DeepTutor部署指南手把手搭一个会记住你学习进度的AI个性化学习平台【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor深夜十二点你摊开三本教材、五份 PDF 和二十多个浏览器标签页准备复习下周的考试。问题来了资料散落各处翻聊天记录才能找回上周问过的题而那个上次学到哪了的记忆只存在于你自己的脑子里。DeepTutor 就是为解决这个问题而生的开源项目——一个基于 Agent 原生架构的 AI 个性化学习平台。它不是一个只会接话的聊天机器人而是一个把对话、研究、解题、知识库、记忆全部串在一条管线里的完整学习系统。最打动我的一点是它真的会记住你。今天这篇 DeepTutor部署指南就带你从零把它跑起来并拆解它的核心能力。为什么你需要一个有记忆的学习平台市面上的 AI 学习工具大多是一个个孤岛ChatGPT 管对话Notion AI 管笔记Anki 管记忆卡片。可学习本身是一个连续的过程——你今天问的概念明天会变成笔记下周会成为考卷上的题目。割裂的工具意味着上下文断裂而上下文恰恰是学习质量的生命线。DeepTutor 的答案很朴素与其造更多工具不如让所有能力跑在同一个引擎上共享同一份记忆和知识库。它把问答、测验、深度研究、可视化、解题、掌握路径这六种模式统一到一个代理循环Agent Loop里切换的只是目标引擎和上下文始终跟随你。下面我们从安装开始一步步验证这个设计。三分钟跑通让DeepTutor在你电脑上醒来上手过程比我预想的还简单不需要手动改任何配置文件。前提是你有Python 3.11和Node.js 20。先在任意位置建一个专属工作目录然后安装核心包mkdir -p my-deeptutor cd my-deeptutor pip install -U deeptutor安装完成后运行初始化向导——它会用一问一答的方式引导你配置端口、LLM 提供商和嵌入模型全程无需碰配置文件deeptutor init最后一步启动服务。它会同时拉起后端 FastAPI 服务默认端口 8001和前端 Next.js 界面默认端口 3782deeptutor start浏览器打开终端里打印的地址默认是http://127.0.0.1:3782你就能看到 DeepTutor 的主界面了。左侧导航栏是所有功能的入口中间是智能对话的工作区底部还有 Recents、Memory、Knowledge Center 等常驻入口。主界面左侧导航提供所有核心功能入口中央输入框就是一切学习任务的起点跳过deeptutor init也能启动只是模型设置是空的之后到Settings → Models里补上即可。所有运行时配置都放在data/user/settings/目录下注意项目根目录的.env文件是被刻意忽略的。一个引擎六种学习模式在输入框左侧有个下拉菜单点开你会看到一张能力清单Chat、Quiz、Research、Visualize、Solve、Mastery Path。能力选择菜单从日常对话到多步骤解题六种模式共用同一个代理引擎这背后的设计才是精髓。以deep_research为例它会经历 rephrasing → decomposing → researching → reporting 四个阶段自动拆解问题、检索文献、生成带引用的报告而math_animator则走概念分析、方案设计、代码生成、渲染输出的完整链路。不同模式看起来天差地别但它们共享同一套工具注册表——RAG 检索、网页抓取、代码执行、记忆读写、子代理咨询等工具按需自动挂载。换句话说你不是在学六个工具而是在学一个工具人的六种工作方式。这也让下面的能力有了化学反应的基础。把资料变成知识补给站多引擎知识中心单独聊再多轮天知识还是会断档。DeepTutor 的知识中心Knowledge Center负责把你的 PDF、Markdown、PPT 变成可检索的知识库。知识中心四种检索引擎并列展示状态每个知识库绑定一种引擎它最特别的地方是不锁定单一检索方案本地向量 BM25 的 LlamaIndex默认、带页面级引用的 PageIndex、知识图谱检索的 GraphRAG / LightRAG、以及在原目录就地读写的 Obsidian 联动随你选择。创建知识库时既可以从零上传文档建索引也可以链接已有直接复用别处构建好的索引避免重复建库。命令行同样可以管理知识库生命周期# 创建知识库并加入学习资料 deeptutor kb create 机器学习笔记 --doc 线性代数教程.pdf deeptutor kb add 机器学习笔记 --doc 深度学习笔记.md # 检索边学边问 deeptutor kb search 机器学习笔记 梯度下降的原理建好的知识库会被 Chat 对话、Co-Writer 编辑、书籍生成、甚至 Partner 聊天共同使用——这就是上下文随你移动的含义。