Chat es la capacidad predeterminada y el lugar donde comienza la mayor parte del trabajo. Un único hilo puede conversar normalmente, llamar herramientas, fundamentarse en bases de conocimiento seleccionadas, leer adjuntos, generar imágenes, consultar subagentes, escribir registros de notebook y continuar con el mismo contexto entre turnos.

El tutor llama a herramientas según las necesite y puede detenerse para hacer preguntas aclaratorias. Personalizar página, en la esquina superior derecha, permite elegir los modos visibles y los controles de Skills, MCP, Partners, Preferencias y entrada de voz. En Prompts iniciales, añade, edita o elimina los títulos y prompts de Explicar, Resolver, Practicar, Planificar e Investigar. Guardar aplica las preferencias de tu cuenta; Cancelar descarta los cambios y Restaurar valores predeterminados recupera las opciones originales.

Las herramientas activables por el usuario son brainstorm, web_search, paper_search, zotero_search, reason y geogebra_analysis — más imagegen y videogen una vez que configures el modelo de generación correspondiente. Las herramientas contextuales como rag, kb_files, knowledge_frontier, read_source, read_memory, write_memory, read_skill, load_tools, exec, web_fetch, ask_user, list_favorites, save_favorite, write_note, search_notes, question_bank, github, consult_subagent, workspace_list, workspace_read, workspace_search, workspace_present y workspace_export se montan automáticamente cuando el turno tiene el contexto adecuado.

El contexto es de dos tipos: el contexto de sesión persistente (capacidad, espacio de trabajo o curso, herramientas, bases de conocimiento, persona, modelo y estado de Reading / Mastery) se conserva entre turnos; las referencias (archivos, historial de chat, libros, secciones de lectura, cuadernos, entradas seleccionadas del banco de preguntas, agentes importados) proceden del menú + y se aplican a un solo turno por defecto, o a todos los turnos cuando se fijan. El botón de voz solo transcribe el mensaje actual.

Con el perfil completo, Inicio mantiene Chat, Ask Questions, Quiz, Visualize y Video Lesson a un clic; Research para informes con citas y Solve para razonamiento desarrollado se encuentran en Más capacidades. Selecciona texto en una respuesta para abrir Little Tutor, un hilo centrado en la barra lateral que permanece anidado bajo la conversación de origen. Con al menos tres mensajes enviados, el margen izquierdo muestra una marca para cada pregunta cuando hay espacio; pasa el cursor para obtener una vista previa, haz clic para volver a ella o usa Alt/Option + ↑/↓ para desplazarte entre preguntas.

Task Board sigue las tareas de estudio en To do, In progress y Done, con notas, controles de movimiento mediante arrastrar y soltar o accesibles desde el teclado, y un archivo desde el que puedes restaurarlas. Las tareas permanecen en el espacio de trabajo actual y no requieren configurar ningún modelo.

Calendar reúne sesiones de estudio personales, eventos recurrentes y recordatorios, con exportación .ics para Apple Calendar, Google Calendar, Outlook y Thunderbird. Las superposiciones del espacio de trabajo, como fechas de vencimiento de tareas y repasos, permanecen conectadas a su espacio de trabajo de origen.

El Cuaderno de aprendizaje, antes Co-Writer, organiza tus propios escritos en páginas, subpáginas y bloques dentro del espacio de trabajo activo. Importa documentos Word, organiza un árbol de páginas e inserta registros originales de Favoritos como evidencia. Las páginas mantienen visible su estado de guardado y se exportan a Markdown o Word; el contenido interactivo se convierte en estático en Word.

Exportar tarjetas flash a Anki. Las páginas del cuaderno pueden incluir Flash Cards. En una página que las tenga, abre el menú de la página y elige Export flashcards (Anki). En la cola de repaso del cuaderno, elige Export all for Anki. En Anki, usa File → Import y selecciona el archivo .txt descargado. Las tarjetas se añaden a un mazo llamado DeepTutor::<note title> con los campos de anverso y reverso, las etiquetas y las expresiones matemáticas intactos. Volver a importar el mismo archivo actualiza las tarjetas existentes en lugar de duplicarlas. El calendario de repaso propio de DeepTutor no se incluye.

