Chat est la capacité par défaut et là où commence la plupart du travail. Un seul fil peut discuter normalement, appeler des outils, s'ancrer dans des bases de connaissances sélectionnées, lire des pièces jointes, générer des images, consulter des sous-agents, écrire des enregistrements dans le carnet et continuer avec le même contexte à travers les tours.

Le tuteur appelle les outils selon les besoins et peut s'interrompre pour poser des questions de clarification. Personnaliser la page, en haut à droite, permet de choisir les modes visibles et les commandes Compétences, MCP, Partners, Préférences et saisie vocale. Sous Consignes de démarrage, ajoutez, modifiez ou supprimez les titres et consignes des catégories Expliquer, Résoudre, Pratiquer, Planifier et Rechercher. Enregistrer applique les préférences de votre compte ; Annuler abandonne les modifications et Restaurer les valeurs par défaut rétablit les choix initiaux.

Les outils basculables par l'utilisateur sont brainstorm, web_search, paper_search, zotero_search, reason et geogebra_analysis — plus imagegen et videogen une fois que vous avez configuré le modèle de génération correspondant. Les outils contextuels tels que 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 et workspace_export se montent automatiquement quand le tour dispose du bon contexte.

Le contexte se présente en deux types : le contexte de session persistant (capacité, espace de travail ou cours, outils, bases de connaissances, persona, modèle et état Reading / Mastery) persiste entre les tours ; les références (fichiers, historique de chat, livres, sections de lecture, carnets, entrées sélectionnées de la banque de questions, agents importés) proviennent du menu + pour un seul tour par défaut, ou pour chaque tour lorsqu'elles sont épinglées. Le bouton vocal ne transcrit que le message en cours.

Avec le profil complet, l'accueil garde Chat, Ask Questions, Quiz, Visualize et Video Lesson accessibles en un clic ; Research pour les rapports cités et Solve pour le raisonnement détaillé se trouvent sous Plus de capacités. Sélectionnez du texte dans une réponse pour ouvrir Little Tutor, un fil latéral ciblé qui reste imbriqué sous la conversation source. Avec au moins trois messages envoyés, la marge gauche affiche une coche pour chaque question lorsque l'espace le permet ; survolez-la pour un aperçu, cliquez pour revenir à la question ou utilisez Alt/Option + ↑/↓ pour passer d'une question à l'autre.

Task Board suit les tâches d'étude dans les colonnes À faire, En cours et Terminé, avec des notes, un déplacement par glisser-déposer ou au moyen de commandes accessibles au clavier, et une archive depuis laquelle vous pouvez les restaurer. Les tâches restent dans l'espace de travail actuel et ne nécessitent aucune configuration de modèle.

Calendar regroupe les sessions d'étude personnelles, les événements récurrents et les rappels, avec un export .ics pour Apple Calendar, Google Calendar, Outlook et Thunderbird. Les superpositions de l'espace de travail, comme les dates d'échéance des tâches et les révisions, restent liées à leur espace de travail source.

Le carnet d'apprentissage, anciennement Co-Writer, organise vos propres écrits en pages, sous-pages et blocs dans l'espace de travail actif. Importez des documents Word, organisez une arborescence de pages et insérez des enregistrements originaux des Favoris comme preuves. Les pages affichent leur état d'enregistrement et s'exportent en Markdown ou en Word ; le contenu interactif devient statique dans Word.

Exporter les cartes mémoire vers Anki. Les pages du carnet peuvent contenir des Flash Cards. Sur une page qui en contient, ouvrez le menu de la page et choisissez Exporter les cartes mémoire (Anki). Dans la file de révision du carnet, choisissez Tout exporter pour Anki. Dans Anki, utilisez Fichier → Importer et sélectionnez le fichier .txt téléchargé. Les cartes arrivent dans un paquet nommé DeepTutor::<note title> avec les champs recto/verso, les tags et les formules mathématiques préservés. Réimporter le même fichier met à jour les cartes existantes au lieu de les dupliquer. Le calendrier de révision propre à DeepTutor n'est pas inclus.

