DeepTutor

1. 项目概览

DeepTutor 的核心卖点是“终身个性化辅导”。它把学习过程中的多个环节放在同一个上下文中：学生可以聊天提问、做题、生成测验、做深度研究、把知识库编译成活书、用 Co-Writer 写作、让记忆系统持续积累学习画像，也可以接入 Partners 或本地 Claude Code / Codex 等子智能体。

项目论文摘要中提到，DeepTutor 试图弥补两类不足：普通 LLM 依赖静态预训练知识，难以适配个体学习者；传统 RAG 虽能提供知识增强，但不一定能提供个性化、引导式反馈。论文还提出 TutorBench，用带学习者画像的交互式评测方式衡量个性化辅导效果。论文报告称 DeepTutor 在个性化指标上平均提升 10.8%，在五个 backbone models 上增强一般 agentic reasoning 29.4%。这些数字来自项目论文，售前引用时应说明是作者团队技术报告结果，不是独立第三方评测。

2. 官方关键示意图

项目本身有比较完整的截图和架构图，适合直接放进学习笔记和售前材料。

2.1 产品总览

官网把 DeepTutor 描述为“Eight surfaces, one running context”：Home、Partners、My Agents、Co-Writer、Book、Learning Space、Memory、Knowledge Center 共享同一套 agent-native runtime。这个点很适合做产品讲解开场：它不是一堆孤立工具，而是围绕学习者上下文连接起来的工作空间。

2.2 系统架构

这张图适合解释 DeepTutor 的系统组成：前端学习空间、后端 agent loop、知识库/RAG、工具/能力、记忆、模型与外部集成共同构成一个可扩展学习系统。

2.3 Chat Agent Loop

Chat 是默认入口，但底层不是简单问答，而是一个 agent loop：模型可以思考、调用工具、观察结果、继续推理，必要时通过 ask_user 暂停并向用户澄清。

2.4 Knowledge Center

Knowledge Center 是 DeepTutor 的 RAG 中心，支持 LlamaIndex、PageIndex、GraphRAG、LightRAG、LightRAG Server、Obsidian vault 等多种知识库/检索模式。

2.5 Memory Graph

DeepTutor 的 Memory 是三层可审计结构：L1 原始事件追踪、L2 按表面整理的事实、L3 跨表面的综合画像。售前可以把它讲成“可追溯的学习者画像”，不是隐藏黑盒记忆。

2.6 Book 活书

Book 可以把知识库、笔记、题库或聊天历史生成交互式活书，包含文本、测验、闪卡、时间轴、代码、图形、交互式 HTML、动画、概念图和页面级聊天。

3. 它主要能做什么

DeepTutor 可以理解为一个“教育 AI agent workspace”。它把学习产品中常见的能力组合在一起：

4. 核心设计理解

4.1 不是“问答机器人”，而是统一学习运行时

很多教育 AI 产品做成了多个分散功能：一个页面问答、一个页面生成题目、一个页面做课件、一个页面读文档。DeepTutor 的不同点是把 Chat、Quiz、Research、Visualize、Solve、Mastery Path 放在同一个 agent loop 上运行。用户切换的是学习目标，不是换一套孤立引擎。

售前可以这样讲：

DeepTutor 的思路是把学习活动统一到一个持续上下文里：学生问过什么、读过什么、练过什么、错过什么、保存过什么，都能被后续学习活动复用。

4.2 RAG 不只是资料检索，而是学习上下文的一部分

DeepTutor 的知识库支持多种检索引擎：

• LlamaIndex：默认，本地向量 + BM25。
• PageIndex：托管、页面级引用的推理检索。
• GraphRAG / LightRAG：知识图谱检索。
• LightRAG Server：连接外部 LightRAG 实例。
• Obsidian vault：直接链接 Obsidian 笔记库，读写原位内容。

文档解析也可切换：Text-only、MinerU、Docling、markitdown、PyMuPDF4LLM 等。

这对教育场景很有意义：学校和培训机构的教材、课件、讲义、习题、学生笔记、老师教案都可以进入知识库，成为 AI 辅导的依据。

4.3 Memory 是可审计的个性化学习画像

DeepTutor 将记忆分为：

它强调 L2 引用 L1，L3 引用 L2，因此记忆结论可以追溯。这一点很适合教育合规和家校沟通：不能只是“AI 觉得这个学生不懂函数”，而应该能追溯到具体练习和对话证据。