三层记忆AI 如何真正记住你这是我认为 DeepTutor 最值得称道的设计。很多 AI 工具的记忆是黑盒的向量库你永远不知道它记得了什么。DeepTutor 则把记忆做成可读、可查、可修改的三层结构。记忆中心L1 追踪工作区事件、L2 提炼表面总结、L3 生成跨领域知识全部以 Markdown 文件形式可审计L1 工作区镜像记录每一次学习活动的原始事件追加式的 JSONL 轨迹文件L2 表面总结按聊天、笔记、题库等表面整理出的事实清单Markdown 文件L3 知识合成跨表面提炼出的画像、偏好、学习范围等高级命题。关键在可追溯L2 的每一条事实都引用 L1 的原始事件L3 的每条命题都引用 L2 的来源任何一条记忆都能回溯到证据。用命令行可以随时查看或清理deeptutor memory show # 查看 L3 全局文档或某个 L2 表面总结 deeptutor memory clear # 清理全部或指定表面的记忆记忆图谱Memory Graph把三层结构画成同心圆悬停任意节点就能看到它引用的底层事件。想删掉某条 AI 对你的错误印象直接编辑对应的 Markdown 文件即可。从资料到成品的两条流水线有了知识库和记忆接下来是把输入变成输出。DeepTutor 的 Co-Writer 和 Book 是两条互补的产出流水线。Co-Writer是一个分栏式 Markdown 写作环境主打外科手术式编辑选中一段文字让 AI 改写、扩写或精简它会带着知识库和网页证据干活每次改动都以可接受/拒绝的 diff 形式呈现——不点确认它绝不落地。Co-Writer左栏编辑右栏实时预览选中文字即可触发精准的 AI 编辑Book则更进一步把选定的资料源知识库、笔记本、题库、聊天历史编译成一本活的教材——章节由文字、测验卡片、时间线、代码、交互式 HTML、动画、概念图等类型化模块拼装而成每页还带独立的页面对话。创建时系统会先给出章节大纲供你确认而不是一次性盲出。书籍库AI 生成的书按章节模块组织可插入测验卡片与动画还能后续维护健康状态实战一晚上整理完半学期的课说这么多不如走一遍真实流程。假设你要复习Transformer 架构而且手里有上课的 PDF 和之前的零散笔记第一步喂资料。把 PDF 丢进知识库上面kb create那条命令。第二步深度研究。回到输入框把模式切到 Research问一句用中文总结 Transformer 的注意力机制并对比自注意力与交叉注意力。它会分解问题、检索你的知识库、补充网络文献最后产出一篇带引用的报告。第三步沉淀笔记。把报告标题粘贴进 Co-Writer 作为草稿选中关键段落让 AI 扩充细节完成后一键存回笔记本成为以后可以引用的上下文。第四步检验掌握度。切到 Quiz 模式让 AI 出几道题答错的题目和你的答案、参考解析一起进入题库随时回来重刷。整个过程里你在研究阶段提到的偏好比如用中文要图示会被写进记忆下一次对话它就会主动按这个风格回答。这就是个性化和简单堆料的区别。新手避坑清单我自己踩过的坑整理成表格帮你跳过问题现象可能原因解决办法知识库检索为空或报错没配置嵌入模型在 Settings → Models 添加 embedding 配置再重建索引前端 3782 打不开端口被占用检查占用进程或重跑deeptutor init换端口Docker 里连不上本机 Ollama容器内localhost指向容器自身用host.docker.internal或--networkhost访问宿主机服务启动后模型空白跳过了 init直接在 Settings → Models 添加 LLM 提供商配置想要本地离线使用没跑本地模型服务用 Ollama 起llama3等模型把 base_url 指向http://127.0.0.1:11434/v1本地部署时的一个典型最小配置长这样保存在data/user/settings/model_catalog.json{ llm_provider: ollama, llm_model: llama3, llm_base_url: http://127.0.0.1:11434/v1, embedding_provider: ollama, embedding_model: all-minilm }另外提一句安全边界DeepTutor 的办公类技能docx、pdf 等需要让模型生成的 Python 代码在沙箱里执行默认是开启的。如果你在意主机安全可以在system.json里把sandbox_allow_subprocess设为false代价是这些技能无法再产出文件。