企业官网建设流程全解析

DeepTutor 本地部署指南：三步跑起一台完全离线的 AI 学习助手

【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 是一个开源的 AI 个性化学习工作台，把聊天答疑、知识库检索、协同写作、题库与记忆系统整合在一起。这篇文章讲一件事：如何把它和 Ollama（一个在本机托管开源大模型的运行时）配起来，让所有学习和对话数据都只留在你自己的机器上——一次拉好模型，之后断网也能用。

先想清楚：你到底需不需要"离线"这套方案

云 API 的大模型有三个绕不开的短板：

• 数据出机器：你的笔记、课件、聊天记录都会经过第三方服务；
• 按量计费：学习是高频使用场景，调用费用会持续累积；
• 断网即停摆：没有网络，工具就只剩一个空壳。

如果你的学习材料比较敏感（论文草稿、课程内部资料），或者使用环境网络不稳定，把推理环节挪到本地是很自然的想法。DeepTutor 在这件事上的设计比较到位：它的模型接入层同时支持云端提供商和本地推理引擎，Ollama、LM Studio、llama.cpp、vLLM 都在支持名单里，切换只是在设置里改一个 Base URL 的事。相关实现在 deeptutor/services/llm/local_provider.py。

三步把它跑起来

第一步：装好 DeepTutor 本体

推荐直接用 PyPI 包，需要 Python 3.11–3.13 和 Node.js 20+：

mkdir my-deeptutor && cd my-deeptutor pip install -U deeptutor deeptutor init deeptutor start

deeptutor init会依次问你后端端口（默认 8001）、前端端口（默认 3782）、LLM 提供商与模型；deeptutor start启动后，浏览器打开终端里打印的地址即可，默认是http://127.0.0.1:3782。

如果你更喜欢源码安装（例如要参与开发），把上面换成：

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 --dev

也可以走 Docker 单容器方式，只暴露 3782 一个端口即可，完整说明见 CONTAINERIZATION.md。

第二步：在本机跑起 Ollama

Ollama 可以理解为一个"本地模型服务"：它把开源模型包成 HTTP 服务，DeepTutor 通过 URL 调用它。安装后拉一个模型，比如：

ollama pull wizardlm2:7b

模型大小要匹配硬件。7B 级别一般 8GB 内存就能跑，但要流畅些建议 16GB 起步；显存更紧张时可以选 1B–3B 的轻量模型先体验流程。

第三步：把 DeepTutor 指向本地端点

本地安装时，在Settings → Models里添加一个 Ollama 的 LLM profile：

• Base URL 填http://localhost:11434/v1
• 模型名填你拉下来的名称，如wizardlm2:7b

如果之后还想让知识库具备检索（RAG）能力，需要再配一个 embedding 模型，Ollama 同样支持，端点是http://localhost:11434/api/embed，对接代码在 deeptutor/services/embedding/adapters/ollama.py。

配完保存，回到聊天页发一条消息验证一下：如果回复来自本地模型而不是云端，说明链路已经通了。

跑起来之后，值得上手试的几件事

把资料变成知识库

DeepTutor 的 Knowledge Center 支持多引擎 RAG（LlamaIndex、GraphRAG、LightRAG 等），你可以把 PDF、Word、Markdown 传进去建一个知识库，之后提问时勾选它，回答就会基于你自己的资料并给出引用。

这是离线场景下最实用的能力：教材、论文、笔记全部本地入库，检索和生成都发生在机器内部。

聊天：一个统一的 Agent 循环

Chat 不只是问答。同一个对话里你可以让助手调工具、读附件、查知识库、写笔记，甚至中途咨询一个本地编码 CLI 子代理，上下文在整个回合中保持连续。

Co-Writer：和本地模型一起改稿

写论文、整理笔记时，Co-Writer 面板可以实时协作：它理解上下文、给修改建议、支持 LaTeX 公式。本地模型在长文本编辑上比云端小一档能力，但"改一段、润色一下"这类任务完成度足够。

记忆：个性化是可以看见的

DeepTutor 把记忆分成三层（原始 trace、表层摘要、综合提炼），Memory 页面还有记忆图谱，能追溯每一条"它为什么这样认为你"的依据，而且可以直接编辑。做长期学习助手，这个可解释性比"它记得你"本身更重要。


离线部署避坑清单

1. 容器里的 localhost 不是你的机器：用 Docker 部署时，容器内的localhost指向容器自己。要访问宿主机的 Ollama，需加--add-host=host.docker.internal:host-gateway，然后 Base URL 改成http://host.docker.internal:11434/v1。
2. 响应慢不一定是 Ollama 的问题：先确认模型已经ollama pull完成并加载，再考虑换更小的模型、降低并发。
3. 知识库目录要可写：所有运行时数据（设置、记忆、知识库、笔记）都落在工作目录下的data/user/settings/及相邻工作区里，别把项目放在只读盘上。
4. 端口冲突先看终端输出：deeptutor init允许改端口；被占用时终端会提示实际监听地址，别只盯默认值。
5. 依赖装不全先查 requirements 分类：完整依赖见 requirements/server.txt， Partners 的 IM 通道、Math Animator 等是可选附加项，按需再装，能省不少时间。

它适合谁，不适合谁

适合：学习材料涉密、网络不稳定、想控制长期调用成本、或者对"数据去哪了"有明确顾虑的人。

不太适合：指望本地 7B 模型达到前沿大模型的推理水平——复杂的数学证明、多步代码工程，本地模型仍会明显吃力；这类任务更适合"本地为主 + 云端兜底"的混合用法，DeepTutor 的多 provider 配置天然支持这种切换。

想深入的话，从这里看起

• 系统整体结构：deeptutor/ 下按agents/、services/、knowledge/、partners/分模块，入口在 deeptutor/api/main.py
• 架构总览图：assets/figs/system/system architecture.png
• 本地模型适配层：deeptutor/services/llm/
• 依赖分类：requirements/

离线不等于功能缩水。把模型留在本地、把学习数据留在本地，DeepTutor 给出的是一套完整可落地的路径——上面的三步走完，你的 AI 学习助手就已经和公网没关系了。

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