DeepTutor把 AI 学习助手跑在本地解题、出题、做研究一条龙的完整指南【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor晚上复习到凌晨一道题卡了四十分钟你盯着答案看了三遍还是没弄懂为什么。这时候你缺的可能不是一个更快的问答机器人而是一个愿意展示全部推理过程、并且记得你上次错在哪里的学习伙伴。开源项目 DeepTutor 做的就是这件事一套跑在你自己机器上的 AI 个性化学习助手能分步解题、按你的资料出题、生成带引用的研究报告还能把讲义编译成可交互的活书。它和别的问答机器人差在哪DeepTutor 的 Chat、解题、出题、研究、可视化这些模式不是各自独立的功能按钮而是跑在同一个智能体引擎agent loop上的不同能力。同一个引擎按模型思考 → 调工具 → 看结果 → 继续思考的节奏工作只是每次换的目标不同。这意味着上下文是跟着走的你在 Chat 里刚问完的问题切到出题模式时它仍然知道你在学什么不用重新交代背景。第二个有辨识度的设计是它的记忆系统。很多 AI 助手记得你但说不清是怎么记的。DeepTutor 的 Memory 分三层L1 是原始对话和工具调用的逐条记录L2 是整理后的事实L3 是跨场景的总结。L2 的每一条都引用 L1 的出处L3 又引用 L2所以你可以从任何一条它认为你擅长某件事的结论一路追溯到当初的具体哪次对话。这套数据以文件形式存在本地你能直接打开读、手动改。最后DeepTutor 默认单机单用户运行所有配置、知识库、记忆都落在你的目录里如果多人共用一台服务器开启认证后每个人有独立的 workspace互不可见。难题卡住时解题不再只看最终答案在解题模式下DeepTutor 走的是两步流程。先由 InvestigateAgent 干脏活查你选定的知识库、必要时联网搜索把相关知识点收集齐然后才是分步推导每一步都带着依据你可以追问任何一步的为什么。答案里引用到的内容会标注来源是哪份文档的哪一段而不是凭空给你一个结论。如果题目里涉及公式或几何同一套引擎还能顺手调用可视化能力——画一张图、生成一段代码图表或者用数学动画演示函数变化比干看符号直观得多。想自己出几道自测题Question 模块可以直接基于你指定知识库的内容出题每题带参考答案和解析生成后自动进入你的题库——题库里的每条记录保留你的作答、参考答案和讲解之后能反复引用和检索。更顺手的组合是 Mastery Path它按知识点推进某一类题要答对达到门槛才算掌握没达标的题会被记下来并规划进后续复习。也就是说出题、诊断盲区、安排复习这三件事在同一个流程里串起来了而不是三个割裂的功能。一篇带引用的深度研究报告从论文检索到成文要调研一个主题时Deep Research 会自己拆任务先用 paper_search 查论文、用 web_search 和 web_fetch 补全网上的资料多源信息整合之后输出一份带引用标注的报告如果某部分没查全报告会明确标记不完整而不是假装圆满。成文这一步可以交给 Co-Writer。它是个分屏的 Markdown 编辑器核心玩法是选中一段让它只改这一段——改写、扩写、压缩都可以改动以 diff 形式出现你逐条批准或拒绝不满意就不落盘它还可以接知识库或联网核实改写时有据可依。定稿后能存进笔记下次写作时作为可引用的素材。想把手头的资料变成系统讲义就用 Book 引擎选一个或多个知识库、笔记、题库或聊天记录作为素材先审一章章节提纲再逐页生成。每一页由类型化内容块组成——正文、测验卡片、闪卡、代码、图表、交互 HTML、数学动画——每块都能单独重新生成或换类型不用整章重写每页旁边还挂着一个页内聊天读到哪问到哪。知识库、三层记忆与笔记让资料真正被用起来知识库Knowledge Center是 RAG 的底座Chat、Co-Writer、Book 共用它。每个知识库绑定一种检索引擎默认的 LlamaIndex本地向量 BM25、PageIndex、GraphRAG、LightRAG甚至可以直接链接你的 Obsidian 库原地读写。文档解析器MinerU、Docling、PyMuPDF4LLM 等可插拔重建索引时写新版本目录、旧版本保留解析失败的单篇文档也能直接删除不用推倒重建。