从使用者到贡献者技能生态与更多玩法当你熟练之后DeepTutor 的边界可以继续外扩。它有两条主要的扩展路径一是技能Skills生态。技能就是一个包含SKILL.md的文件夹教会模型一种专项能力。官方默认连接教育技能市场 EduHub也兼容 ClawHubdeeptutor skill search socratic tutor # 搜索社区技能 deeptutor skill install socratic-tutor # 安装经过安全校验 deeptutor skill publish ./my-skill # 发布你自己的技能二是 My Agents 与 Partners。前者可以把你机器上的 Claude Code、Codex、Gemini 等编码 CLI 作为子代理接入对话让 DeepTutor 在回答中实时咨询它们后者则让 AI 拥有独立人格、专属知识库和 IM 渠道——飞书、Telegram、Slack、Discord 等十多个渠道都支持相当于给每位学习伙伴配了一个灵魂和一部电话。如果你想做二次开发可以从源码安装git clone https://gitcode.com/GitHub_Trending/dee/DeepTutor后按AGENTS.md了解两层插件模型Tools Capabilities贡献指南在仓库的CONTRIBUTING.md。整个运行时是开箱即用的 Docker 镜像compose.yaml里还有包含沙箱 runner 的进阶编排方案。写在最后与其说 DeepTutor 是个工具不如说它是一套学习基础设施统一引擎消除了模式切换的割裂感可审计的三层记忆让个性化不再是玄学知识库与产出流水线让输入到输出形成闭环。我的建议是别一上来就研究所有功能。先从pip install deeptutor开始跑通一次对话建一个自己的知识库让它记住你今天学到的东西。然后在一个真正要完成的学习任务里——复习、调研、写总结——检验它。当你发现它记得你上周问过的问题、用你偏好的方式组织答案时那种被理解的体验就是它最值回票价的地方。你的第一个问题想好问什么了吗【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DeepTutor部署指南：手把手搭一个会记住你学习进度的AI个性化学习平台
DeepTutor部署指南手把手搭一个会记住你学习进度的AI个性化学习平台【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor深夜十二点你摊开三本教材、五份 PDF 和二十多个浏览器标签页准备复习下周的考试。问题来了资料散落各处翻聊天记录才能找回上周问过的题而那个上次学到哪了的记忆只存在于你自己的脑子里。DeepTutor 就是为解决这个问题而生的开源项目——一个基于 Agent 原生架构的 AI 个性化学习平台。它不是一个只会接话的聊天机器人而是一个把对话、研究、解题、知识库、记忆全部串在一条管线里的完整学习系统。最打动我的一点是它真的会记住你。今天这篇 DeepTutor部署指南就带你从零把它跑起来并拆解它的核心能力。为什么你需要一个有记忆的学习平台市面上的 AI 学习工具大多是一个个孤岛ChatGPT 管对话Notion AI 管笔记Anki 管记忆卡片。可学习本身是一个连续的过程——你今天问的概念明天会变成笔记下周会成为考卷上的题目。割裂的工具意味着上下文断裂而上下文恰恰是学习质量的生命线。DeepTutor 的答案很朴素与其造更多工具不如让所有能力跑在同一个引擎上共享同一份记忆和知识库。它把问答、测验、深度研究、可视化、解题、掌握路径这六种模式统一到一个代理循环Agent Loop里切换的只是目标引擎和上下文始终跟随你。下面我们从安装开始一步步验证这个设计。三分钟跑通让DeepTutor在你电脑上醒来上手过程比我预想的还简单不需要手动改任何配置文件。前提是你有Python 3.11和Node.js 20。先在任意位置建一个专属工作目录然后安装核心包mkdir -p my-deeptutor cd my-deeptutor pip install -U deeptutor安装完成后运行初始化向导——它会用一问一答的方式引导你配置端口、LLM 提供商和嵌入模型全程无需碰配置文件deeptutor init最后一步启动服务。它会同时拉起后端 FastAPI 服务默认端口 8001和前端 Next.js 界面默认端口 3782deeptutor start浏览器打开终端里打印的地址默认是http://127.0.0.1:3782你就能看到 DeepTutor 的主界面了。