4.4 Skills 和 EduHub：教育场景可扩展

DeepTutor 使用开放 Agent-Skills 格式，技能就是一个包含 SKILL.md 的文件夹。EduHub 是它内置的教育技能注册表，支持搜索、安装、发布教学技能，比如：

• 苏格拉底式导师。
• 闪卡生成器。
• 作文反馈。
• 考试蓝图。
• 概念解释器。
• 复习计划生成。

这对售前很有用，因为客户往往不是只要通用 AI，而是希望沉淀自己的教学法、课程 SOP、解题规范、批改规则。Skills 提供了一种较轻量的“教学能力封装”方式。

4.5 Partners 和多渠道伴学

DeepTutor 的 Partners 可以理解为“有自己人格、知识库、技能和记忆的持久化学习伙伴”，并且可接入 IM 渠道。README/release 中提到的渠道包括飞书、Slack、Mattermost、企业微信、钉钉、Telegram、Zulip、Matrix 等相关 SDK/通道能力。

售前可以把它映射到：

• 班级群里的 AI 助教。
• 课程项目群里的答疑伙伴。
• 企业培训群里的学习提醒/答疑助手。
• 编程学习群里的代码助教。

5. 适用场景

5.1 K12 / 高校智能助教

DeepTutor 适合做一个面向学生的“学习工作台”：

• 学生上传课件、教材、讲义。
• AI 基于课程知识库答疑。
• 针对错题生成变式题和测验。
• 通过 Memory 记录薄弱点。
• 生成阶段性 Mastery Path。
• 把章节知识生成 Book 活书。

客户价值：

• 降低老师重复答疑压力。
• 给学生更连续的个性化辅导。
• 让学习行为沉淀为可分析数据。

5.2 教培机构个性化学习产品

教培客户往往关心“如何规模化提供类似一对一辅导的体验”。DeepTutor 可以作为产品原型参考：

• 统一课程资料和题库。
• 学生获得个性化 AI 教练。
• 学习路径根据练习表现变化。
• 错题、笔记、问答和题库联动。
• 教研团队把自己的教学策略封装成 skills。

适合用于英语、数学、编程、考研、职业资格考试等需要持续练习和反馈的场景。

5.3 企业培训和岗位学习

企业内部培训往往有大量制度、产品、销售话术、技术文档、操作手册。DeepTutor 可用于：

• 新员工学习路径。
• 产品/方案知识问答。
• 销售/售前能力测验。
• 角色扮演式问答和演练。
• 把知识库编译成互动学习手册。

在这个场景，Memory 可以记录员工学习进度，Knowledge Center 可以连接企业资料，Co-Writer 可以辅助写方案/报告。

5.4 AI 编程教育和开发者训练

DeepTutor 的 My Agents 可以接入 Claude Code、Codex、Gemini、Kimi、opencode、MiMo 等本地或外部 coding CLI。适合：

• 编程课 AI 助教。
• 代码题分步讲解。
• 项目式学习中的代码审查和调试。
• 让学生在同一个学习空间里问概念、写代码、调用编码子智能体。

这类场景中，DeepTutor 可以和代码仓库、课程文档、题库、编程练习平台结合。

5.5 教师备课、教材再加工和互动课件

Book、Co-Writer、Visualize、Math Animator 对教师侧也有价值：

• 把讲义生成章节大纲。
• 生成互动课件、概念图、测验块。
• 把教材内容转换成“活书”。
• 对一段教案进行扩写、改写、生成例题。
• 用 Manim 生成数学动画。

售前时不要只讲学生端，教师端也能形成明确价值。

6. 不太适合的场景

7. 怎么安装和使用

7.1 PyPI 安装

完整本地 Web 应用 + CLI：

mkdir -p my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init
deeptutor start

默认端口：

• 后端：8001
• 前端：3782

启动后打开：

http://127.0.0.1:3782

要求：

• Python >=3.11,<3.14
• PyPI 包 1.5.4 于 2026-07-24 上传
• 完整 Web 应用还需要 Node.js 运行时，README 中文版提到 Node.js 20+，源码开发建议 Node.js 22 LTS