Discutez d'un passage ou d'un bloc avec Dito : demandez une explication, un exemple, une réécriture ou une question d'entraînement. Les conversations restent attachées à la page et à la ligne concernées. Examinez les modifications proposées avant de les accepter, ou insérez une réponse sous la ligne et poursuivez votre travail. Les Favoris préservent les enregistrements sources ; le carnet est l'endroit où vous construisez votre propre compréhension.

Book transforme des sources sélectionnées en un livre vivant interactif — pas un PDF statique, mais un environnement de lecture construit à partir de blocs typés. Un livre peut démarrer depuis des bases de connaissances, des Favoris, des banques de questions ou l'historique de chat ; le flux de création propose un plan de chapitre avant que le contenu soit généré, vous pouvez donc revoir la forme au lieu d'accepter une sortie en un seul coup aveugle.

Chaque chapitre se compile en blocs typés modifiables — texte, encadrés, quiz, fiches, chronologies, code, figures, HTML interactif, animations, graphes de concepts, approfondissements et notes utilisateur — avec son propre Chat de Page. Insérez, déplacez, régénérez, réécrivez ou changez le type d'un bloc ; les passages sélectionnés alimentent une boîte de réception de captures d'apprentissage à valider. La progression, les signets, les tentatives de quiz, les captures et le Chat de Page restent privés pour chaque lecteur, même lorsqu'un livre administrateur est partagé en lecture seule ou en édition collaborative ; la suppression d'un livre partagé reste réservée à l'administrateur. Tout livre s'exporte en Markdown, les compilations longues se mettent en pause et reprennent, deeptutor book health signale les sources qui ont divergé et deeptutor book refresh-fingerprints actualise la référence des sources.

Les bases de connaissances sont les collections de documents derrière le RAG — elles ancrent les tours de Chat, les modifications du carnet d’apprentissage, la génération de Book et les conversations Partner. Ce qui est distinctif est un choix de moteurs de récupération : LlamaIndex (par défaut, vecteur hybride + BM25 avec reranking optionnel par cross-encoder et index FAISS exact-flat ou HNSW), PageIndex (récupération par raisonnement avec citations au niveau de la page, hébergé ou OSS auto-hébergé), GraphRAG et LightRAG (récupération par graphe de connaissances), LightRAG Server (récupération déléguée à une instance LightRAG externe connectée via HTTP), WeKnora (récupération depuis une base de connaissances de votre déploiement auto-hébergé, sans index local ni copie des documents), Tencent IMA (une bibliothèque que vous constituez dans IMA — interrogée, parcourue et mise à jour via son OpenAPI), MarginNote 4 (vos données d'étude MN4 — documents, extraits, fiches de carte mentale et les liens entre eux — poussées par l'Add-on de l'application et parcourues avec des outils dédiés), Kiwix (une archive ZIM interrogeable servie par HTTP sans indexation locale), ou un vault Obsidian lié que le tuteur lit et écrit en place. Chaque KB est liée à un moteur.

Vous migrez une bibliothèque Obsidian, Hermes ou Markdown existante ? Consultez le guide de migration des connaissances pour les parcours de vault connecté et de copie indexée.