Comenta un pasaje o bloque con Dito: pídele una explicación, un ejemplo, una reescritura o una pregunta de práctica. Las conversaciones permanecen vinculadas a la página y línea correspondientes. Revisa los cambios propuestos antes de aceptarlos, o inserta una respuesta debajo de la línea y sigue trabajando. Favoritos conserva los registros de las fuentes; el cuaderno es donde construyes tu propia comprensión.

Book convierte las fuentes seleccionadas en un libro vivo interactivo — no un PDF estático, sino un entorno de lectura construido a partir de bloques tipados. Un libro puede comenzar desde bases de conocimiento, Favoritos, bancos de preguntas o historial de chat; el flujo de creación propone un esquema de capítulos antes de que se genere el contenido, así revisas la estructura en lugar de aceptar una salida de un solo intento sin verla antes.

Cada capítulo se compila en bloques tipados editables — texto, callouts, quizzes, tarjetas flash, líneas de tiempo, código, figuras, HTML interactivo, animaciones, gráficos de conceptos, profundizaciones y notas de usuario — con su propio Page Chat. Inserta, mueve, regenera, reescribe o cambia el tipo de un bloque; los pasajes seleccionados entran en una bandeja revisable de capturas de aprendizaje. El progreso, los marcadores, los intentos de quiz, las capturas y Page Chat se mantienen privados para cada lector incluso cuando un libro del administrador se comparte en modo de solo lectura o edición colaborativa; la eliminación de libros compartidos sigue siendo exclusiva del administrador. Cualquier libro se exporta a Markdown, las compilaciones largas se pausan y reanudan, deeptutor book health señala divergencias en las fuentes y deeptutor book refresh-fingerprints actualiza la referencia de las fuentes.

Las bases de conocimiento son las colecciones de documentos detrás del RAG — fundamentan los turnos de Chat, las ediciones del Cuaderno de aprendizaje, la generación de Book y las conversaciones de Partner. Lo que las distingue es la elección de motores de recuperación: LlamaIndex (el predeterminado, vector híbrido + BM25 con reranking opcional mediante cross-encoder e índices FAISS exact-flat o HNSW), PageIndex (recuperación por razonamiento con citas a nivel de página, hospedado o autoalojado OSS), GraphRAG y LightRAG (recuperación por grafo de conocimiento), LightRAG Server (recuperación delegada a una instancia externa de LightRAG a la que te conectas por HTTP), WeKnora (recuperación desde una base de conocimiento de tu despliegue autoalojado, sin índice local ni copia de documentos), Tencent IMA (una biblioteca que curas en IMA — consultada, explorada y con escritura de vuelta a través de su OpenAPI), MarginNote 4 (tus datos de estudio de MN4 — documentos, extractos, tarjetas de mapa mental y los enlaces entre ellos — enviados por el Add-on de la app y navegados con herramientas dedicadas), Kiwix (un archivo ZIM consultable servido por HTTP sin indexación local), o un vault Obsidian vinculado que el tutor lee y escribe en el lugar. Cada KB está vinculada a un motor.

¿Estás migrando una biblioteca existente de Obsidian, Hermes o Markdown? Consulta la guía de migración de conocimiento para conocer las rutas de vault conectado y copia indexada.

