企业官网建设流程全解析

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 – 3.13
• Node.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://127.0.0.1:3782（init 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:latest

Docker 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