左侧导航栏是所有功能的入口中间是智能对话的工作区底部还有 Recents、Memory、Knowledge Center 等常驻入口。主界面左侧导航提供所有核心功能入口中央输入框就是一切学习任务的起点跳过deeptutor init也能启动只是模型设置是空的之后到Settings → Models里补上即可。所有运行时配置都放在data/user/settings/目录下注意项目根目录的.env文件是被刻意忽略的。一个引擎六种学习模式在输入框左侧有个下拉菜单点开你会看到一张能力清单Chat、Quiz、Research、Visualize、Solve、Mastery Path。能力选择菜单从日常对话到多步骤解题六种模式共用同一个代理引擎这背后的设计才是精髓。以deep_research为例它会经历 rephrasing → decomposing → researching → reporting 四个阶段自动拆解问题、检索文献、生成带引用的报告而math_animator则走概念分析、方案设计、代码生成、渲染输出的完整链路。不同模式看起来天差地别但它们共享同一套工具注册表——RAG 检索、网页抓取、代码执行、记忆读写、子代理咨询等工具按需自动挂载。换句话说你不是在学六个工具而是在学一个工具人的六种工作方式。这也让下面的能力有了化学反应的基础。把资料变成知识补给站多引擎知识中心单独聊再多轮天知识还是会断档。DeepTutor 的知识中心Knowledge Center负责把你的 PDF、Markdown、PPT 变成可检索的知识库。知识中心四种检索引擎并列展示状态每个知识库绑定一种引擎它最特别的地方是不锁定单一检索方案本地向量 BM25 的 LlamaIndex默认、带页面级引用的 PageIndex、知识图谱检索的 GraphRAG / LightRAG、以及在原目录就地读写的 Obsidian 联动随你选择。创建知识库时既可以从零上传文档建索引也可以链接已有直接复用别处构建好的索引避免重复建库。命令行同样可以管理知识库生命周期# 创建知识库并加入学习资料 deeptutor kb create 机器学习笔记 --doc 线性代数教程.pdf deeptutor kb add 机器学习笔记 --doc 深度学习笔记.md # 检索边学边问 deeptutor kb search 机器学习笔记 梯度下降的原理建好的知识库会被 Chat 对话、Co-Writer 编辑、书籍生成、甚至 Partner 聊天共同使用——这就是上下文随你移动的含义。三层记忆AI 如何真正记住你这是我认为 DeepTutor 最值得称道的设计。很多 AI 工具的记忆是黑盒的向量库你永远不知道它记得了什么。DeepTutor 则把记忆做成可读、可查、可修改的三层结构。记忆中心L1 追踪工作区事件、L2 提炼表面总结、L3 生成跨领域知识全部以 Markdown 文件形式可审计L1 工作区镜像记录每一次学习活动的原始事件追加式的 JSONL 轨迹文件L2 表面总结按聊天、笔记、题库等表面整理出的事实清单Markdown 文件L3 知识合成跨表面提炼出的画像、偏好、学习范围等高级命题。关键在可追溯L2 的每一条事实都引用 L1 的原始事件L3 的每条命题都引用 L2 的来源任何一条记忆都能回溯到证据。用命令行可以随时查看或清理deeptutor memory show # 查看 L3 全局文档或某个 L2 表面总结 deeptutor memory clear # 清理全部或指定表面的记忆记忆图谱Memory Graph把三层结构画成同心圆悬停任意节点就能看到它引用的底层事件。想删掉某条 AI 对你的错误印象直接编辑对应的 Markdown 文件即可。从资料到成品的两条流水线有了知识库和记忆接下来是把输入变成输出。DeepTutor 的 Co-Writer 和 Book 是两条互补的产出流水线。Co-Writer是一个分栏式 Markdown 写作环境主打外科手术式编辑选中一段文字让 AI 改写、扩写或精简它会带着知识库和网页证据干活每次改动都以可接受/拒绝的 diff 形式呈现——不点确认它绝不落地。Co-Writer左栏编辑右栏实时预览选中文字即可触发精准的 AI 编辑Book则更进一步把选定的资料源知识库、笔记本、题库、聊天历史编译成一本活的教材——章节由文字、测验卡片、时间线、代码、交互式 HTML、动画、概念图等类型化模块拼装而成每页还带独立的页面对话。创建时系统会先给出章节大纲供你确认而不是一次性盲出。书籍库AI 生成的书按章节模块组织可插入测验卡片与动画还能后续维护健康状态实战一晚上整理完半学期的课说这么多不如走一遍真实流程。