Al crear una KB, puedes crear nueva (subir e indexar documentos), vincular existente (reutilizar un índice en su ubicación) o conectar Kiwix (buscar bajo demanda en un archivo ZIM servido). Elige su espacio de trabajo de almacenamiento al crearla; una KB existente puede trasladarse entre espacios de trabajo tras una vista previa, conservando las asignaciones y las referencias guardadas. Una KB también puede rastrear repositorios de GitHub (repositorio, rama y patrón glob) o URLs de sitios de documentación (con límites de profundidad de rastreo y número de páginas, resincronizadas cada 24 h por defecto); la sincronización compara hashes para detectar contenido añadido, modificado y eliminado, de modo que la documentación que sigues se mantiene actualizada sin volver a subirla, y las carpetas vinculadas recogen archivos locales nuevos o modificados al sincronizar. La reindexación escribe un nuevo directorio version-N plano y conserva los anteriores, de modo que un índice funcional nunca se destruye a mitad de la reconstrucción. Un solo documento puede eliminarse incluso de una base en estado de error — descartando un archivo que no se pudo analizar sin necesidad de borrar y reconstruir todo. El análisis de documentos — Text-only, MinerU, Docling, Tika, markitdown, PyMuPDF4LLM o LiteParse — y un modelo opcional de descripción de imágenes se eligen en Settings → Knowledge & documents, con descargas de modelos locales desactivadas por defecto. Docling también puede ejecutarse en modo remoto contra un servidor Docling Serve (sin necesidad de instalación local ni modelos), configurado en esa página (mode=remote, una URL base de servidor y una clave API opcional) o las variables de entorno DOCLING_MODE / DOCLING_API_BASE_URL / DOCLING_API_TOKEN. Tika es solo remoto y apunta al servidor Apache Tika configurado en esa página. La CLI refleja el ciclo de vida con list/info/create/connect-kiwix/add/search/eval/eval-diff/set-default/delete, comandos para añadir o eliminar fuentes, list-sources y sync.

El motor LightRAG integrado se instala con pip install 'deeptutor[rag-lightrag]'. Ese extra contiene el SDK de LightRAG compatible pero no instala MinerU. Elige MinerU de forma independiente en Document Parsing y configura su modo en la nube o instala su CLI local vigente cuando se desee un análisis estructurado. MinerU acepta PDF, imágenes rasterizadas comunes, DOCX, PPTX y XLSX; el comando heredado magic-pdf sigue limitado a PDF. Text-only y los demás motores de análisis no requieren MinerU.

Las consultas nativas de LightRAG y la indexación incremental requieren la configuración de embeddings registrada por el índice publicado, incluyendo el modelo, la dimensión y la identidad del endpoint. Si cambia, restaura la configuración original o reconstruye con el embedding actual; los índices sin una identidad de embeddings registrada requieren una reconstrucción. Las vistas de detalle de la base de conocimiento y de versión de índice muestran orientación de recuperación, mientras los archivos permanecen disponibles para visualización y descarga.

Evaluar una base de conocimiento. Con varios motores disponibles, «¿cuál recupera mejor aquí?» es una pregunta empírica, y deeptutor kb eval permite responderla. Escribe un conjunto de preguntas y respuestas (un objeto JSON por línea: una query y los pasajes gold que debería devolver una recuperación ideal), y evalúa la KB con deeptutor kb eval <name> --dataset qa.jsonl --top-k 5 [--mode hybrid] [--save baseline.json]. Cada caso se recupera por la misma ruta que usa un turno de chat; sus citas ordenadas se comparan con los pasajes de referencia mediante coincidencia exacta de texto o solapamiento léxico (los umbrales se ajustan con --min-ratio; no se evalúa la equivalencia semántica), y la ejecución informa de Recall@k / Precision@k / nDCG@k / MRR / MAP / Hit@k. Las métricas son funciones puras sobre la clasificación; ningún modelo juzga la salida. Compara informes guardados con deeptutor kb eval-diff baseline.json candidate.json para ver los cambios por métrica y por caso. Usa --rewrite off o --rewrite standalone en kb eval para comparar consultas originales y reescritas; los informes conservan la procedencia de la reescritura. Los casos cuya búsqueda falla (por un índice ausente o credenciales incorrectas) no reciben puntuación y se informan por separado, en lugar de reducir las medias. PageIndex usa el razonamiento para recuperar y no devuelve fragmentos ordenados, por lo que se excluye.

