    # バックエンドとフロントエンドを起動（既定 http://127.0.0.1:3782）

deeptutor init はバックエンドポート（既定8001）、フロントエンドポート（既定3782）、LLMプロバイダのベースURL・APIキー・モデル、そして知識ベース/RAG用の埋め込みプロバイダ（任意）を尋ねる。起動後にターミナルへ表示されるURLを開けば使い始められる。

サーバに1コンテナで置きたいならDockerが早い。イメージはGitHub Container Registryにある。

docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest

公開が必要なのは3782番だけだ。ブラウザはフロントエンドのオリジンとしか通信せず、コンテナ内のNext.jsミドルウェアが /api/* と /ws/* をバックエンドへ転送する。設定・APIキー・ワークスペース・記憶・知識ベースは deeptutor-data ボリュームに永続化される。ローカルLLMを使う場合は --add-host=host.docker.internal:host-gateway を足し、Settings → ModelsでベースURLを http://host.docker.internal:11434/v1（Ollamaの例）などに向ける。

ターミナルで完結させたい、あるいは別のエージェントからDeepTutorを道具として叩きたいならCLIが強力だ。知識ベースを作ってRAG付きで解かせ、蓄積された記憶を確認する一連の流れはこうなる。

deeptutor kb create my-kb --doc textbook.pdf          # 教材PDFで知識ベースを構築
deeptutor run deep_solve "x^2 = 4 を解いて" --tool rag --kb my-kb
deeptutor memory show                                 # 蓄積された記憶を確認

CLIは対話REPL（deeptutor chat）と単発実行（deeptutor run <capability> "<message>"）の2つの入り口を持ち、--capability・--tool・--kb・--config の同じフラグで動く。--format json を付けると1行1イベントのNDJSONで結果が流れ、他のエージェントがDeepTutorを操作しやすい。リポジトリ直下には約150行の SKILL.md（引き継ぎドキュメント）が同梱され、Claude CodeやCodexにそのまま渡せば、ツール使用型LLMがDeepTutorの操作面を一読で把握できるようになっている。

複数人で使う場合は認証をオンにする（既定はシングルユーザーでオフ）。有効化すると1つの data/ ツリーに管理者ワークスペース・ユーザーごとの隔離ワークスペース・Partnerワークスペースが並ぶ。
・data/user/：管理者ワークスペースとグローバル設定
・data/users/<uid>/：ユーザーごとのチャット履歴・記憶・ノート・知識ベース
・data/system/：認証・付与権限・利用監査

最初に登録したユーザーが管理者になり、モデルカタログやプロバイダ認証情報、共有知識ベースを保有する。他のユーザーには隔離されたワークスペースと、APIキーが伏せられた設定画面が割り当てられる。教室や勉強会でAI家庭教師を共有しつつ、各自の学習履歴を混ぜたくない場面に向く。

なお、モデルが生成したコードを実行するオフィススキル（docx/pdf/pptx/xlsxの生成など）は既定でサンドボックスが有効になっている。ローカル実行時はホスト上の制限付きサブプロセス、docker-compose時は権限を絞ったランナーサイドカーで走る。自分のホスト上でモデル生成コードを走らせることの是非は system.json の sandbox_allow_subprocess（既定true）で判断できる。

他の学習AI・RAGツールとの比較と導入判断

DeepTutorの立ち位置は、汎用チャット・ノート型AI・RAGエンジン単体のどれとも少しずつ違う。主要な軸で並べると輪郭がはっきりする。

ざっくり言えば、NotebookLMは「資料に根ざした対話」までを手軽なクラウドで提供し、DeepTutorは「学習体験の設計とセルフホスト」まで踏み込む。汎用チャットは万能だが、教材への根ざしと長期記憶は弱い。LightRAG単体は検索精度を担う部品であって、学習ワークフローそのものは提供しない。DeepTutorはこれらの中間を、OSSかつ自己ホスト可能な形で埋めにきている。

導入を検討するときのチェックリストは次のとおりだ。
・自分の教材に根ざした個別指導が欲しい：○。知識ベースにPDF/資料を入れ、RAG付きで質問・演習できる
・学習履歴を蓄積して「自分専用」に育てたい：○。3層メモリが読める形で残る
・データを外部クラウドに出したくない：○。pip/Docker/CLIで完全に自己ホストでき、ローカルLLM接続も可能
・コーディング学習でClaude Code等と連携したい：○。My Agentsでサブエージェント接続・履歴インポートができる
・インストール不要で今すぐ試したい：△。セットアップ（Python/Node/モデル設定）が要るため、手軽さ最優先ならクラウド型に分がある
・LLM APIコストを完全にゼロにしたい：△。ローカルモデルで回避できるが、相応のマシンリソースが要る

逆に、DeepTutorが過剰になる場面もはっきりしている。単発の質問に手早く答えてほしいだけ、あるいはチームにゼロ設定のクラウドツールを配りたいだけなら、セットアップとモデル設定を要するDeepTutorは重い。強みが出るのは、同じ分野を継続的に学ぶ・自分の教材群を抱えている・履歴やデータを手元に置きたい、という「腰を据えた学習」だ。プログラミング学習でClaude Codeの作業履歴を教材化する、資格勉強で自分の問題バンクと誤答傾向を育てる、研究で論文Vaultに根ざした問答を重ねる——こうした反復のある使い方でこそ、3層メモリとマルチエンジンRAGへの初期投資が回収されていく。

DeepTutorは公開から約7か月で29,000スターを超え、v1.5.3まで週次に近いペースで更新が続いている。RAGの応用先として「学習」というユースケースを、エージェント・メモリ・マルチエンジンRAGの3点で具体化した数少ないOSSだ。汎用チャットの物足りなさ——記憶の断絶と教材への根ざしの弱さ——を感じている人にとって、自己ホスト型のAI家庭教師という選択肢は検討に値する。

参照ソース

• HKUDS/DeepTutor — GitHubリポジトリ（README・リリース）
• DeepTutor 公式ドキュメント（deeptutor.info）
• DeepTutor プレプリント（arXiv:2604.26962）
• HKUDS/LightRAG — GitHubリポジトリ（RAGエンジン）