Локальный ИИ-репетитор для ребёнка: как сделать домашнего учителя без облака

Если нужен один вывод. В 2026 году локальный ИИ уже можно использовать как персонального домашнего тьютора, но качественный результат получается не из одного промпта «будь учителем». Нужны как минимум четыре слоя: подходящая LLM, педагогические правила, проверенные учебные материалы и отдельное хранилище прогресса. Голос, проверка чтения, работа с фото тетради и разные преподаватели добавляются поверх этой основы.

Можно локальноЧат, RAG, распознавание речи, синтез речи, vision и хранение истории.

Нужна методикаМодель должна подводить к ответу, а не делать работу вместо ученика.

Нужен контрольДля ребёнка система должна работать в ограниченном сценарии под контролем взрослого.

Не замена учителюLLM ошибается и не должна единолично оценивать знания или принимать важные решения.

Локальный ИИ-репетитор — это не просто «чат с нейросетью»

Самый простой вариант действительно выглядит как обычный чат: ребёнок пишет вопрос, модель отвечает. Для обучения этого мало. Такой интерфейс очень быстро превращается в решебник: ученик вставляет условие задачи и получает готовый ответ.

Полезный ИИ-тьютор должен управлять процессом. Он знает тему урока, уровень ученика, разрешённые источники, предыдущие ошибки и правило помощи. Например, сначала просит ребёнка сделать собственную попытку, затем определяет, где именно возникла ошибка, даёт минимальную подсказку и только после новой попытки объясняет следующий шаг.

Насколько ИИ-репетитор вообще эффективен

Ответ уже нельзя свести к «ИИ помогает» или «ИИ мешает». Исследования показывают оба эффекта, и разница во многом зависит от дизайна системы.

Из этих работ следует практический вывод: нельзя оценивать ИИ-репетитора только по тому, насколько хорошо ребёнок решает задачу вместе с ним. Важнее, сможет ли он решить аналогичную задачу позже самостоятельно.

Что реально умеет локальный ИИ-репетитор

Как выглядит архитектура домашнего ИИ-учителя

Для полноценной системы полезно разделить компоненты. Это позволяет менять модель, голос или интерфейс независимо друг от друга и не превращать всё приложение в один огромный промпт.

В роли локального inference-сервера можно использовать Ollama, llama.cpp или другой OpenAI-compatible backend. Для первого прототипа удобен Open WebUI: его Workspace позволяет создать несколько специализированных профилей поверх одной базовой LLM, дать каждому собственный system prompt, knowledge base, инструменты и голос.

Четыре уровня реализации: от простого чата до полноценной системы

Начинать разумнее с первого или второго уровня. Если ребёнку неудобно общаться с системой или педагогические правила работают плохо, добавление голоса и красивой панели прогресса проблему не исправит.

Можно ли сделать нескольких ИИ-преподавателей

Да. Для этого необязательно запускать отдельную большую LLM на каждый предмет. Одна базовая модель может обслуживать несколько профилей с разными инструкциями и материалами.

Open WebUI официально поддерживает такой подход: пользовательская Model-конфигурация является оболочкой над базовой моделью и может иметь собственные инструкции, knowledge bases, инструменты, параметры и TTS-голос.

Как сделать так, чтобы ИИ учил, а не решал за ребёнка

Это центральная часть системы. Одной фразы «не давай ответ» недостаточно: модель рано или поздно нарушит мягкое указание, особенно если ученик настойчиво просит решение.

Как дать ИИ учебники и проверенные материалы

Для школьного обучения опасно полагаться только на знания, которые модель получила во время обучения. Она может уверенно перепутать определение, формулу или исторический факт. Поэтому предметного тьютора лучше привязывать к конкретному набору источников.

В Open WebUI для этого есть Knowledge Bases: туда можно загрузить документы и связать коллекцию с определённым профилем модели. Система извлекает подходящие фрагменты по запросу и передаёт их LLM. Такой подход обычно называют RAG.

RAG не делает ответы автоматически правильными. Нужно проверять качество распознавания PDF, разбиение документов на фрагменты и то, действительно ли модель использовала найденный источник.

Можно ли сделать голосового учителя без облака

Да. Типовая цепочка выглядит так: микрофон → локальное распознавание речи → LLM → локальный синтез речи → динамик. Для распознавания можно использовать локальный STT Open WebUI или отдельный self-hosted сервис. Проект whisper.cpp поддерживает Windows, Linux, macOS и CPU-only inference.

Для ребёнка голос особенно полезен в начальной школе и при изучении языка. Но важно различать голосовой чат и оценку чтения или произношения. Обычный STT преобразует звук в текст. Для точного анализа чтения нужны дополнительные метрики: пропуски, замены, повторы, время и сопоставление с эталонным текстом.

Можно ли проверять домашнее задание по фото тетради

Современные vision-language модели умеют распознавать текст и анализировать изображения. Например, Qwen3-VL доступен локально в нескольких размерах и поддерживает работу с текстом и изображениями. Это позволяет построить сценарий «сфотографировал задание → модель распознала запись → система проверила решение».

Но для детского почерка правильная архитектура должна разделять распознавание и оценивание. Если цифра или знак прочитаны неверно, дальнейшее рассуждение будет строиться на ошибочном вводе.

Тему проверки рукописной тетради разумно выносить в отдельный гайд, потому что OCR, vision, математика и проверка хода решения — разные технические задачи.

Почему история чата не заменяет память ученика

Если просто хранить все переписки, модель увидит много текста, но не получит нормальную картину обучения. Для тьютора нужна структурированная модель навыков.

На основании такого профиля система может выбирать следующее упражнение, возвращать слабые темы через несколько дней и отдельно показывать родителю, где прогресс устойчивый, а где правильный ответ получился только с помощью.