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

Historial de chat vuelve a abrir conversaciones con su contexto de aprendizaje original. Favoritos conserva conversaciones y resultados originales útiles en colecciones movibles con exportación a Markdown, listos para insertar en un Cuaderno de aprendizaje. El Diario de aprendizaje registra la misión actual, el traspaso de la sesión y los registros de aprendizaje confirmados. El Banco de preguntas organiza preguntas, respuestas, explicaciones y errores; selecciona un conjunto para Aprendizaje → Practice a fin de repasar las áreas débiles y programar la repetición.

Cada mensaje entrante de la Web o de IM se convierte en un turno normal de ChatOrchestrator — un Partner es «un chat que tiene personalidad y número de teléfono». Su SOUL.md, la selección de modelo, la política de herramientas y la biblioteca siguen siendo editables después de su creación. Un espacio de trabajo privado de Partner copia las bases de conocimiento, skills y colecciones de Favoritos asignadas; un espacio de trabajo vinculado comparte sus archivos y recursos actuales. Soul, las conversaciones y la memoria de relación permanecen separados en ambos modos.

Partner Groups reúne dos o más Partners en una conversación compartida con puestos diferenciados, modos seleccionables de debate y memoria compartida, e historial duradero. Los usuarios autenticados conservan sesiones privadas de Partner y memoria de relación incluso cuando se comparte un compañero.

Los canales impulsados por esquema conectan a los compañeros con Feishu, Telegram, Slack, Discord, DingTalk, QQ/NapCat, WeCom, WhatsApp, Zulip, Mattermost, Matrix, Mochat y Microsoft Teams, según los extras instalados y las credenciales. La configuración desde el navegador admite incorporación mediante QR para determinados canales. Un Partner también puede conectarse mediante Personalización → Mis Agentes y consultarse desde un turno normal de Chat.

Conecta un agente en vivo — Claude Code, Codex, Grok CLI, Antigravity, Kimi, opencode, MiMo Code, Hermes Agent, OpenClaw, DeepSeek Harness o un Partner — y consúltalo desde un turno de Chat. DeepTutor ejecuta el agente seleccionado y transmite su trabajo al panel de Activity mediante consult_subagent; el chip Agent o @ mantiene la conexión vinculada a la sesión. Los entornos locales usan su propia autenticación, directorio de trabajo y almacenamiento de sesiones.

Importa conversaciones anteriores de ChatGPT, Claude Code y Codex como referencias buscables y reanudables. ChatGPT usa una exportación oficial conversations.json; el historial de Claude se selecciona por proyecto o directorio de trabajo, y el de Codex por fecha. Haz referencia a una conversación importada mediante + → Mis Agentes sin convertirla en la voz propia de DeepTutor.

Personas reutiliza una voz, un estilo de enseñanza o una política de respuestas, y también puede servir de base para el alma de un Partner. Skills empaqueta flujos de trabajo repetibles como guías SKILL.md, con bibliotecas compartidas por la cuenta y locales al espacio de trabajo. Importar desde EduHub explora skills de la comunidad y las instala mediante una puerta de seguridad (consulta Ecosistema).

Servicios MCP autoriza herramientas externas, mientras que Aplicaciones CLI expone programas instalados del catálogo CLI-Anything mediante el sandbox de ejecución. Las asignaciones del espacio de trabajo y los permisos de usuario determinan qué recursos puede usar cada turno.

Memory es un sistema de tres capas respaldado por archivos que puedes leer, curar y auditar — deliberadamente no un almacén de vectores oculto. L1 es el espejo del espacio de trabajo más un rastro de eventos de solo adición (trace/<surface>/<date>.jsonl); L2 son hechos curados por superficie (L2/<surface>.md) con referencias a entidades L1; L3 es síntesis entre superficies (L3/<profile|recent|scope|preferences>.md) que registra las superficies L2 que contribuyeron a ella.

