从零部署DeepTutor：让AI学习伴侣真正懂你

从零部署DeepTutor：让AI学习伴侣真正懂你

【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor

你收藏夹里那批"必学资料"，是不是已经吃灰半年了？想系统学点东西，却被几十个PDF和课程截图堵在起点，完全不知道从哪一篇开始。这个痛点的解法叫DeepTutor——一个基于Agent原生架构的开源个性化AI学习平台，把智能对话、深度研究、可视化演示、知识库管理整合成一套连贯的学习工作流，既能部署在本地离线运行、保护你的数据隐私，又能按你的节奏持续推进学习计划。下面这份DeepTutor部署教程，就按"装好—聊上—用起来—玩出花样"的顺序，带你把它一步步变成真正的学习伙伴。

三行命令，把它装进你的电脑

先交代一句硬件门槛：DeepTutor需要Python 3.11+和Node.js 18+，这两样准备好之后，其余全是命令的事。打开终端，依次执行：

pip install -U deeptutor deeptutor init deeptutor start

第一行安装核心包；第二行初始化环境，它会一步步询问你端口、LLM提供商和嵌入模型的选择，全程无需手动编辑配置文件；第三行启动服务。稍等几秒，浏览器就会自动打开本地界面——前端默认跑在http://localhost:3782，后端API在8001端口。📦

第一次提问前，先给它"加料"

装好之后你会发现，对话输入栏附近有个不起眼的"+"按钮，它才是打开这座宝库的钥匙。点开它，你能把六类东西临时"喂"进当前对话：上传的PDF课件、过往聊天记录、已连接的AI代理、生成的书籍、学习笔记，甚至题库。


为什么要强调这个细节？因为对AI学习助手来说，问题问得好不如"背景给得足"。同样是问"讲讲Transformer"，你什么都不带，它给的是百科式的通用答案；你把论文PDF和笔记一起丢进去再问，它给的才是贴合你当前进度的讲解。下次提问前，先想想"我手里正好有什么"。

把散落资料养成私人知识库

收藏夹里那堆资料，与其躺在原地吃灰，不如交给DeepTutor整理成知识库。两条命令就能建好：

deeptutor kb create "机器学习笔记" --engine llama-index deeptutor kb add "机器学习笔记" --doc "线性代数教程.pdf"

第一条创建知识库，--engine让你按需选择检索引擎；第二条把学习资料加进去。默认的LlamaIndex开箱即用，本地向量检索即可运行；进阶玩家可以换PageIndex获得带页码引用的检索，或用GraphRAG把资料织成知识图谱，满足不同学习场景。

建好知识库之后，"加料"就升级成了"换水"：对话时直接引用知识库，AI的回答会带上出处，你随时能点回原文验证，而不是对着一段来路不明的生成内容干瞪眼。

一个人学太慢？喊几个AI帮手一起上

遇到啃不动的硬骨头，别自己硬扛。DeepTutor支持多代理协作——你可以把它想象成临时拉起一支学习小组，每个成员各有所长：让Claude Code子代理去跑文献综述，让Codex去啃源码，你在旁边当总指挥、验收结论。

deeptutor partner create --name "claude-code-assistant" --type claude-code

对话时打开代理选择菜单，选好帮手，再设定它最多替你追问几轮，剩下的交给分工去完成。🤝


这套设计对"研究者型学习者"尤其受用：一篇论文、一个开源项目，你不用亲手读完所有源码，AI小组帮你拆解、汇总后再讲给你听。

它记住你学过的，还帮你把笔记变成书

用上一段时间，你会体会到DeepTutor最"反直觉"的设计——记忆。它的记忆分三层：L1像工作台的实时快照，记录你在各模块留下的学习痕迹；L2按主题归纳关键知识点；L3把跨领域的知识串成对你的整体理解。三层叠在一起，就是一张持续生长的学习记忆图谱。🧠

这层记忆的实际好处是：隔了两周再回来问"我之前学到哪了"，它不会一脸茫然，而是翻出进度接着讲。更妙的是Book功能——把学习资料交给它，能生成带章节、练习题和可视化演示的交互式教材：

再配上Co-Writer协同写作区整理Markdown笔记，等于给你的学习配上了"录入—整理—输出"的完整流水线。

本地跑不动？这样调模型最省心

如果电脑配置紧张，核心思路是"能本地就别云端，能轻量就别重型"。使用Ollama跑本地模型时，把data/user/settings/model_catalog.json里的模型配置调成：

{ "llm_provider": "ollama", "llm_model": "llama3", "llm_base_url": "http://localhost:11434/v1", "embedding_provider": "ollama", "embedding_model": "all-minilm" }

想省内存就换更小的模型，比如qwen2.5或mistral；同时降低记忆层的更新频率，避免同时开太多复杂任务。遇到"连不上Ollama"这类问题，九成是服务没起来——先运行ollama serve确认11434端口通畅，再回到DeepTutor重试即可；前端打不开就检查3782端口是否被占用。

现在，轮到你出发了

回看你的成长路线：三行命令完成DeepTutor部署，第一次对话学会"加料"，散落资料进了知识库，AI小组负责攻坚硬骨头，记忆与书籍功能让学习真正沉淀下来。整个过程中没有一步需要你硬啃复杂配置，核心动作只有一个——开始使用。

今天就能做的三件小事：

1. 挑一篇收藏夹里最想啃的资料，建好知识库；
2. 问它一个"结合这份资料"的具体问题；
3. 学完顺手把笔记整理成一本书。

学习的门槛从来不在工具，而在迈出第一步。DeepTutor已经把上路的装备给你备齐了，剩下的路，就由你和这个懂你的AI学习伴侣一起走。

【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor