5分钟搭一个懂你的AI导师：DeepTutor 完整上手指南
【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor
你刚拿到一篇 30 页的论文，deadline 在三天后，而你只读懂了摘要。你问了一晚上通用聊天工具，它答得头头是道，却从不知道你上周已经卡在哪一步。DeepTutor 就是为解决这个困境而生的：它把你的资料、提问、笔记和偏好串成一条线，让 AI 导师真正"跟得上你"。
一句话讲清它是什么
DeepTutor 是一个开源的 AI 学习助理，把资料、提问、笔记、记忆装进同一个工作区。
它和普通聊天工具的区别：对话结束后它不翻篇，而是记住你学过什么、卡在哪里，下次直接接着走。
它靠一条统一的代理循环运转：思考、调用工具、观察结果、再回答，所有学习场景跑的是同一条链路。
30秒上手：装好、启动、问出第一个问题
装好只需三条命令，Python 3.11 以上即可：
mkdir my-deeptutor && cd my-deeptutor pip install -U deeptutor deeptutor initdeeptutor init会依次问你端口、模型提供商、API key。回答完运行deeptutor start，打开终端打印的地址——默认是http://127.0.0.1:3782。
主界面：提问框在中间，功能入口在左侧
到这里应用已经跑起来了，但还不会回答问题——模型档案是空的。去 Settings → Models 填一个 LLM 提供商（OpenAI、Anthropic 或任意兼容接口都行），保存。
最小操作：在提问框里输入"用一句话解释傅里叶变换"，回车。能流式回答出来，这条路径就跑通了。接下来花十分钟做三件事：传一份你的资料、建一个知识库、让它记住一条偏好，AI 导师才真正开始"懂你"。
一次完整交互，它内部做了什么
你问一个问题 → 它检索 → 它组织答案 → 它记住你 → 下次更懂你。下面按这条线走一圈。
问一个问题：它先检索，再动手，最后才回答
提问框下排有 Chat、Quiz、Research、Visualize、Solve、Mastery Path 几个模式。切的是目标，不是引擎——上下文跟着你走，不用重新粘贴背景。
你问完之后，DeepTutor 不急着答。它先想下一步该干什么：要查你的资料，就调用知识库检索；要查实时信息，就抓网页；要推公式，就调用推理工具。每一步做完它看一眼结果，再决定继续查还是收束成回答。
代理循环图：左边是你的输入，右边是流式输出
它还有一个"举手"机制：信息不够时，它可以暂停回合向你提一个澄清问题，而不是硬编一个答案。
所有动作都以事件形式推到界面右侧的活动面板，你随时能看到它调了什么工具、读了哪份文件。
上传第一份资料：建库、选引擎、传文档
知识库就像你的第二大脑：把固定要用的资料（讲义、论文、手册）放进去，之后每个环节都能查它。
进 Knowledge Center 点 Create knowledge base，两条路：Create new 传文档现建索引，Link existing 挂一个别处建好的索引，原地只读不重建。
建库弹窗：引擎四选一，下方直接拖文档
引擎默认是 LlamaIndex，本地向量加 BM25 混合检索，开箱即用。资料之间关系复杂、要跨文档找关联的，选 GraphRAG 或 LightRAG（建索引更费 token）。PageIndex 是托管的推理式检索，需要另填一个 API key。
建完库，回到聊天，用输入框的+把库挂到当前会话。之后你问的每个问题，它都会先来这里翻一遍再开口。
它记得你：学习轨迹存成看得见的文件
它把你的学习轨迹存成三层文件，而不是一个查不了的黑盒向量库：L1 是原始记录，L2 是提炼过的事实，L3 是跨场景的画像——像流水账、分类笔记、个人档案的关系。
L1 每次对话、测验、翻书都留一条只追加的事件日志。L2 按场景把 L1 提炼成一条条可查证的事实。L3 再往上做跨场景的画像和近期状态。
记忆图谱：点任意一条事实，能追到背后的原始事件
你在 Memory 页能看到这张关系图：L3 在中心，L2 事实在中环，L1 事件在最外圈。点任意一条 L2 事实，能一路点到它背后的 L1 事件——它凭什么这么认为你，看得一清二楚。
想让它记住什么，直接在对话里说一句"记住：我偏好先看例子再看公式"就行。
接着写：Co-Writer 只改你选中的那一小段
