Об этом проекте

StudyMate — проект AI-помощника для обучения с открытым исходным кодом, позиционируемый как «рабочий процесс обучения математике/информатике, SKILL и HTML-движок учебных материалов», основная концепция — «learn with doing» (учись делая). Поддержка работы на нескольких платформах: проект может работать как пресет «режима обучения» для DeepSeek Harness (DSH), упаковываться как нативный мультиагентный плагин Google Antigravity или импортироваться через ZIP-пакет в Codex / ChatGPT Work. DSH требует Node.js 22/24+, Python 3.9+ и PyYAML. Распределение ролей пяти агентов: система организует пять ролей по мере необходимости — сбор ресурсов (resource-scout, сбор материалов из авторитетных учебников и официальной документации), сбор изображений (image-scout, захват веб-изображений для создания пула изображений), проектирование курса (curriculum-designer, составление дорожной карты знаний по предварительным зависимостям), учебный тренер (learning-coach, написание содержания учебных материалов), составление задач и оценка (practice-evaluator, единственный владелец базы заданий). При поддержке хоста может делегироваться подагентам, иначе выполняется последовательно. Структура курса: для каждого курса составляется один план, точки знаний располагаются по уровням зависимостей в виде дорожной карты, каждый узел помечается типом занятия (концептуальное/практическое/лабораторное). Учебные материалы рендерятся в HTML, стиль близок к классическим учебникам, с богатыми иллюстрациями, кастомизированными заданиями и целями проекта. Прогресс обучения записывается в файл, новые диалоги могут его наследовать. Кросс-дисциплинарная общая память: система запоминает текущий уровень пользователя, эффективные методы объяснения и частые затруднения, при переключении дисциплин не требуется заново представляться. Инженерные возможности: репозиторий содержит 12 определений навыков (общий контроль + 5 ролей + 6 протоколов), 5 схем структур данных, шаблоны страниц и фронтенд-ресурсы, скрипты генерации главной страницы и рендеринга учебных материалов, четыре проверочные проверки (план/материалы/пул изображений/frontmatter навыков), а также регрессионные тесты npm test. Пример рабочей области содержит два полных курса — линейная алгебра и компьютерные сети, можно клонировать и сразу просматривать. Проект распространяется под лицензией MIT, поддерживается Cattofu, предоставляет QQ-группу для общения и обязательства по долгосрочному обслуживанию.