DeepTutor 是来自香港大学数据智能实验室的开源项目——一个以 agent-native 架构构建的终身个性化学习伴侣，

我们一直用错了 AI 辅助学习

过去几年，"AI 辅助学习"这个词被滥用到了边界模糊的地步。现实却很简单：大多数工具不过是一个更聪明的搜索框，或者一个能生成习题的文本生成器。你问，它答；你切换标签页，上下文消失，一切归零。

DeepTutor 的出发点是：把这件事彻底做对。 不是用 AI 包装一个搜索引擎，而是构建一个真正意义上的学习伴侣——它记得你，它理解你的知识结构，它能随着你的成长持续进化。

核心主张：

学习不是一次性事件，而是终身过程（Lifelong Personalized Tutoring）。DeepTutor 的一切技术决策，都在为这一理念服务。

这个项目来自香港大学数据智能实验室（HKUDS），完全开源，基于 Apache 2.0 协议。

什么是 Agent-Native 架构？

在解释 DeepTutor 做什么之前，先理解它怎么做到的——这很重要，因为架构决定了上限。

传统 AI 学习工具是"功能叠加"模式：聊天是聊天，做题是做题，搜索是搜索。每个功能各自为政，数据不互通，上下文无法流转。

DeepTutor 的选择完全不同。它把所有功能——Chat、Quiz、Research、Visualize、Solve、Mastery Path——建立在同一个 agent 运行时之上。这意味着：

上下文跨界面流转：你在 Chat 里上传的教材、在 Quiz 里做错的题、在 Co-Writer 里写的笔记——在所有界面里共享，互相感知。工具按需挂载：Agent 会根据任务自动挂载 rag、web_search、reason、write_memory 等工具，而不是让你手动切换。切目标，不切引擎：从聊天切换到深度研究、再切到出题，是同一个引擎在不同模式下运行，而非启动新会话。子智能体协作：可以在对话中途召唤 Claude Code、Codex 等编程 CLI，或自定义 Partner，作为子智能体实时协作。

这不是 UI 层面的整合，而是运行时层面的统一。这是 DeepTutor 与市场上所有同类产品的根本差异。

八个界面，共用一套大脑

打开 DeepTutor，你会看到侧边栏里排列着八个工作台。它们不是相互独立的产品，而是同一套 agent-native runtime 的不同"镜头"：

主页 CHAT —— 你真正使用的 AGENT LOOP

Chat 是最常用的入口。一个对话线程里，你可以正常聊天、调用工具、检索知识库、读取附件、生成图像、咨询子智能体，并把重要信息写入笔记——在跨轮次的同一上下文里完成这一切。Agent 按轮思考：调用工具、观察结果、然后给出不含工具调用的最终回复。需要时，它可以暂停并向你提问，等你确认再继续。

PARTNERS —— 有记忆、有人格的持久伙伴

Partners 是具有独立人格（SOUL.md）、资源库与 IM 渠道的持久伴侣。它的本质是：一个拥有人格和"电话号码"的 Chat。每条来自微信、Telegram、Slack 等 IM 的消息，都会在 Partner 的 workspace 内触发一次完整的 ChatOrchestrator 轮次。Partner 可以读取你的记忆，但只写入自己的私有记忆空间。

三层记忆（MEMORY）——可审计的个性化

这是 DeepTutor 最具差异性的设计之一。大多数 AI 系统的"记忆"是一个不透明的向量数据库，你不知道它记了什么，也无法审计。DeepTutor 的记忆是文件驱动、三层可审计的：

L1 · 事件追踪：所有交互的原始事件流，以 .jsonl 格式逐条追加，永不修改。每一条记忆都能追溯到原始事件。L2 · 表面摘要：按学习场景（chat / quiz / book / kb…）提炼的结构化事实，存为 Markdown，可直接阅读和编辑。L3 · 跨场景综合：在 L2 基础上做跨场景分析，生成个人画像、近期状态、偏好摘要。L3 引用 L2，L2 引用 L1——链路完整，无法伪造。

Memory Graph 把这套三层体系可视化为一张力导向图：L3 居中，L2 中间环，L1 外圈——任意一条综合结论都能点击追溯到背后的原始事件。这是 AI 个性化领域少见的透明度设计。