Co-Writer 是左右两栏的 Markdown 工作区：左边写，右边实时预览，公式和图正常渲染。
它的编辑方式是外科手术式的：选中一段文字，要求改写、扩写或缩写。改动会基于你的知识库或联网证据来生成，并且以 diff 形式等你接受或拒绝——你批准之前，一个字都不会落进正文。
双栏编辑：左侧是论文笔记，右侧是渲染后的效果
草稿写完可以存回笔记本，变成以后每次对话都能调用的上下文。
五个配置最影响体验，讲透三个
其余配置都在设置页（对应data/user/settings/下的 JSON/YAML 文件），改完即时生效。
模型提供商（data/user/settings/model_catalog.json）。改什么：LLM 的 Base URL、API key、模型名。为什么改：不填它，应用就是个空壳。改成什么样：一个能稳定出流的模型即可，本地 Ollama 也行，Base URL 填http://127.0.0.1:11434/v1。
嵌入模型（同上文件里的 embedding 档）。改什么：嵌入服务地址。为什么改：嵌入模型是把文字变成可检索向量的服务，知识库和 RAG 检索全靠它——不配，你传了文档也查不动。改成什么样：本地 Ollama 免费但稍慢，云端提供商快但按量计费。
文档解析引擎（设置页 Knowledge Base 区）。改什么：PDF 的拆解方式。为什么改：默认的纯文本提取遇到扫描件、复杂表格、双栏排版会丢内容。改成什么样：MinerU 或 Docling 能识别图和表，适合论文教材，代价是首次索引更慢。
走一遍完整场景：5 篇论文，变成一本能自测的书
第 1 步，传料。场景：你拿到 5 篇论文，两周后要交一篇综述。去 Knowledge Center 点 Create knowledge base，建一个叫survey的库，引擎用默认 LlamaIndex，把 5 篇 PDF 拖进去，等索引跑完。
建库界面：引擎、库名、首批文档一次填完
第 2 步，提问检索。接下来它会自己干活：回到聊天，+里挂上survey库，问"基于这 5 篇论文，给我三个综述框架候选"。它逐篇检索，给出三个框架，每个都标着来自哪篇的哪一部分。你选定一个，让它展开成大纲。
第 3 步，做成书。然后让它把定稿大纲做成书。它先给章节结构，你过目、增删、确认，才动手编译。出来的不是 PDF 式的死页，而是一本带互动块的书：测验卡、时间线、概念图、可执行代码，每章还能单独提问。
书库页：你的综述书在这里，点开逐章读
做完一章，点章末的测验卡自测；错题自动进题库，下次问同类问题它会照着补。
测验卡：学完一章，当场测
第 4 步，回头看记忆。两周后你打开 Memory 页：quiz 区有做过的测验，chat 区有问过的问题，最中心的 L3 画像已经记下你的偏好——比如"偏好先例子后公式、图论部分较弱"。下次问同类问题，它直接按你的口味组织答案。
记忆总览：学过的东西都有迹可循
四个最容易踩的坑
误区：装完不配模型就直接用。应用装好但没配模型时，它是个空壳：界面能开，提问没有回应。正确做法：先 Settings → Models 配好 LLM 档，再开始任何对话。
误区：传了 PDF，却总回答"没找到相关内容"。多半是没配嵌入模型，或文档解析失败了。正确做法：去知识库面板逐篇看状态，失败的文档可以单独移除，不用删库重建。
误区：扫描件、表格多的 PDF 用默认解析。纯文本提取会把图和表全丢了。正确做法：解析引擎换成 MinerU 或 Docling，重建索引。
误区：把记忆当黑盒。其实 L2、L3 都是明文 Markdown 文件，L1 是逐条追加的日志。正确做法：想改画像，直接打开文件编辑，或让它在对话里更新。
谁该用，谁别用
该用：手里有一摞固定资料、要反复学的人；要基于自己的文档产出笔记、综述、教程的人；想给小团队开一套共用资料、各自隔离的学习环境的人。
别用：只想"问一句答一句"的通用场景，通用聊天工具更省事；不想碰本地环境和 API key 的人——它要本地跑服务，Docker 能省事，但 key 还是得自己出。
下一步
打开终端，跑pip install -U deeptutor，配一个模型，传一份你明天就要用的资料。
它答不上来的时候，你会立刻看出来；答得上来的时候，就留它陪你把这一轮读完。
【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
