企业官网建设流程全解析

DeepTutor 使用指南：如何 5 步搭好你的 AI 私人导师

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

你让 AI 讲量子力学，它从头讲起；让它解释同一章的公式，它并不知道你昨晚刚读完前一节。DeepTutor 是一个开源的 AI 个性化教学平台，核心是代理原生架构加三层记忆系统，让 AI 记住你学过什么、卡在哪里。本文从安装到日常使用，带你走一遍完整流程。

从"每次从零开始"到"AI 真的懂你"

大多数对话工具关掉窗口，AI 就忘掉你是谁。对学习者来说，这意味着每次都要重复解释背景；对老师来说，也意味着没法批量跟进每个学生的进度——AI 只是答题机，不是陪跑者。

DeepTutor 反过来处理这件事。它把 AI 定位成一个长期陪跑的导师，系统内部维护一套可编辑的记忆：每一次学习、每一次对话都会沉淀成可以复查的知识，下次进来接着用，而不是重新热身。

架构上，Chat、Quiz、Research、Visualize、Deep Solve、Mastery Path 全部跑在同一个代理循环（Agent Loop）里。切换的是"目标"，不是"另一套系统"，这是它能同时支持 Web、CLI、Python SDK 三种入口的根本原因。


核心功能拆解：一个工作区，四类能力

Chat 工作区：把 6 种教学形态装进同一个框

Chat 是 DeepTutor 的主工作区，底部有一排能力切换按钮，让同一个对话承载不同任务，上下文自动跟随，不用来回搬。

具体例子：问一道微积分题，切到 Deep Solve，它会调用 RAG 或代码工具给出完整推导；切到 Quiz，直接基于上下文生成选择题；再切到 Visualize，就把结论转成可视化。你不需要"新开一个 Quiz 窗口"，只是换个镜头看同一份材料。

三层记忆系统：L1 / L2 / L3 让个性化可编辑

DeepTutor 的记忆分三层：L1 是工作区实时快照，L2 是每个表面（Chat、Book、Co-Writer 等）的结构化事实，L3 是跨表面合成出的学习者画像，每一条结论都能点开看证据链。

具体例子：你今天读了一章 RAG，又在 Chat 里追问了相关公式。L1 记录这两段轨迹，L2 各自抽出事实条目，L3 合成成"该学习者偏好图示、对 Transformer 已掌握"这样的结论。你随时可以点进去删一条、改一条——记忆不是黑盒，是可以直接编辑的工作台。

Knowledge Center：多引擎 RAG 检索层

Knowledge Center 是 DeepTutor 的知识库层，支持 LlamaIndex、PageIndex、GraphRAG、LightRAG 等多种索引引擎，文档解析（PDF / DOCX / Markdown 等）可插拔。

具体例子：把一本科班教材 PDF 上传到 Knowledge Center，指定 LightRAG 索引，问"什么是自注意力机制"时，Chat 会自动从库里拉出对应章节作为引用来源，答案下面带出处，而不是让模型自由发挥。老师上传讲义、学生上传教材，共用同一套索引基础设施。

Book：把对话变成可交互的电子教材

Book 是 DeepTutor 的教材生成器，让 AI 按章节产出可交互的电子书，内嵌 Quiz Card、Mermaid 图、代码块等丰富组件，成品可以直接分发给学生。

具体例子：老师描述"面向新生的 Agentic RAG 入门"主题，DeepTutor 先出目录、再逐章生成，Quiz Card 和代码示例自动嵌入对应段落。生成的书会显示在 Book 列表里，带章节数、预计阅读时长、状态徽标，学生点开就能学。

跟着做一遍：从 clone 到第一堂 AI 课

先准备环境，需要 Python 3.11–3.13 与 Node.js 20+；如果不想本地装依赖，直接走 Docker 官方镜像可以跳过这一步。装好运行时，把代码拉到本地并做可编辑安装：

git clone https://gitcode.com/GitHub_Trending/dee/DeepTutor cd DeepTutor && pip install -e .

安装完成后跑deeptutor init，它会依次询问后端端口（默认 8001）、前端端口（默认 3782）、LLM Provider、Base URL、API Key 与模型名。配置会写到data/user/settings/下的一组 JSON 里，之后随时能在 Web 界面里改，不必动文件。

init 结束就deeptutor start，FastAPI 后端和 Next.js 前端一起拉起来，终端打印前端 URL，浏览器打开即可，Ctrl+C停服务。进Settings → Models确认刚才填的模型能连通；再进 Knowledge Center 上传一份 PDF 教材，等索引跑完，回到 Home 直接问"基于我刚上传的教材解释 XX 概念"。这时 Chat 开始引用知识库作答，后台的 L1 记忆也在同步写入——一次操作同时验证了模型、RAG 和记忆三条通路是否都正常。

不同角色怎么用

👩‍🏫教师：把一门课的教材、讲义、往年题都丢进 Knowledge Center，指定 LightRAG 索引；用 Book 描述主题生成讲义初稿，再进 Co-Writer 精修公式与术语，最后发给学生。学生每节课的对话会沉淀进记忆，你下节课开场就能知道谁卡在哪里。

🧑‍🎓学生：让 Memory 真正跑起来——连续几周的 Chat 和 Book 阅读之后，L3 会形成你自己的画像；错题集中时切到 Mastery Path 做针对性练习，而不是从头刷题。命令行党可以试试deeptutor chat --capability deep_solve --kb my-kb，把 AI 变成终端里的解题器。

🛠️开发者：想加能力别改核心，去 deeptutor/capabilities/ 下新建一个 capability 目录，复用同一个 Agent Loop 就能挂进 Chat 的能力切换栏；外部工具走 MCP 或 CLI Apps 接入，无需自己写路由。

把 DeepTutor 跑起来之后，AI 才第一次有了"记得你"的能力——剩下的部分，交给每天真实的学习。从 clone 一次、deeptutor init一次开始就行。

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