Lors de la création d'une KB, vous pouvez en créer une nouvelle (téléverser et indexer des documents), en lier une existante (réutiliser un index sur place) ou connecter Kiwix (interroger à la demande une archive ZIM servie). Choisissez son espace de travail de stockage lors de la création ; une KB existante peut être déplacée entre espaces de travail après un aperçu, tout en conservant ses attributions et ses références enregistrées. Une KB peut aussi suivre des dépôts GitHub (dépôt, branche, glob) ou des URL de sites de documentation (profondeur d'exploration et nombre de pages limités, resynchronisés toutes les 24 h par défaut) ; la synchronisation compare les empreintes pour détecter les contenus ajoutés, modifiés ou supprimés, afin que la documentation suivie reste à jour sans nouveau téléversement, et les dossiers liés récupèrent les fichiers locaux nouveaux ou modifiés lors de la synchronisation. La re-indexation écrit un nouveau répertoire plat version-N et conserve les précédents, donc un index fonctionnel n'est jamais détruit en milieu de reconstruction. Un seul document peut être supprimé même d'une base en état d'erreur — retirer un fichier dont l'analyse a échoué sans devoir tout supprimer et reconstruire. L'analyse de documents — Text-only, MinerU, Docling, Tika, markitdown, PyMuPDF4LLM ou LiteParse — et un modèle optionnel de description d'images sont choisis dans Paramètres → Connaissances & documents, avec les téléchargements de modèles locaux désactivés par défaut. Docling peut aussi fonctionner en mode distant contre un serveur Docling Serve (aucune installation ni modèle local nécessaire), configuré sur cette page (mode=remote, une URL de base de serveur, et une clé API optionnelle) ou les variables d'environnement DOCLING_MODE / DOCLING_API_BASE_URL / DOCLING_API_TOKEN. Tika est distant uniquement et pointe vers le serveur Apache Tika configuré sur cette page. La CLI reprend le cycle de vie avec list/info/create/connect-kiwix/add/search/eval/eval-diff/set-default/delete, les commandes d'ajout et de suppression de sources, list-sources et sync.

Le moteur LightRAG intégré s'installe avec pip install 'deeptutor[rag-lightrag]'. Cet extra contient le SDK LightRAG pris en charge mais n'installe pas MinerU. Choisissez MinerU indépendamment dans Analyse de Documents et configurez son mode cloud ou installez sa CLI locale actuelle pour l'analyse structurée. MinerU accepte les PDF, les images raster courantes, les fichiers DOCX, PPTX et XLSX ; l'ancienne commande magic-pdf reste limitée aux PDF. Le mode texte seul et les autres moteurs d'analyse n'ont pas besoin de MinerU.

Les requêtes LightRAG natives et l'indexation incrémentielle nécessitent la configuration d'embedding enregistrée par l'index publié, incluant le modèle, la dimension et l'identité du point de terminaison. Si elle change, restaurez la configuration d'origine ou reconstruisez avec l'embedding actuel ; les index sans identité d'embedding enregistrée nécessitent une reconstruction. Les vues de détail de la base de connaissances et de version d'index affichent des conseils de récupération, tandis que les fichiers restent disponibles pour la consultation et le téléchargement.

Évaluer une base de connaissances. Avec plusieurs moteurs disponibles, « lequel récupère le mieux les informations ici ? » est une question empirique — à laquelle deeptutor kb eval apporte une réponse. Rédigez un jeu de questions-réponses (un objet JSON par ligne : une query et les passages gold qu'une récupération idéale devrait renvoyer), puis évaluez la KB avec deeptutor kb eval <name> --dataset qa.jsonl --top-k 5 [--mode hybrid] [--save baseline.json]. Chaque cas est interrogé par le même chemin qu'un tour de chat ; ses citations classées sont comparées aux passages de référence par correspondance exacte du texte ou recouvrement lexical (les seuils sont réglables avec --min-ratio ; l'équivalence sémantique n'est pas évaluée), et l'exécution affiche Recall@k / Precision@k / nDCG@k / MRR / MAP / Hit@k. Les métriques sont des fonctions pures du classement ; aucun modèle ne juge la sortie. Comparez les rapports enregistrés avec deeptutor kb eval-diff baseline.json candidate.json pour connaître les changements par métrique et par cas. Utilisez --rewrite off ou --rewrite standalone avec kb eval pour comparer les requêtes originales et réécrites ; les rapports conservent la provenance de la réécriture. Les cas dont la recherche a échoué (index manquant, identifiants incorrects) n'ont pas de score et sont signalés séparément au lieu de faire baisser les moyennes. PageIndex utilise le raisonnement pour la récupération et ne renvoie pas de fragments classés ; il est donc exclu.