Один ИИ-учитель не подходит всем возрастам

UNICEF в актуальном руководстве по AI и детям отдельно выделяет безопасность, защиту данных, прозрачность, человеческий контроль и соответствие возрасту. Это хороший ориентир и для домашней системы: ребёнок не должен оставаться один на один с неограниченным универсальным чат-ботом только потому, что он работает локально.

Что даёт локальность и чего она не гарантирует

Главный плюс local-first архитектуры — возможность оставить запросы, учебную историю, голосовые записи и фотографии тетрадей внутри домашней сети. Это особенно важно, когда система работает с данными ребёнка.

Но слово «локальный» само по себе ничего не гарантирует. В системе могут остаться облачные embeddings, браузерное распознавание речи, внешний TTS, web-search, telemetry или удалённый API. Поэтому приватность нужно проверять по всей цепочке.

Какое железо понадобится

Требования определяет прежде всего выбранная модель и скорость, которую вы хотите получить. Текстового тьютора можно запустить заметно легче, чем одновременно большую LLM, vision, STT и TTS.

Поэтому лучше не начинать с покупки «сервера для ИИ». Сначала запустите одну подходящую локальную модель на имеющемся компьютере, измерьте качество и скорость, затем решайте, нужен ли апгрейд.

Что пока нельзя безоговорочно доверять ИИ-учителю

• Итоговые оценки. LLM может быть непоследовательна и зависеть от формулировки ответа.
• Диагностику нарушений развития. Учебный чат не является медицинским или психологическим диагностическим инструментом.
• Точное распознавание детского почерка. Ошибки ввода нужно отделять от ошибок ученика.
• Фактические ответы без источников. Особенно по истории, естественным наукам и нормативным темам.
• Оценку выразительности чтения одной LLM. Для темпа, ошибок и пауз нужны измеряемые аудиометрики.
• Полную автономию с младшим ребёнком. Возрастная настройка и участие взрослого остаются обязательными.

Как я бы собирал домашнего ИИ-репетитора поэтапно

1. Запустить локальную LLM.Ollama, LM Studio или llama.cpp. Сначала проверить, устраивает ли качество русского языка и рассуждений.
2. Поставить интерфейс.Например, Open WebUI, чтобы быстро получить пользователей, историю, модели и базы знаний.
3. Создать одного преподавателя.Не десять сразу. Лучше довести до ума математику или русский на одном классе.
4. Добавить учебные правила.Попытка → подсказка → повторная попытка → проверка → перенос.
5. Подключить проверенные материалы.Учебник, программу и свои правила через Knowledge/RAG.
6. Проверить на реальных заданиях.Собрать список типовых ошибок модели и закрыть их правилами или отдельными проверками.
7. Добавить профиль навыков.Хранить освоение тем отдельно от переписки.
8. Только затем добавить голос и vision.Они улучшают интерфейс, но не заменяют правильную педагогическую механику.

Что дальше в этой серии

Эта статья — основа кластера. Отдельно разберём проверку чтения вслух, голосового учителя, фото тетради, загрузку учебников через RAG, несколько преподавателей на одном ПК, родительскую панель и подготовку к экзаменам. Эти задачи имеют разные технические ограничения, поэтому объединять их в один гигантский «универсальный промпт» неправильно.

Частые вопросы

Может ли локальный ИИ полностью заменить репетитора?

Нет. Он может дать много персональной практики, объяснять материал и отслеживать типовые ошибки, но не обладает гарантированной точностью, педагогической ответственностью и человеческим пониманием ситуации ребёнка.

Можно ли сделать всё полностью без Интернета?

Да, если локальными являются сама LLM, распознавание и синтез речи, vision, embeddings, хранилище документов и интерфейс. Интернет всё равно может понадобиться для первоначальной загрузки программ и моделей.

Нужно ли обучать собственную нейросеть на школьных учебниках?

Обычно нет. Для начала достаточно готовой instruction-модели и RAG по выбранным учебникам. Fine-tuning имеет смысл только когда понятно, какую устойчивую проблему нельзя решить инструкциями, инструментами или хорошей базой знаний.

Можно ли одному компьютеру обслуживать нескольких учителей?

Да. Разные «учителя» могут быть профилями поверх одной базовой модели и отличаться system prompt, knowledge base, инструментами и голосом.

Можно ли контролировать, чтобы ребёнок не списывал?

Полностью исключить обход невозможно, но можно сильно снизить его: требовать собственную попытку, выдавать подсказки по одной, скрывать финальное решение до завершения шага и отдельно проводить контроль без помощи.

Подойдёт ли такая система взрослому?

Да. Та же архитектура подходит для языков, профессиональных экзаменов, программирования и освоения новых дисциплин. Отличаются главным образом ограничения, материалы и модель прогресса.

Источники и проекты

• Scientific Reports: AI tutoring outperforms in-class active learning
• PNAS: Generative AI without guardrails can harm learning
• NBER: One Click Away — Khanmigo in a two-year school experiment
• NBER: Making AI Tutoring Productive
• UNICEF: Guidance on AI and children, version 3.0
• Open WebUI: Models / personas
• Open WebUI: Knowledge Bases and document chat
• Open WebUI: Speech-to-Text configuration
• GitHub: open-webui/open-webui
• GitHub: ollama/ollama
• GitHub: ggml-org/whisper.cpp
• GitHub: QwenLM/Qwen3-VL

Продолжить про локальный ИИ

Локальная нейросеть на ПКМодели, GGUF, RAM, VRAM и запуск без обязательного облака. Ollama vs LM Studio vs llama.cppКакой runtime выбрать для домашней AI-системы. Все материалы о локальном ИИГайды по моделям, инструментам и практическим сценариям.