El Memory Graph muestra toda la pirámide — síntesis L3 en el centro, L2 en el anillo intermedio, trazas L1 en el exterior — con aristas de evidencia L2 → L1 exactas y enlaces de L3 → superficies contribuyentes. La memoria se rastrea en las superficies chat, notebook, quiz, kb, book, partner y cowriter; los presupuestos de Actualización / Auditoría / Deduplicación del consolidador se ajustan en Settings → Memory.

Settings es el panel de control operativo y se abre en General, donde se configuran el idioma de la interfaz y el de salida del modelo. Su navegador con búsqueda enlaza páginas independientes: Personal incluye Espacios de trabajo, Migración de datos, Apariencia y Estadísticas de uso; Aprendizaje y conversación incluye puntos de partida, adjuntos, Video Learning, controles de alumnos y tutores, Progreso de aprendizaje y Memory; Modelos y servicios incluye Proveedores, Modelos de lenguaje, Modelos de tarea, Embedding, Search, Voz y Generación multimodal; Funciones e integraciones incluye herramientas, parámetros de capacidades, Partners y agentes, y Conocimiento y documentos. Sistema reúne Red, Estado de ejecución y Acerca de; Chats archivados permite buscar, restaurar o eliminar permanentemente conversaciones archivadas. Estado de ejecución contiene la salud del backend, la memoria residente y la matriz de Preparación, que clasifica bloqueos, advertencias y sugerencias de las capacidades. Espacios de trabajo mantiene separados los archivos de cada tema y el estado de aprendizaje, con migración y exportación verificadas en Migración de datos. Un proveedor guarda la dirección y la credencial de un fabricante para reutilizarlas con sus modelos de servicio; las páginas de modelos seleccionan proveedores guardados y configuran nombres y capacidades de modelo. Los modelos de tarea fijan un modelo pequeño y rápido para el trabajo automático — desde nombrar conversaciones y escribir puntos de partida hasta reparaciones de Math Animator y Video Lesson — y recurren al predeterminado activo cuando se dejan vacíos. Voz agrupa síntesis y transcripción de voz; Generación multimodal reúne modelos de imagen y vídeo. Partners y agentes configura entornos de agentes locales y una pasarela remota de Hermes.

Vietnamita: en Settings → General, elige Tiếng Việt para Idioma de la interfaz y selecciona Aplicar cambios. Idioma de salida del modelo es independiente: elige Tiếng Việt allí para recibir respuestas en vietnamita, o conserva otro idioma de respuesta mientras usas la interfaz en vietnamita. La calidad de las respuestas depende de la compatibilidad con el vietnamita del modelo seleccionado.

Voz de Xiaomi MiMo. Añade un proveedor Xiaomi MiMo con https://api.xiaomimimo.com/v1 y su clave API; después añade mimo-v2.5-tts en Settings → Voz. Elige una voz predefinida como mimo_default, 冰糖 o 苏打, usa salida wav o pcm16 y escúchala antes de aplicar los cambios. Las instrucciones de voz controlan el estilo y la velocidad del habla. Este adaptador solo admite voces predefinidas; el diseño y la clonación de voces requieren modelos separados y no son compatibles. Si un modelo de voz anterior de MiMo estaba configurado mediante el adaptador genérico compatible con OpenAI, vuelve a crear su entrada de voz usando el proveedor Xiaomi MiMo para que utilice el protocolo chat-completions. Consulta la guía oficial de voz de MiMo.

Voz de MiniMax — en Settings → Voz, elige MiniMax para texto a voz y selecciona speech-2.8-hd. Configura una clave API de MiniMax y selecciona explícitamente una voz del sistema o introduce un ID de voz personalizado. La base de API predeterminada es https://api.minimax.io/v1; para la región de China usa https://api.minimaxi.com/v1. La lectura en voz alta y las previsualizaciones de voz usan el endpoint nativo de voz, con salida MP3, WAV, FLAC o PCM, y controles de frecuencia de muestreo, velocidad e idioma. Consulta la API de voz de MiniMax para conocer los IDs de voz y la disponibilidad por cuenta.