知识中心与"活页书"：把文档变成伙伴

知识库（Knowledge Base）是 DeepTutor RAG 的底座。它支持五种检索引擎，覆盖从轻量本地到知识图谱的全部场景：

每个知识库绑定一个引擎，支持版本化索引（每次重建写入新的 version-N 目录，原索引保留），支持单文档精确删除，支持多种文档解析引擎（MinerU、Docling、PyMuPDF4LLM 等）。

在知识库之上，Book 模块实现了一个真正意义上的"活页书"编译器：把你的知识库、笔记、对话历史编译成一本可交互的书，而不是静态 PDF。每一章由带类型的内容块组成——文本、Quiz、闪卡、时间线、代码、交互式 HTML、Manim 数学动画、概念图……每页有独立的 Page Chat，任意块可以插入、移动、重新生成或切换类型，而无需重写整章。

关键在于：Book 不是一次性输出，它会"感知"源知识的变化。deeptutor book health命令可以检测知识库是否已经偏离已编译的页面内容，提示你是否需要刷新。

CLI：让另一个 Agent 来驾驶 DeepTutor

DeepTutor 有一个设计理念很少被提及，但极有工程价值：它被设计成可以被另一个 agent 操控。

BASH · 三行上手

# 1. 安装并初始化

pip install -U deeptutor

deeptutor init

# 2. 启动（后端 + 前端一起）

deeptutor start

# 3. 浏览器打开 → 开始使用

# 默认地址：http://127.0.0.1:3782

BASH · CLI 链式调用示例

# 发起深度研究，捕获 session_id

SID=$(deeptutor run deep_research "综述2026年RAG进展" \

--config mode=report --format json \

| jq -r 'select(.type=="done").session_id')

# 在同一 session 下继续：基于报告出题

deeptutor run deep_question "根据上面的报告出3道考题" \

--session "$SID" --format json

repo 根目录还附带了一份约 150 行的 SKILL.md——这是给其他 LLM 读的"接管文档"，Claude Code 和 Codex 遇到它时会自动加载，立刻知道如何驾驶 DeepTutor。这种设计在开源工具里很少见，体现了项目对 agent-native 生态的严肃承诺。

EduHub：技能生态与开放标准

DeepTutor 还在构建一个叫做 EduHub 的技能市场。技能（Skill）是一个包含 SKILL.md（YAML frontmatter + Markdown）的文件夹，描述了某项专业能力的行为规范——苏格拉底式问答导师、闪卡生成器、论文反馈智能体……

技能格式完全开放，任何支持 Agent-Skills 格式的注册表都可以作为来源。DeepTutor 内置 EduHub 和 ClawHub 两个技能源，支持一行命令安装：

BASH · 技能管理

# 搜索社区技能

deeptutor skill search "socratic tutor"

# 安装并验证（通过安全门禁后注册到本地库）

deeptutor skill install socratic-tutor

# 发布你自己的技能

deeptutor skill login

deeptutor skill publish ./my-skill

每次技能安装都经过安全门禁：检查注册表安全评级、防 zip-slip / zip-bomb 提取、白名单后缀校验、清理 always: frontmatter（防止技能强制插入所有 system prompt）、写入 .hub-lock.json 追踪来源与版本。在多用户部署中，技能安装是管理员专属操作，安装后需显式授权才对其他用户可见。

它值得认真对待

DeepTutor 不是又一个"AI 学习助手"。它是一次认真的工程实践：agent-native 运行时、三层可审计记忆、多引擎 RAG、活页书编译器、Partner IM 集成、Skills 生态……每一个模块都有清晰的设计意图，而不是堆砌功能的结果。

当然，它还在快速演进，有些功能还有粗糙的边缘——OpenAI Codex OAuth 仍是实验性的，部分 IM 渠道需要额外依赖，多用户部署的文档仍在完善中。但这些问题都在发布日志里坦诚列出，项目的迭代速度和社区透明度都让人对它的未来有信心。

如果你关注 AI 教育、个性化学习、或者 agent-native 架构的工程实践，DeepTutor 都是一个不应该错过的参照物。它免费，开源，可以本地部署，三行命令跑起来。