Memory就是前文说的三层可追溯记忆配合 Memory Graph 图任何一条综合结论都能点回原始出处它覆盖 chat、quiz、kb、book 等多个场景预算参数在设置页可调。Notebooks负责沉淀解题过程、写作草稿、讲义片段都可以存成带 Markdown 和 LaTeX 公式的笔记之后再被 Chat 和出题功能当作上下文引用。本地部署 DeepTutor从安装到启动系统要求Python 3.11 – 3.13Node.js 20磁盘空间建议预留 5GB 以上依赖较多pip 方式三步完成mkdir -p my-deeptutor cd my-deeptutor pip install -U deeptutor deeptutor init # 依次填端口、LLM provider、API key、模型 deeptutor start # 启动前后端终端保持打开启动后浏览器打开http://127.0.0.1:3782init 时可改端口。如果跳过 init应用会以默认端口启动、模型配置留空之后在网页的 Settings → Models 里补上即可。更喜欢容器的话Docker 方式只需暴露一个端口配置和知识库持久化在命名卷里docker run --rm --name deeptutor \ -p 127.0.0.1:3782:3782 \ -v deeptutor-data:/app/data \ ghcr.io/hkuds/deeptutor:latestDocker 下的网络与反代细节可看仓库内的 CONTAINERIZATION.md。结语建议从最小路径开始建一个知识库、丢进 10 份你自己的资料用 Question 模块出 5 道题你就基本能体会这套资料 → 出题 → 诊断 → 讲义的闭环。跑顺之后再研究 Deep Research 和 Book 引擎体验会平滑很多。仓库内的 deeptutor/ 目录可以对照着读各模块的实现CLI 全部命令见 deeptutor_cli/。【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：把 AI 学习助手跑在本地，解题、出题、做研究一条龙的完整指南
DeepTutor把 AI 学习助手跑在本地解题、出题、做研究一条龙的完整指南【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor晚上复习到凌晨一道题卡了四十分钟你盯着答案看了三遍还是没弄懂为什么。这时候你缺的可能不是一个更快的问答机器人而是一个愿意展示全部推理过程、并且记得你上次错在哪里的学习伙伴。开源项目 DeepTutor 做的就是这件事一套跑在你自己机器上的 AI 个性化学习助手能分步解题、按你的资料出题、生成带引用的研究报告还能把讲义编译成可交互的活书。它和别的问答机器人差在哪DeepTutor 的 Chat、解题、出题、研究、可视化这些模式不是各自独立的功能按钮而是跑在同一个智能体引擎agent loop上的不同能力。同一个引擎按模型思考 → 调工具 → 看结果 → 继续思考的节奏工作只是每次换的目标不同。这意味着上下文是跟着走的你在 Chat 里刚问完的问题切到出题模式时它仍然知道你在学什么不用重新交代背景。第二个有辨识度的设计是它的记忆系统。很多 AI 助手记得你但说不清是怎么记的。DeepTutor 的 Memory 分三层L1 是原始对话和工具调用的逐条记录L2 是整理后的事实L3 是跨场景的总结。L2 的每一条都引用 L1 的出处L3 又引用 L2所以你可以从任何一条它认为你擅长某件事的结论一路追溯到当初的具体哪次对话。这套数据以文件形式存在本地你能直接打开读、手动改。最后DeepTutor 默认单机单用户运行所有配置、知识库、记忆都落在你的目录里如果多人共用一台服务器开启认证后每个人有独立的 workspace互不可见。难题卡住时解题不再只看最终答案在解题模式下DeepTutor 走的是两步流程。先由 InvestigateAgent 干脏活查你选定的知识库、必要时联网搜索把相关知识点收集齐然后才是分步推导每一步都带着依据你可以追问任何一步的为什么。答案里引用到的内容会标注来源是哪份文档的哪一段而不是凭空给你一个结论。