Video Learning en Settings → Aprendizaje y conversación configura los subtítulos de YouTube y el acceso a Invidious para Reading. Para usar Invidious, establece el origen de su API de backend gestionado por el administrador (por ejemplo http://127.0.0.1:3000) y su origen público accesible desde el navegador, prueba la conexión, selecciona Invidious y guarda. Browse Invidious en el diálogo de Reading para añadir material permite buscar vídeos y acceder a las suscripciones y listas de reproducción conectadas. La reproducción de YouTube usa el reproductor oficial con privacidad mejorada; la falta de subtítulos se indica y limita la evidencia disponible para el tutor, sin bloquear la reproducción nativa. En un checkout de código fuente, ejecuta python scripts/install_extras.py video-learning para el cargador predeterminado de subtítulos de YouTube. Los enlaces existentes de Watching se migran a Reading conservando el historial de conversaciones, las transcripciones compatibles, las notas y el progreso; las nuevas notas con marcas de tiempo son anotaciones de Reading. Bilibili usa su propia ruta de reproducción y subtítulos.

La mayoría de las secciones usan un flujo de borrador y aplicación, de modo que puedes probar un proveedor antes de confirmarlo. También puedes simplemente pedirlo en Chat: el asistente lee la configuración actual, aplica un cambio y te dice si necesita un reinicio o una reindexación — probando un modelo nuevo antes de confirmarlo, de modo que no puede cambiarse a sí mismo hacia algo inalcanzable. Las claves API nunca pasan por el modelo, que en su lugar abre el formulario correspondiente para ti. Se incluyen cuatro temas — Default, Cream, Dark y Glass. Los archivos .env de la raíz del proyecto se ignoran intencionadamente; la configuración de runtime vive bajo data/user/settings/*.json a menos que DEEPTUTOR_HOME o deeptutor start --home apunten la aplicación a otro lugar.

OpenAI Codex OAuth (experimental). Añadir OpenAI Codex en Settings → Proveedores abre un inicio de sesión en el navegador que se ejecuta contra tu propio plan de ChatGPT, de modo que no se necesita OPENAI_API_KEY. Los tokens viven solo en data/system/user-secrets/<owner>/private/openai-codex/ — en el despliegue multicontenedor con Compose, fuera de cualquier árbol al que el sandbox de ejecución pueda acceder — y DeepTutor nunca lee ni modifica tu inicio de sesión de la CLI ~/.codex. La lista de modelos proviene del catálogo en vivo de esa cuenta; iniciar sesión publica el perfil, pero este solo se convierte en el modelo activo cuando todavía no hay ningún LLM configurado. Como un token autoriza el plan de una sola persona, el perfil no se puede compartir a través de permisos de usuario — cada cuenta inicia sesión por sí misma, incluidos los usuarios comunes: su tarjeta de inicio de sesión se encuentra en Proveedores, y los modelos, el catálogo y el cierre de sesión resultantes permanecen privados para esa cuenta.

En el inicio de sesión y Actualizar modelos, DeepTutor lee la última versión estable de @openai/codex desde el registro oficial de npm y la usa como client_version de la solicitud del catálogo. Esto es solo metadatos: no instala, descarga ni actualiza la CLI de Codex, y la solicitud a npm no lleva credenciales OAuth. El descubrimiento tiene un plazo de tres segundos y un límite de respuesta de 64 KiB. Si falla, DeepTutor usa la última versión correcta para esa cuenta, o su valor de reserva integrado cuando no hay ninguna en caché. Solo un catálogo en vivo analizado correctamente guarda una versión nueva; los validadores nunca se reutilizan entre versiones ni entre generaciones de credenciales. Un rechazo de versión o una estructura de catálogo incompatible permite un reintento con la versión anterior; los fallos de autenticación, límite de tasa y TLS no se reintentan como problemas de versión. Una actualización manual fallida informa de un error en lugar de presentar un catálogo antiguo en caché como actualizado.