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

L'Historique des chats rouvre les conversations avec leur contexte d'apprentissage d'origine. Les Favoris conservent les conversations et résultats originaux utiles dans des collections déplaçables avec export Markdown, prêts à être insérés dans un carnet d'apprentissage. Le Journal d'apprentissage enregistre la mission actuelle, la passation de session et les enregistrements d'apprentissage confirmés. La Banque de questions organise les questions, réponses, explications et erreurs ; sélectionnez un ensemble pour Apprentissage → Practice afin de réviser les points faibles et de programmer les répétitions.

Chaque message Web ou IM entrant devient un tour normal de ChatOrchestrator — un Partner est « un chat qui a une personnalité et un numéro de téléphone ». Son SOUL.md, sa sélection de modèle, sa politique d'outils et sa bibliothèque restent modifiables après sa création. Un espace de travail Partner privé copie les bases de connaissances, les compétences et les collections de Favoris attribuées ; un espace de travail lié partage plutôt ses fichiers et ressources actuels. Soul, les conversations et la mémoire relationnelle restent séparés dans les deux modes.

Les Partner Groups réunissent deux Partners ou plus dans une conversation partagée avec des places distinctes, des modes de discussion et de mémoire partagée sélectionnables, et un historique durable. Les utilisateurs authentifiés conservent des sessions Partner et une mémoire relationnelle privées même lorsqu'un compagnon est partagé.

Les canaux pilotés par schéma connectent les compagnons à Feishu, Telegram, Slack, Discord, DingTalk, QQ/NapCat, WeCom, WhatsApp, Zulip, Mattermost, Matrix, Mochat et Microsoft Teams, selon les extras installés et les identifiants configurés. La configuration dans le navigateur prend en charge l'intégration par QR code pour certains canaux. Un Partner peut également être connecté via Personnalisation → My Agents et consulté depuis un tour de Chat normal.

Connectez un agent en direct — Claude Code, Codex, Grok CLI, Antigravity, Kimi, opencode, MiMo Code, Hermes Agent, OpenClaw, DeepSeek Harness ou un Partner — et consultez-le depuis un tour de Chat. DeepTutor exécute l'agent sélectionné et diffuse son travail dans le panneau Activité via consult_subagent ; la puce Agent ou @ maintient la connexion associée à la session. Les harnesses locaux utilisent leur propre authentification, leur répertoire de travail et leur stockage de session.

Importez des conversations passées depuis ChatGPT, Claude Code et Codex comme références consultables et reprenables. ChatGPT utilise un export officiel conversations.json ; l'historique Claude est sélectionné par projet ou répertoire de travail, et l'historique Codex par date. Référencez une conversation importée via + → My Agents sans la transformer en voix propre de DeepTutor.

Les Personas réutilisent une voix, un style pédagogique ou une politique de réponse et peuvent également servir de point de départ au soul d'un Partner. Les compétences regroupent des flux de travail reproductibles dans des livrets de jeu SKILL.md, avec des bibliothèques partagées au niveau du compte et locales à l'espace de travail. Importer depuis EduHub parcourt les compétences communautaires et les installe via une porte de sécurité (voir Écosystème).

Les Services MCP autorisent des outils externes, tandis que les Applications CLI exposent les programmes installés du catalogue CLI-Anything via la sandbox d'exécution. Les attributions à l'espace de travail et les autorisations utilisateur déterminent les ressources que chaque tour peut utiliser.

Memory est un système en trois couches sauvegardé sur fichier que vous pouvez lire, organiser et auditer — délibérément pas un store vectoriel caché. L1 est le miroir de l'espace de travail plus une trace d'événements en ajout seul (trace/<surface>/<date>.jsonl) ; L2 contient des faits organisés par surface (L2/<surface>.md) avec des références aux entités L1 ; L3 est la synthèse inter-surfaces (L3/<profile|recent|scope|preferences>.md) qui consigne les surfaces L2 contributrices.

