DeepTutor 上手指南：把解题、研究和写作装进同一个本地 AI 工作台
【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 是一个能装在自己机器上的多智能体学习工作台，解决的是资料分散、问答各说各话、学完就忘的老毛病。它把聊天、解题、出题、深度研究、可视化和学习路径跑在同一条 Agent 循环上，知识库和记忆在所有功能之间共享。适合想在本地搭一套私有化、能持续沉淀的学习系统的人——学生、老师和研究者都适用。
三步把 DeepTutor 跑起来
装完整 Web 版只需要两样运行时：Python 3.11–3.13 和 Node.js 20+，都在 PATH 里即可。最省事的路线是从 PyPI 装，不用克隆仓库：
pip install -U deeptutor deeptutor init # 交互式填端口、LLM 提供商和模型 deeptutor start # 同时起后端和前端，终端会打印访问地址起完之后，在浏览器打开Settings → Models填上 Base URL、API key 和模型名就能用；想接 Ollama 这类本地模型也在这里配。要跑在 Docker 里、或者只装无界面的 CLI 版，细节都在 README.md 的 Get Started 一节。
一道题卡住了，它怎么带你拆
Deep Solve：先列计划，再逐步骤走
Deep Solve（deep_solve）不是一句话丢答案，而是先固化一份解题计划，再一步步往下推；某一步走不通时它带着有限的"重新规划"预算自己调整，不会死循环。你可以给它挂上某个知识库，让它边解边做 RAG 检索，也允许它跑代码去验证中间结果。CLI 里一条deeptutor run deep_solve "..." --kb my-kb就能跑，Web 界面里则是聊天输入框下 More Capabilities 的一个入口。
Mastery Path：带掌握门槛的学习路径
Mastery Path 会按你的知识水平生成一条结构化学习路径，关键是有"硬门槛"：某一类题没答对，就不让你进下一阶段，并用间隔重复把该复习的题排进日程。适合把它当成一个不随你情绪松动的陪练。
想出一份报告或一本小册子
Deep Research：从选题到带引用的报告
给一个主题，Deep Research 先不急着动笔，而是先吐出一份子主题大纲让你确认、修改，然后对每个子块独立跑"思考→调工具→追加→收尾"的循环，最后整合成带引用的报告，每个论点都能回溯到来源。适合写综述、开题前摸清一个方向。
DeepTutor Co-Writer 选中改写界面：左侧 Markdown 编辑，右侧 KaTeX 公式实时渲染
Co-Writer：改哪段说哪段
Co-Writer 是一个双栏 Markdown 工作台，主打"外科手术式"编辑：选中一段让它改写、扩写或压缩，改动会结合知识库或网络证据生成，并先以 diff 形式摆出来，你逐条接受才真正落地，不会被无声替换。
Book：把资料编译成活页书
Book 能把你的知识库、笔记或聊天记录编译成一本"活页书"：先给章节大纲让你审，再编译成类型化内容块（文字、测验、代码、动画、交互 HTML），每页还带独立的 Page Chat。资料更新后可以用deeptutor book health检查页面是否已经偏离源知识。
DeepTutor Book 把资料编译成可交互的活页书，章节支持测验与动画块
学过的知识，别再散在聊天记录里
Knowledge Center：多引擎知识库
知识库是所有功能的"地基"——它支撑聊天、Co-Writer 改写、Book 生成和深度研究。这里能选检索引擎：默认的 LlamaIndex（本地向量 + BM25）、GraphRAG、LightRAG、PageIndex，或直接挂一个 Obsidian 仓库原地读写。重建索引会写进新的version-N目录，不会毁掉正在用的那份；单个解析失败的文档也能单独删掉。
DeepTutor Knowledge Center 多知识库管理与文档索引界面
Memory：可追溯的三层记忆
Memory 是文件式的三层结构，不是藏起来的向量库：L1 是带时间的事件轨迹，L2 是按功能整理的沉淀事实，L3 是跨功能的综合画像，且 L3 引用 L2、L2 引用 L1——每一条结论都能一路追到原始事件。Memory Graph 把这层引用关系画成图，方便你审计"它到底凭什么这么认为我"。
这些功能背后是同一条 Agent 循环
上面看似各做各事，其实解题、出题、引导学习都建在同一个AgenticChatPipeline上：模型按"思考→行动→调工具→观察→回应"的循环跑，需要时调 RAG、读记忆、跑代码、问用户，最后用一条不带工具调用的消息收束。各能力的实现就分散在 deeptutor/capabilities/ 目录里，想看某个流程具体怎么编排，直接翻对应的capability.py比读文档更快。
DeepTutor AgenticChatPipeline 的五步循环：Think、Act、Call Tool、Observe、Respond
想继续深入，官方文档站和仓库内 CONTRIBUTING.md 讲了怎么提 roadmap、怎么上手贡献；觉得这套本地学习工作台省了事，顺手给项目点个 Star 就是对持续迭代最直接的鼓励。
【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