El historial de versiones correctas sobrevive a la renovación de tokens de la misma cuenta y a los errores de autenticación del catálogo, sin volver a hacer utilizables los datos de modelo invalidados ni las ETags. Cerrar sesión borra la caché local de esa cuenta, incluido el historial de versiones. Las lecturas de estado ordinarias y la inferencia no consultan npm. Las nuevas entradas del catálogo no reemplazan un modelo que ya has seleccionado ni reinician las sesiones de aprendizaje; aparecer en el catálogo no establece compatibilidad total del protocolo de inferencia. No hay un actualizador de versiones en segundo plano ni una configuración de versión para el usuario.

Los despliegues locales predeterminados de Docker y Podman usan redes de loopback separadas y necesitan un puente temporal durante el inicio de sesión. Sigue la guía del puente temporal local de OAuth de Codex para conocer los comandos exactos de Docker, Compose, Podman y desmontaje.

Para un despliegue remoto, el localhost del navegador y el localhost del servidor son máquinas diferentes, de modo que un proxy inverso ordinario por sí solo no puede llevar la devolución de llamada localhost del navegador hasta el servidor. Usa un túnel SSH como puente de devolución de llamada. El túnel llega hasta el puerto Web ya publicado; Next.js reescribe únicamente la ruta exacta de devolución de llamada hacia el broker público de devolución de llamada, y el broker valida state antes de enrutar hacia la operación OAuth original. El listener de devolución de llamada permanece en el loopback del backend, los puertos 1455 y 1457 no se publican, y esta ruta admite la red bridge predeterminada de Docker.

ssh -N -L 1455:127.0.0.1:3782 <ssh-user>@<server-host>

Si DeepTutor informa del puerto de devolución de llamada de reserva 1457, usa:

ssh -N -L 1457:127.0.0.1:3782 <ssh-user>@<server-host>

Ejecuta solo el comando que coincide con el puerto de devolución de llamada real; nunca ejecutes ambos. 3782 es solo el puerto Web de ejemplo: es el puerto de frontend/contenedor configurado, indicado como callback_forward_port. Ese valor no garantiza que el mismo puerto esté escuchando en el 127.0.0.1 del host SSH. Si Docker o Podman publican un puerto de host diferente, o un proxy inverso escucha en un puerto distinto, reemplaza solo el puerto de destino del lado derecho (3782 arriba) por el puerto Web que realmente escucha en el 127.0.0.1 del host SSH; conserva el puerto de devolución de llamada del lado izquierdo como 1455 o 1457. <server-host> es el host SSH cuyo loopback posee ese puerto en escucha. Si la URL del navegador nombra un proxy inverso o balanceador de carga, reemplázala por el host frontend SSH correcto.

La CLI imprime el comando del túnel y luego intenta abrir el navegador de inmediato. En un despliegue remoto, mantén abierta la página de autorización sin completarla, establece el túnel impreso en otra terminal, y solo entonces continúa la autorización.

La detección de topología remota tiene un límite de localhost. Si la propia Web se alcanza a través de un reenvío de localhost de SSH o del IDE, el navegador no puede saber que el servidor es remoto. Para la operación Web actual, deja su página de autorización sin terminar, lee redirect_uri en la URL de autorización de esa operación para identificar el puerto de devolución de llamada 1455 o 1457, y crea el segundo túnel desde ese puerto local hasta el puerto Web real. Como alternativa, cancela esa operación Web e inicia una nueva con la CLI; la salida de la CLI pertenece a la nueva operación y no debe usarse para la operación Web existente. Los errores de cuota y los fallos de catálogo se informan tal cual y nunca recurren a un proveedor de pago. Esta ruta de compatibilidad es experimental: la interfaz upstream puede cambiar.