DeepTutor：AI 个性化辅导学习工作区，三步本地跑起来-平芜编程栈

DeepTutor：AI 个性化辅导学习工作区，三步本地跑起来

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

DeepTutor 是一个可自托管的 AI 辅导学习系统，把答疑、个人知识库 RAG、出题、协写和学习记忆放进同一个智能体循环，免费开源、数据留在本地。适合想用自己的教材和模型搭建私人导师的个人学习者，以及想把 AI 辅导接进工作流的开发者。

🧭 项目定位：一个 agent 原生的辅导系统

DeepTutor 官方给自己的定义是 agent-native learning workspace：答疑、出题、深度研究、可视化、掌握度练习都跑在同一个 agent 运行时上，知识库、活页书、协写草稿、笔记本和记忆在所有流程间共享，而不是散落在各个孤立工具里。

它适合两类人。第一类是想自己掌控教材数据、自选模型服务、不依赖云端账号的学习者，整个系统可以跑在本地或自己服务器上的 Docker 容器里。第二类是希望把 AI 辅导当成"工具"接进自己 Agent 管线的开发者，它的 CLI 专为被程序驱动而设计。

不适合的人群也明确：想要开箱即用的托管 SaaS、不愿配置模型服务的用户，或者只需要单一问答功能的场景，它的体量会显得偏重。

主界面截图：聊天工作区居中，侧边栏汇总知识库、学习空间、记忆、设置等全部入口

⚙️ 核心能力：五个模块撑起学习闭环

统一智能体循环

Chat、Quiz、Research、Visualize、Deep Solve、Mastery Path 六种模式共用同一套 agent 循环，切换的是目标而不是引擎，上下文跟着学习者走。一个聊天线程里既能正常对话、调用工具、读附件、生成图片，也能在模型拿不准时通过 ask_user 暂停对话、结构化地追问再继续。

多引擎知识库

这是它和常见 RAG 应用差异最大的一点。知识库管理支持多种检索引擎：LlamaIndex（默认，本地向量 + BM25）、PageIndex（带页面级引用的推理式检索）、GraphRAG 与 LightRAG（知识图谱路线）、LightRAG Server，以及直接链接一个 Obsidian 库。每个知识库绑定一个引擎；重建索引时写入新的 version-N 目录、保留旧版，索引永远不会在重建中途被毁掉；一张解析失败的文档也能单独删除，不必推倒整个库重建。解析引擎可在设置里切换（Text-only、MinerU、Docling、markitdown、PyMuPDF4LLM）。

活页书 Book

Book 引擎把选定的知识源——知识库、笔记本、题库甚至聊天记录——编译成交互式"活页书"。生成前先给出章节大纲供确认，不是盲目一次性输出；每章由文字、提示框、测验、闪卡、代码、动画、概念图等类型化块组成，块可以单独插入、移动、换类型，每页还带独立的 Page Chat。

协写 Co-Writer

协写模块是双栏 Markdown 工作区，主打"外科手术式编辑"：选中一段文字，要求改写、扩写或缩写，AI 可以基于知识库或网络证据修改，并把每次改动以 diff 形式交给你逐条接受或拒绝——不批准就不会落盘。文档自动保存，数学公式和图表实时渲染。

三层可审计记忆

个性化画像不是藏在向量库里的黑盒，而是可读、可编辑的文件：L1 是只追加的事件轨迹，L2 是按领域整理的事实，L3 是跨领域综合。L2 引用 L1、L3 引用 L2，Memory Graph 能把任意一条综合结论一路回溯到最原始的那条事件记录。

DeepTutor 三层记忆系统界面与记忆图谱

记忆界面截图：L1 轨迹、L2 事实、L3 综合三层结构，图谱中心为 L3 综合结论

🚀 快速上手：本地三步跑起来

第一步：装环境

DeepTutor 需要 Python 3.11–3.13 和 Node.js。从源码安装最完整：

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

deeptutor init会依次询问前后端端口（默认 8001/3782）、LLM 提供商、Base URL、API key 和模型名，以及可选的 Embedding 服务。也可以跳过 init 直接启动，事后再到网页 Settings → Models 里补配置。不想折腾源码的话还有三条路：从 PyPI 直接pip install -U deeptutor；Docker 单容器部署，只需对外暴露前端 3782 端口，配置和知识库都会持久化在数据卷里；纯命令行玩家则从 CLI 包安装，deeptutor init --cli后直接deeptutor chat。

第二步：打开主界面

启动成功后浏览器打开 http://127.0.0.1:3782。首次进入建议先确认 Settings 里的模型配置——页面顶部有 Backend、LLM、Embedding、Search 四项实时状态条，LLM 一项变绿说明模型可用。

第三步：绑定一份材料再提问

在 Knowledge Center 上传一份 PDF，等索引构建完成后，在聊天输入框的上下文栏选中这个知识库再提问，回答就会引用你自己的材料。这是看到"个性化"三个字第一个实际效果的最短路径。

四种安装方式怎么选，一张表：

安装方式	包含内容	适合谁
PyPI 包	完整 Web 应用 + CLI	想最快体验、不关心源码
源码安装	完整 Web 应用 + CLI，可改代码	想参与开发或二次定制
Docker 单容器	完整 Web 应用，只映射 3782 端口	想在服务器或 NAS 上长期跑
CLI-only	仅命令行，无 Web 前端	只想把能力接进自己的 Agent

DeepTutor 系统架构图：前端中间件代理到 FastAPI 后端

系统架构图：Next.js 前端经中间件把 /api 与 /ws 请求转发给同机的 FastAPI 后端

架构上值得知道的一点：浏览器只和前端源站说话，Next.js 中间件在服务端把 /api/* 与 /ws/* 转发给 FastAPI 后端。所有配置、知识库、记忆都落在工作区的data/目录里（纯 JSON/YAML），多用户模式下同一个目录同时容纳管理员工作区和按用户隔离的个人空间，认证默认关闭、单用户运行。

💬 真实用法：两种最常见的打开方式

学习者：用个人知识库辅导答疑

一位自学者手上有几十份课程讲义、教材 PDF 和往年真题。他在 Knowledge Center 里新建知识库、上传文档，并在设置里选定解析引擎，等索引完成后回到聊天界面。提问时他选上这个知识库，DeepTutor 通过挂载的 rag 工具从材料里找依据作答，引用可以回溯到具体文档；同一会话里还可以让它基于相同上下文出几道练习题，题目连同他的作答、参考答案和解释一起存进笔记本的题库，之后用来复盘。

知识库界面截图：文档列表、索引状态与检索配置

开发者：把 DeepTutor 接进自己的 Agent 管线

一位开发者在自己的自动化流程里需要解题和检索能力，他在终端里执行deeptutor run deep_solve "Solve x^2 = 4" --tool rag --kb my-kb --format json。每一轮以 NDJSON 事件流返回——content、tool_call、tool_result、done 各占一行，且都带 session_id，拿到 id 就能用--session在同一个会话里继续下一轮；headless 环境下 ask_user 追问不会挂起，没有终端时会自动以空回复解决。仓库根目录附了一份约 150 行的 SKILL.md，说明整套能力面，任何支持工具的 LLM 读一遍就能把 DeepTutor 当成工具来用。