7.2 Docker 安装

docker run --rm --name deeptutor \
  -p 127.0.0.1:3782:3782 \
  -v deeptutor-data:/app/data \
  ghcr.io/hkuds/deeptutor:latest

只需要发布 3782 端口。前端通过容器内 Next.js middleware 把 /api/ 和 /ws/ 转发到 FastAPI 后端。数据、配置、API Key、日志、工作区文件、记忆和知识库保存在 deeptutor-data。

7.3 源码安装

git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
python3 -m venv .venv && source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -e .
( cd web && npm ci --legacy-peer-deps )
deeptutor init
deeptutor start

7.4 CLI 使用

deeptutor chat
deeptutor chat --capability deep_solve --kb my-kb --tool rag
deeptutor run chat "解释傅里叶变换"
deeptutor run deep_research "调研 2026 年 RAG 论文" \
  --config mode=report --config depth=standard

机器可读模式：

deeptutor run deep_solve "Find d/dx[sin(x^2)]" --tool reason --format json

--format json 输出 NDJSON，适合被其他 Agent 或自动化系统调用。

8. 部署和集成方式

8.1 单用户本地学习空间

默认认证关闭，适合个人学习、老师备课、开发者试用。数据放在当前工作目录的 data/ 下，也可以用 DEEPTUTOR_HOME 或 deeptutor start --home 指定。

8.2 Docker 自托管

适合学校/机构内部试点。容器里同时运行 FastAPI backend 和 Next.js frontend，数据目录挂载到宿主机。常见反向代理只需代理前端 3782，API 由前端服务端转发。

8.3 多用户共享部署

DeepTutor 支持可选认证和隔离工作区：

data/
├── user/                    # 管理员工作区 + 全局设置
├── users//             # 每个用户的聊天历史、记忆、笔记本、知识库
├── partners//workspace/ # Partner 工作区
└── system/                  # auth/users.json、grants、audit

第一个注册用户成为管理员，可分配模型、知识库、技能、Partner、工具/MCP 策略和代码执行权限。对教育客户来说，这意味着可以按班级、老师、学生进行隔离和授权。但多用户部署仍需要严格验证权限模型和数据隔离。

8.4 模型和知识库集成

模型层面支持多 provider，包括 OpenAI、Anthropic、DashScope、Perplexity、NVIDIA NIM、Gemini、本地 Ollama/LM Studio/llama.cpp/vLLM/Lemonade 等相关方向。具体支持随版本变化，PoC 时应以 Settings → Models 的实际可配置项为准。

知识库层面可连接：

• 文档上传。
• LlamaIndex 本地向量 + BM25。
• PageIndex。
• GraphRAG。
• LightRAG / LightRAG Server。
• Obsidian vault。
• 不同文档解析引擎。

9. 售前可以怎么讲

9.1 推荐开场

DeepTutor 不是单点 AI 答题机器人，而是一个围绕学习者持续上下文构建的 AI 学习工作空间。它把答疑、解题、测验、研究、课件生成、知识库、学习记忆和多渠道助教放在一个 agent-native runtime 里，让 AI 不只是回答一次问题，而是持续理解一个学生、一本教材、一门课程和一个学习目标。

9.2 三个核心卖点

9.3 演示故事线

一个适合教育客户的 30 分钟演示：

1. 创建一个课程知识库，上传 PDF/讲义。
2. 在 Chat 中基于知识库回答学生问题，并展示引用/检索过程。
3. 用 Deep Solve 解一道课程题，要求分步讲解。
4. 用 Deep Question 针对同一知识点生成测验。
5. 把章节材料生成 Book，展示 quiz block、interactive block、page chat。
6. 打开 Memory Graph，说明学习画像如何追溯。
7. 展示 Learning Space 中的题库、笔记本、persona、skill。
8. 展示 Settings 中模型、知识库、工具和多用户控制。

9.4 面向不同客户角色的话术

10. PoC 建议

10.1 PoC 目标

建议把 PoC 定义为：

验证 DeepTutor 是否能作为某门课程/某类培训的 AI 个性化学习空间，实现资料接入、基于知识答疑、题目讲解、练习生成、学习记忆和教师审核闭环。

10.2 PoC 数据准备

10.3 PoC 任务

10.4 评估指标

10.5 PoC 周期

建议 2-4 周：

• 第 1 周：部署、模型配置、知识库导入、核心功能跑通。
• 第 2 周：教师/教研共创测试题和讲解，收集质量反馈。
• 第 3 周：小范围学生试用，观察体验、正确率和个性化。
• 第 4 周：安全、权限、运维、成本和二次开发评估。

11. 风险和注意事项

11.1 教育合规和未成年人数据

如果用于 K12 或未成年人场景，需要重点关注：

• 学生个人信息和学习行为数据。
• 对话内容、错题、能力画像是否可删除。
• 家长/学校是否知情授权。
• 是否调用境外模型 API。
• 是否可以关闭不必要的外部服务。
• 学习画像是否可能造成标签化或歧视性判断。

11.2 LLM 幻觉和教学责任

DeepTutor 能增强学习体验，但不能把 AI 答案当作绝对正确。正式教学中需要：

• 教师审核关键内容。
• 高风险答案保留引用和推理过程。
• 对考试评分、升学建议、心理建议等设置边界。
• 对学生展示“AI 可能出错”的提示。

11.3 部署复杂度

DeepTutor 是一个完整学习平台，不是一个轻量插件。它涉及：

• Python 依赖。
• Next.js 前端。
• FastAPI 后端。
• 多模型配置。
• 嵌入模型和 RAG。
• 文档解析引擎。
• Docker/Podman。
• 多用户权限。
• 可选代码执行沙箱。

售前要避免承诺“一天上线企业级生产”。PoC 可以快，生产化需要工程化。

11.4 代码执行和技能安全

DeepTutor 支持 Office 技能、模型生成代码执行、skills 导入、MCP/工具等能力。这些是强大扩展点，也是安全边界：

• 不可信技能需要审核。
• 代码执行应启用沙箱或 sidecar。
• 多用户部署要限制普通用户工具权限。
• API Key 不应暴露给学生端。
• EduHub/ClawHub 技能导入虽然有安全门，但仍需要机构内部审查。

11.5 项目成熟度

DeepTutor star 增长快、release 密集，但它是快速演进中的开源项目。最新 release v1.5.4 仍在频繁修复聊天响应、IM 表格、LLM JSON 解析、KB 表单等问题。这说明项目活跃，但也意味着接口、体验和部署方式可能变化。

12. 与相邻产品/方案的关系

13. 我的售前判断

DeepTutor 是一个很适合作为“教育 AI 产品蓝图”的开源项目。它的价值不是某一个功能特别新，而是把教育 AI 应该具备的一批能力放进了同一个上下文：课程知识库、学生记忆、题目生成、解题讲解、研究报告、互动书、教师写作、技能生态、IM 助教、多用户隔离和 CLI/Agent 接口。

对售前来说，它尤其适合用在以下方向：

• 智能助教/AI 班主任。
• 个性化学习空间。
• AI 题目讲解与练习生成。
• 教师备课和互动教材生成。
• 企业培训智能学习平台。
• 编程教育 Agent 工作台。

但它更像可自托管的开源平台/产品原型，不是可以直接卖给学校的成熟 SaaS。真正落地时，最关键的是三件事：

1. 课程内容和题库质量要好，否则 AI 只是包装层。
2. 教师审核和教学责任边界要设计清楚。
3. 学生数据、模型调用、权限和代码执行安全要先过合规评审。

如果客户有技术团队、有明确课程资源、有个性化学习诉求，DeepTutor 值得做 PoC。如果客户只是想要一个轻量 AI 问答入口，DeepTutor 可能偏重；可以只借鉴其中 Knowledge Center、Memory、Book、Skills 的设计思路，而不是完整引入。

14. 参考资料

• GitHub 仓库：https://github.com/HKUDS/DeepTutor
• 官方项目页：https://deeptutor.info/
• 官方文档入口：https://deeptutor.info/
• arXiv 论文：https://arxiv.org/abs/2604.26962
• PyPI 包：https://pypi.org/project/deeptutor/
• 最新 Release v1.5.4：https://github.com/HKUDS/DeepTutor/releases/tag/v1.5.4
• 中文 README：https://github.com/HKUDS/DeepTutor/blob/main/assets/README/README_CN.md
• 容器化文档：https://github.com/HKUDS/DeepTutor/blob/main/CONTAINERIZATION.md
• Roadmap：https://github.com/HKUDS/DeepTutor/issues/498
• EduHub：https://eduhub.deeptutor.info/