DeepTutor : le tuteur IA qui se souvient (vraiment) de toi — et s’adapte dans la durée

TL;DR — DeepTutor en une minute

• Ce que c’est : un espace d’apprentissage agentique open source (Apache 2.0, ~32 000 étoiles) qui réunit chat, quiz, recherche, résolution de problèmes et parcours de maîtrise dans une seule boucle d’agent.
• Qui est derrière : HKUDS, le labo de recherche à l’origine de LightRAG. C’est une release de production (v1.5.9), pas un prototype.
• La vraie innovation : une mémoire persistante à 3 couches qui te suit d’une session à l’autre — et surtout traçable : chaque élément de ton profil renvoie à sa source. Pas un simple historique de chat.
• Les garde-fous : il faut tes propres clés API (coût à l’usage), un peu de setup, et l’exécution de code est désactivée par défaut (bien).
• Notre verdict : à tester — un des rares outils d’étude IA dont la promesse de mémoire tient vraiment.

« La plupart des outils d’étude par IA t’oublient à la seconde où tu fermes l’onglet. » L’accroche du reel est juste, et c’est tout le problème : un chatbot sans mémoire te fait tout recommencer à zéro à chaque session. DeepTutor promet l’inverse — un tuteur qui se souvient de toi et s’adapte. On l’a regardé de près : pour une fois, ce n’est pas du vent.

Le problème : l’IA qui apprend, mais pas de toi

Demander à une IA de t’expliquer un concept, c’est facile. Mais un vrai tuteur ne se contente pas d’expliquer : il se souvient de ce que tu as compris, de tes erreurs récurrentes, de ton niveau — et il adapte la suite. C’est là que 99 % des « outils d’étude IA » échouent : ce sont des chatbots amnésiques. Fermez l’onglet, et vous êtes un inconnu à la session suivante.

DeepTutor attaque exactement ce manque, et le fait sérieusement.

Ce que fait DeepTutor

Plutôt qu’une collection d’outils séparés, DeepTutor propose une seule boucle d’agent sur laquelle tournent tous les modes : discuter, générer un quiz, faire de la recherche, résoudre un problème, suivre un parcours de maîtrise. Selon ses auteurs, « on change d’objectif, pas de moteur, et le contexte suit l’apprenant ». En clair : le tuteur ne perd pas le fil quand tu passes d’une révision à un quiz puis à une question.

C’est signé HKUDS, le labo de l’université de Hong Kong derrière LightRAG — un gage de sérieux, avec un papier de recherche à l’appui et une vraie version de production, pas une démo GitHub abandonnée.

La vraie innovation : une mémoire traçable

Voilà le cœur, et ce qui distingue DeepTutor du chatbot lambda. Sa mémoire est organisée en trois couches :

• Une trace brute de tout ce qui se passe (les événements, horodatés).
• Des faits curés extraits de cette trace (ce que tu maîtrises, ce qui coince).
• Une synthèse transversale qui compose ton profil d’apprenant.

Et le point malin : tout est traçable. Chaque affirmation de ton profil cite les faits dont elle vient, qui citent eux-mêmes les événements bruts. Autrement dit, rien dans ton profil n’est « sorti de nulle part » — tu peux remonter le fil. C’est l’inverse d’un historique de chat opaque : une mémoire redevable, qu’on peut inspecter et corriger. Pour de l’apprentissage sérieux dans la durée, c’est exactement ce qu’il faut.

Les garde-fous honnêtes (ce que le reel ne dit pas)

Pas de piège caché ici — l’outil est bon — mais quelques réalités à connaître :

• Il te faut tes propres clés API. DeepTutor s’appuie sur un modèle (OpenAI, Anthropic, Gemini… ou un modèle local via Ollama/LM Studio). Il est gratuit et open source, mais chaque usage consomme des tokens : le coût, c’est ta facture d’API.
• Il y a un peu de setup. Installation en ligne de commande (pip), Docker, ou depuis les sources (avec Node.js). Rien d’insurmontable, mais ce n’est pas « un clic ».
• L’exécution de code est désactivée par défaut, et c’est un bon réflexe de sécurité : lancer du code généré par un modèle sur ta machine est une décision de confiance. Les auteurs le laissent off — à activer en connaissance de cause.
• C’est un espace large (chat, quiz, recherche, parcours). Puissant, mais il faut un peu de temps pour en exploiter toute la richesse.

Pour qui c’est vraiment utile

• Les autodidactes dans la durée : quelqu’un qui apprend un sujet sur des semaines, et veut un tuteur qui capitalise au lieu de repartir de zéro.
• Ceux qui veulent des parcours adaptatifs : quiz et maîtrise qui tiennent compte de tes points faibles réels.
• Ceux qui gardent la main sur leurs données/coûts : possibilité de brancher un modèle local, mémoire stockée et inspectable.

Notre verdict : à tester

DeepTutor fait partie de ces projets qui livrent ce qu’ils promettent. La mémoire persistante et traçable n’est pas un argument marketing : c’est le vrai différenciateur, et il change l’expérience d’apprentissage. Gratuit, open source, sérieux : à essayer si tu apprends régulièrement et que tu en as assez des tuteurs amnésiques.

La seule chose à intégrer, c’est que « gratuit » veut dire « open source », pas « sans coût » : tes clés API travaillent en coulisses. Vu comme un tuteur personnel qui se souvient de toi, monté sur ton propre moteur, le calcul est vite fait.

Points de vigilance

• Coût API : gratuit à installer, mais chaque session consomme des tokens. Un modèle local (Ollama) réduit la facture.
• Setup requis : pip/Docker/Node — prévois un peu de mise en route.
• Exécution de code : laissée désactivée par défaut ; ne l’active que si tu sais ce que tu fais.
• Tes données d’apprentissage vivent dans la mémoire : avantage (inspectables), mais à sauvegarder et protéger comme tout profil personnel.