Le Memory Graph montre toute la pyramide — la synthèse L3 au centre, L2 dans l'anneau du milieu, les traces L1 à l'extérieur — avec des arêtes de preuve L2 → L1 exactes et des liens L3 → surfaces contributrices. La Memory est suivie sur les surfaces chat, notebook, quiz, kb, book, partner et cowriter ; les budgets Mise à jour / Audit / Déduplication du consolidateur sont réglés dans Paramètres → Memory.

Settings est le plan de contrôle opérationnel et s'ouvre sur Général, pour la langue de l'interface et de sortie du modèle. Sa navigation avec recherche mène à des pages indépendantes : Personnel couvre les espaces de travail, la migration des données, l'apparence et les statistiques d'utilisation ; Apprentissage & conversation couvre les suggestions de démarrage, les pièces jointes, Video Learning, les contrôles des apprenants et des responsables, Progression d'apprentissage, ainsi que Memory ; Modèles & services couvre les fournisseurs, les modèles de langage, les modèles de tâche, Embedding, la recherche, la voix et la génération multimodale ; Fonctionnalités & intégrations couvre les outils, les paramètres des capacités, Partners & agents et Connaissances & documents. Système contient Réseau, État d'exécution et À propos ; Conversations archivées permet de rechercher, restaurer ou supprimer définitivement les conversations archivées. État d'exécution contient la santé du backend, la mémoire résidente et la matrice Readiness, qui évalue les blocages, avertissements et suggestions pour les capacités. Les espaces de travail séparent les fichiers thématiques et l'état d'apprentissage ; Migration des données propose une migration vérifiée et un export. Un fournisseur conserve l'adresse et les identifiants d'un prestataire pour ses modèles de service ; les pages des modèles sélectionnent des fournisseurs enregistrés et configurent les noms et capacités des modèles. Les modèles de tâche réservent un petit modèle rapide au travail automatique — du nommage des conversations et de la rédaction des suggestions de démarrage aux réparations de Math Animator et de Video Lesson — et utilisent le modèle actif par défaut si le champ est vide. Voix regroupe la synthèse vocale et la transcription ; Génération multimodale regroupe les modèles d'image et de vidéo. Partners & agents configure les harnesses locaux et une passerelle Hermes distante.

Vietnamien : dans Paramètres → Général, choisissez Tiếng Việt pour la langue de l'interface et sélectionnez Appliquer les modifications. La langue de sortie du modèle est indépendante : choisissez-y Tiếng Việt pour des réponses en vietnamien, ou conservez une autre langue de réponse tout en utilisant l'interface vietnamienne. La qualité des réponses dépend de la prise en charge du vietnamien par le modèle sélectionné.

Synthèse vocale Xiaomi MiMo. Ajoutez un fournisseur Xiaomi MiMo avec https://api.xiaomimimo.com/v1 et sa clé API, puis ajoutez mimo-v2.5-tts dans Paramètres → Voix. Choisissez un préréglage tel que mimo_default, 冰糖 ou 苏打, utilisez une sortie wav ou pcm16, puis écoutez un aperçu avant de l'appliquer. Les instructions vocales contrôlent le style et la vitesse de parole. Cet adaptateur ne prend en charge que les voix prédéfinies ; la conception et le clonage de voix nécessitent des modèles distincts et ne sont pas pris en charge. Si un ancien modèle vocal MiMo était configuré via l'adaptateur générique compatible OpenAI, recréez son entrée vocale avec le fournisseur Xiaomi MiMo afin qu'elle utilise le protocole chat-completions. Consultez le guide officiel de synthèse vocale MiMo.

Synthèse vocale MiniMax — dans Paramètres → Voix, choisissez MiniMax pour la synthèse vocale et sélectionnez speech-2.8-hd. Configurez une clé API MiniMax et sélectionnez explicitement une voix système ou saisissez un identifiant de voix personnalisé. L'URL de base de l'API est https://api.minimax.io/v1 par défaut ; pour la région Chine, utilisez https://api.minimaxi.com/v1. La lecture à voix haute et les aperçus vocaux utilisent le point de terminaison vocal natif, avec une sortie MP3, WAV, FLAC ou PCM et des contrôles de fréquence d'échantillonnage, de vitesse et de langue. Consultez l'API de synthèse vocale MiniMax pour les identifiants de voix et la disponibilité selon le compte.