假设你要复习Transformer 架构而且手里有上课的 PDF 和之前的零散笔记第一步喂资料。把 PDF 丢进知识库上面kb create那条命令。第二步深度研究。回到输入框把模式切到 Research问一句用中文总结 Transformer 的注意力机制并对比自注意力与交叉注意力。它会分解问题、检索你的知识库、补充网络文献最后产出一篇带引用的报告。第三步沉淀笔记。把报告标题粘贴进 Co-Writer 作为草稿选中关键段落让 AI 扩充细节完成后一键存回笔记本成为以后可以引用的上下文。第四步检验掌握度。切到 Quiz 模式让 AI 出几道题答错的题目和你的答案、参考解析一起进入题库随时回来重刷。整个过程里你在研究阶段提到的偏好比如用中文要图示会被写进记忆下一次对话它就会主动按这个风格回答。这就是个性化和简单堆料的区别。新手避坑清单我自己踩过的坑整理成表格帮你跳过问题现象可能原因解决办法知识库检索为空或报错没配置嵌入模型在 Settings → Models 添加 embedding 配置再重建索引前端 3782 打不开端口被占用检查占用进程或重跑deeptutor init换端口Docker 里连不上本机 Ollama容器内localhost指向容器自身用host.docker.internal或--networkhost访问宿主机服务启动后模型空白跳过了 init直接在 Settings → Models 添加 LLM 提供商配置想要本地离线使用没跑本地模型服务用 Ollama 起llama3等模型把 base_url 指向http://127.0.0.1:11434/v1本地部署时的一个典型最小配置长这样保存在data/user/settings/model_catalog.json{ llm_provider: ollama, llm_model: llama3, llm_base_url: http://127.0.0.1:11434/v1, embedding_provider: ollama, embedding_model: all-minilm }另外提一句安全边界DeepTutor 的办公类技能docx、pdf 等需要让模型生成的 Python 代码在沙箱里执行默认是开启的。如果你在意主机安全可以在system.json里把sandbox_allow_subprocess设为false代价是这些技能无法再产出文件。从使用者到贡献者技能生态与更多玩法当你熟练之后DeepTutor 的边界可以继续外扩。它有两条主要的扩展路径一是技能Skills生态。技能就是一个包含SKILL.md的文件夹教会模型一种专项能力。官方默认连接教育技能市场 EduHub也兼容 ClawHubdeeptutor skill search socratic tutor # 搜索社区技能 deeptutor skill install socratic-tutor # 安装经过安全校验 deeptutor skill publish ./my-skill # 发布你自己的技能二是 My Agents 与 Partners。前者可以把你机器上的 Claude Code、Codex、Gemini 等编码 CLI 作为子代理接入对话让 DeepTutor 在回答中实时咨询它们后者则让 AI 拥有独立人格、专属知识库和 IM 渠道——飞书、Telegram、Slack、Discord 等十多个渠道都支持相当于给每位学习伙伴配了一个灵魂和一部电话。如果你想做二次开发可以从源码安装git clone https://gitcode.com/GitHub_Trending/dee/DeepTutor后按AGENTS.md了解两层插件模型Tools Capabilities贡献指南在仓库的CONTRIBUTING.md。整个运行时是开箱即用的 Docker 镜像compose.yaml里还有包含沙箱 runner 的进阶编排方案。写在最后与其说 DeepTutor 是个工具不如说它是一套学习基础设施统一引擎消除了模式切换的割裂感可审计的三层记忆让个性化不再是玄学知识库与产出流水线让输入到输出形成闭环。我的建议是别一上来就研究所有功能。先从pip install deeptutor开始跑通一次对话建一个自己的知识库让它记住你今天学到的东西。然后在一个真正要完成的学习任务里——复习、调研、写总结——检验它。当你发现它记得你上周问过的问题、用你偏好的方式组织答案时那种被理解的体验就是它最值回票价的地方。你的第一个问题想好问什么了吗【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考