DeepTutor: un tutor AI che non è il solito chatbot

Se hai mai provato a studiare con ChatGPT, sai già dov'è il limite. Fai una domanda, ricevi una risposta pulita, magari giusta. Poi ne fai un'altra e il modello ha già dimenticato dov'eri rimasto. Non sa cosa hai capito e cosa no, non ti fa domande per verificare, ogni tanto inventa una fonte. Va bene per togliersi un dubbio al volo, molto meno per imparare davvero una materia.

Un tutor vero funziona in un altro modo. Ti conosce, sa a che punto sei, ti corregge quando sbagli e ti propone l'esercizio della difficoltà giusta, non troppo facile e non impossibile. È esattamente quello che un chatbot generico non fa. Ed è il buco che DeepTutor prova a riempire.

Cos'è DeepTutor

DeepTutor è un assistente allo studio open-source, nato dal laboratorio di data science dell'Università di Hong Kong (il gruppo HKUDS). È uscito a fine dicembre 2025 e ha raccolto 25 mila stelle su GitHub in pochi mesi, 20 mila delle quali in appena 111 giorni. Per un progetto di ricerca è un numero enorme, il segnale che ha toccato un bisogno reale.

La differenza chiave la spiegano loro stessi con una parola: è "agent-native". Tradotto: non è un singolo modello che risponde in chat, ma un sistema costruito attorno a più agenti, ognuno specializzato in un compito. Pensa a una piccola squadra di insegnanti invece di un'unica voce che fa tutto. Uno risolve i problemi passo passo, uno prepara i quiz, uno fa ricerca sui tuoi materiali, uno trasforma un concetto di matematica in un'animazione. Lavorano sullo stesso contesto, così sanno sempre di cosa stai parlando.

Come si adatta a te

Qui sta il pezzo interessante per chi studia. DeepTutor tiene due cose insieme. Da un lato una base di conoscenza ancorata ai documenti che gli dai, e ogni risposta arriva con la citazione della fonte: niente frasi buttate lì, sai da dove viene ciò che leggi. Dall'altro una memoria dello studente che cambia mentre vai avanti. Più lo usi, più capisce dove sei forte e dove arranchi, e tara le domande di conseguenza.

Le modalità coprono i modi normali in cui si studia: chattare per chiarire un dubbio, farsi risolvere un esercizio con tutti i passaggi, generare quiz per allenarsi, fare ricerca su un argomento, visualizzare un concetto. Non è un menù di funzioni scollegate, è lo stesso motore che cambia cappello a seconda di cosa ti serve in quel momento.

Cosa dicono i numeri

Il gruppo ha anche costruito un test apposta, TutorBench, per misurare quanto un sistema fa bene il tutor e non solo il chatbot. Su quel banco di prova DeepTutor migliora del 10,8% le metriche di tutoring personalizzato e di circa il 29% il ragionamento, e lo fa su cinque modelli diversi usati come motore. Il punto non è il singolo numero, è che il metodo regge cambiando il modello sotto: è l'impianto a fare la differenza, non un LLM particolare.

E infatti gira con quello che hai: OpenAI, Claude di Anthropic, Gemini di Google, oppure modelli locali con Ollama o LM Studio se vuoi tenere tutto sulla tua macchina. Essendo open-source con licenza Apache 2.0, lo puoi scaricare, provare e adattare senza chiedere permesso a nessuno.

Perché ci interessa

Noi l'AI la usiamo tutti i giorni e la insegniamo. Un progetto così dice una cosa che ripetiamo spesso in aula: il modello da solo è solo metà del lavoro. La differenza la fa come lo costruisci attorno, la memoria che gli dai, le fonti a cui lo ancori, gli agenti che gli fai coordinare. DeepTutor è un esempio pulito di questo salto, dal "chatbot che risponde" al "sistema che ti segue". Vale la pena guardarlo, che tu voglia imparare meglio o capire come si mette in piedi un'AI che serve davvero.