如果题目里涉及公式或几何同一套引擎还能顺手调用可视化能力——画一张图、生成一段代码图表或者用数学动画演示函数变化比干看符号直观得多。想自己出几道自测题Question 模块可以直接基于你指定知识库的内容出题每题带参考答案和解析生成后自动进入你的题库——题库里的每条记录保留你的作答、参考答案和讲解之后能反复引用和检索。更顺手的组合是 Mastery Path它按知识点推进某一类题要答对达到门槛才算掌握没达标的题会被记下来并规划进后续复习。也就是说出题、诊断盲区、安排复习这三件事在同一个流程里串起来了而不是三个割裂的功能。一篇带引用的深度研究报告从论文检索到成文要调研一个主题时Deep Research 会自己拆任务先用 paper_search 查论文、用 web_search 和 web_fetch 补全网上的资料多源信息整合之后输出一份带引用标注的报告如果某部分没查全报告会明确标记不完整而不是假装圆满。成文这一步可以交给 Co-Writer。它是个分屏的 Markdown 编辑器核心玩法是选中一段让它只改这一段——改写、扩写、压缩都可以改动以 diff 形式出现你逐条批准或拒绝不满意就不落盘它还可以接知识库或联网核实改写时有据可依。定稿后能存进笔记下次写作时作为可引用的素材。想把手头的资料变成系统讲义就用 Book 引擎选一个或多个知识库、笔记、题库或聊天记录作为素材先审一章章节提纲再逐页生成。每一页由类型化内容块组成——正文、测验卡片、闪卡、代码、图表、交互 HTML、数学动画——每块都能单独重新生成或换类型不用整章重写每页旁边还挂着一个页内聊天读到哪问到哪。知识库、三层记忆与笔记让资料真正被用起来知识库Knowledge Center是 RAG 的底座Chat、Co-Writer、Book 共用它。每个知识库绑定一种检索引擎默认的 LlamaIndex本地向量 BM25、PageIndex、GraphRAG、LightRAG甚至可以直接链接你的 Obsidian 库原地读写。文档解析器MinerU、Docling、PyMuPDF4LLM 等可插拔重建索引时写新版本目录、旧版本保留解析失败的单篇文档也能直接删除不用推倒重建。Memory就是前文说的三层可追溯记忆配合 Memory Graph 图任何一条综合结论都能点回原始出处它覆盖 chat、quiz、kb、book 等多个场景预算参数在设置页可调。Notebooks负责沉淀解题过程、写作草稿、讲义片段都可以存成带 Markdown 和 LaTeX 公式的笔记之后再被 Chat 和出题功能当作上下文引用。本地部署 DeepTutor从安装到启动系统要求Python 3.11 – 3.13Node.js 20磁盘空间建议预留 5GB 以上依赖较多pip 方式三步完成mkdir -p my-deeptutor cd my-deeptutor pip install -U deeptutor deeptutor init # 依次填端口、LLM provider、API key、模型 deeptutor start # 启动前后端终端保持打开启动后浏览器打开http://127.0.0.1:3782init 时可改端口。如果跳过 init应用会以默认端口启动、模型配置留空之后在网页的 Settings → Models 里补上即可。更喜欢容器的话Docker 方式只需暴露一个端口配置和知识库持久化在命名卷里docker run --rm --name deeptutor \ -p 127.0.0.1:3782:3782 \ -v deeptutor-data:/app/data \ ghcr.io/hkuds/deeptutor:latestDocker 下的网络与反代细节可看仓库内的 CONTAINERIZATION.md。结语建议从最小路径开始建一个知识库、丢进 10 份你自己的资料用 Question 模块出 5 道题你就基本能体会这套资料 → 出题 → 诊断 → 讲义的闭环。跑顺之后再研究 Deep Research 和 Book 引擎体验会平滑很多。仓库内的 deeptutor/ 目录可以对照着读各模块的实现CLI 全部命令见 deeptutor_cli/。【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