Video Learning sous Paramètres → Apprentissage & conversation configure les sous-titres YouTube et l’accès à Invidious pour Reading. Pour utiliser Invidious, définissez son origine d’API backend gérée par l’administrateur (par exemple http://127.0.0.1:3000) et son origine publique accessible au navigateur, testez la connexion, sélectionnez Invidious, puis enregistrez. Parcourir Invidious, dans la boîte de dialogue d’ajout de supports de Reading, permet de rechercher des vidéos et d’accéder aux abonnements et listes de lecture connectés. La lecture YouTube utilise le lecteur officiel avec protection renforcée de la confidentialité ; l’absence de sous-titres reste visible et limite les éléments dont dispose le tuteur sans bloquer la lecture native. Dans un checkout des sources, exécutez python scripts/install_extras.py video-learning pour le chargeur de sous-titres YouTube par défaut. Les liens Watching existants migrent vers Reading en conservant l’historique des conversations, les transcriptions compatibles, les notes et la progression ; les nouvelles notes horodatées sont des annotations Reading. Bilibili utilise son propre parcours de lecture et de sous-titres.

La plupart des sections utilisent un flux brouillon-et-application, vous pouvez donc tester un fournisseur avant de vous y engager. Vous pouvez aussi simplement demander dans Chat : l'assistant lit la configuration actuelle, applique un changement, et indique s'il nécessite un redémarrage ou une réindexation — sondant un nouveau modèle avant de s'y engager, afin qu'il ne puisse jamais se basculer lui-même vers quelque chose d'inaccessible. Les clés API ne transitent jamais par le modèle, qui ouvre à la place le formulaire correspondant pour vous. Quatre thèmes sont livrés dans la boîte — Default, Cream, Dark et Glass. Les fichiers .env à la racine du projet sont intentionnellement ignorés ; la configuration d'exécution vit sous data/user/settings/*.json sauf si DEEPTUTOR_HOME ou deeptutor start --home pointe l'application ailleurs.

OAuth OpenAI Codex (expérimental). Ajouter OpenAI Codex sous Paramètres → Fournisseurs ouvre une connexion dans le navigateur utilisant votre propre forfait ChatGPT, donc aucune OPENAI_API_KEY n'est nécessaire. Les jetons résident uniquement dans data/system/user-secrets/<owner>/private/openai-codex/ — dans le déploiement Compose multi-conteneurs, en dehors de tout arbre accessible au sandbox d'exécution — et DeepTutor ne lit ni ne modifie jamais votre connexion CLI ~/.codex. La liste des modèles provient du catalogue en direct de ce compte ; la connexion publie le profil, mais celui-ci ne devient le modèle actif que si aucun LLM n'est encore configuré. Comme un jeton autorise le forfait d'une seule personne, le profil n'est pas partageable par les attributions utilisateur : chaque compte se connecte pour lui-même, utilisateurs ordinaires compris. Leur carte de connexion se trouve sous Fournisseurs, et les modèles, le catalogue et la déconnexion qui en résultent restent privés à ce compte.

À la connexion et lors d'un Actualiser les modèles, DeepTutor lit la dernière version stable de @openai/codex depuis le registre npm officiel et l'utilise comme client_version de la requête de catalogue. Il s'agit uniquement de métadonnées : cela n'installe, ne télécharge ni ne met à jour le CLI Codex, et la requête npm ne transporte aucun identifiant OAuth. La découverte dispose d'un délai de trois secondes et d'une limite de réponse de 64 Kio. En cas d'échec, DeepTutor utilise la dernière version réussie pour ce compte, ou son repli intégré si aucune n'est mise en cache. Seul un catalogue en direct correctement analysé enregistre une nouvelle version ; les validateurs ne sont jamais réutilisés entre versions ou générations d'identifiants. Un rejet de version ou une structure de catalogue incompatible autorise une nouvelle tentative avec la version précédente ; les échecs d'authentification, de limitation de débit et TLS ne sont pas retentés comme des problèmes de version. Une actualisation manuelle en échec signale une erreur plutôt que de présenter un ancien catalogue mis en cache comme actualisé.

L'historique des versions réussies survit au renouvellement de jeton du même compte et aux erreurs d'authentification du catalogue, sans rendre à nouveau utilisables les données de modèle ou les ETags invalidés. La déconnexion efface le cache local de ce compte, y compris l'historique des versions. Les lectures d'état ordinaires et l'inférence n'interrogent pas npm. Les nouvelles entrées du catalogue ne remplacent pas un modèle déjà sélectionné ni ne redémarrent les sessions d'apprentissage ; figurer dans le catalogue n'établit pas une compatibilité complète du protocole d'inférence. Il n'existe pas de mise à jour de version en arrière-plan ni de paramètre de version utilisateur.

Les déploiements locaux par défaut Docker et Podman utilisent des réseaux loopback séparés et nécessitent un pont temporaire pendant la connexion. Suivez le guide du pont OAuth Codex local temporaire pour les commandes exactes de Docker, Compose, Podman et d'arrêt.

Pour un déploiement distant, le localhost du navigateur et le localhost du serveur sont deux machines différentes, donc un simple proxy inverse ne peut pas à lui seul acheminer le callback localhost du navigateur jusqu'au serveur. Utilisez un tunnel SSH comme pont de callback. Le tunnel atteint le port Web déjà publié ; Next.js ne réécrit que le chemin de callback exact vers le courtier de callback public, et ce courtier valide state avant de router vers l'opération OAuth d'origine. L'écouteur de callback reste sur le loopback du backend, les ports 1455 et 1457 ne sont pas publiés, et ce chemin prend en charge le réseau bridge Docker par défaut.

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

Si DeepTutor signale le port de callback de repli 1457, utilisez :

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

N'exécutez que la seule commande correspondant au port de callback réel ; n'exécutez jamais les deux. 3782 n'est que le port Web d'exemple : c'est le port frontend/conteneur configuré, rapporté comme callback_forward_port. Cette valeur ne garantit pas que ce même port écoute sur le 127.0.0.1 de l'hôte SSH. Si Docker ou Podman publie un port hôte différent, ou si un proxy inverse écoute sur un port différent, remplacez uniquement le port cible de droite (3782 ci-dessus) par le port Web réellement à l'écoute sur le 127.0.0.1 de l'hôte SSH ; conservez le port de callback de gauche à 1455 ou 1457. <server-host> est l'hôte SSH dont le loopback possède ce port à l'écoute. Si l'URL du navigateur nomme un proxy inverse ou un répartiteur de charge, remplacez-la par l'hôte frontend SSH correct.

La CLI affiche la commande de tunnel puis tente immédiatement d'ouvrir le navigateur. Sur un déploiement distant, laissez la page d'autorisation ouverte sans la terminer, établissez le tunnel affiché dans un autre terminal, et ne poursuivez l'autorisation qu'ensuite.

La détection de topologie distante a une limite liée à localhost. Si l'application Web elle-même est atteinte via un transfert localhost SSH ou IDE, le navigateur ne peut pas savoir que le serveur est distant. Pour l'opération Web en cours, laissez sa page d'autorisation inachevée, lisez redirect_uri dans l'URL d'autorisation de cette opération pour identifier le port de callback 1455 ou 1457, puis créez le second tunnel de ce port local vers le port Web réel. Autre possibilité : annulez cette opération Web et démarrez-en une nouvelle avec la CLI ; la sortie de la CLI appartient à la nouvelle opération et ne doit pas être utilisée pour l'opération Web existante. Les erreurs de quota et les échecs de catalogue sont rapportés tels quels et ne basculent jamais vers un fournisseur payant. Ce chemin de compatibilité est expérimental : l'interface en amont peut changer.