DeepTutor

如果你常与教科书、研究论文或技术手册打交道，又希望有一个能真正理解你文档内容、提供分步解答、甚至帮你生成考题或科研思路的 AI 助手——DeepTutor 值得你尝试。

DeepTutor 是一个开源的个人学习智能体系统，专为深度学习、科研探索和知识强化设计。它不依赖 SaaS 服务，所有功能均可本地部署，支持你上传自己的资料库，构建专属知识引擎。

核心能力一览

📚 海量文档知识问答

• 智能知识库：上传 PDF、Markdown 或 TXT 格式的教科书、论文、手册，系统自动解析并构建语义索引。
• 多 Agent 分步求解：采用“分析 + 求解”双循环架构，结合 RAG、网络搜索、论文检索与 Python 代码执行，输出带精确引用的结构化答案。

🎨 交互式学习可视化

• 将复杂算法、定理或流程转化为可视化解释与交互式演示。
• 对话上下文会随你的学习进度动态调整，支持会话级知识追踪，避免重复提问。

🎯 智能练习与考试模拟

• 按需生成练习题：根据当前知识水平，自动生成选择题、填空题、计算题等。
• 真实考试风格模仿：上传往届试卷，AI 可模仿其格式、难度与题型，生成高度仿真的练习题。

🔬 深度研究与想法生成

• 系统性文献综述：自动分解研究主题，跨学科检索、归纳、连接知识节点。
• 发现知识空白：通过跨领域知识融合，提出潜在研究方向，输出结构化科研思路。

技术架构：三层智能体系

DeepTutor 并非简单调用大模型，而是一个模块化、可扩展的本地智能体系统：

• 用户界面层
  简洁的双向交互流程，输出结构化 Markdown，支持实时流式响应。
• 智能 Agent 模块
  多个专业化 Agent 协同工作：
  • Solve Agent：问题分解与验证
  • Research Agent：动态研究调度
  • Guide Agent：个性化学习路径
  • IdeaGen Agent：科研创意生成
• 工具集成层
  • RAG 混合检索（支持 naive 与 hybrid 模式）
  • 实时网络搜索（Perplexity 等）
  • 学术论文数据库接入
  • Python 代码执行沙箱
  • PDF 智能解析（含定理、公式提取）
• 知识与记忆基础
  • 基于嵌入的向量存储（默认使用 text-embedding-3-large，3072 维）
  • 知识图谱（实体-关系映射）
  • 会话记忆系统：保留上下文与引用链，确保逻辑连续性

快速开始：两种部署方式

✅ 推荐：Docker 一键部署（无需配置环境）

git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor

# 复制环境模板
cp .env.example .env
# 编辑 .env，填入你的 LLM 和 Embedding API 密钥

# 启动服务
docker compose up --build -d

服务启动后：

• 前端：http://localhost:3782
• API 文档：http://localhost:8001/docs

支持 Ollama 等本地 LLM 服务，只需在 .env 中将 LLM_BINDING_HOST 指向 http://localhost:11434 即可。

💻 手动安装（适合开发调试）

# 创建虚拟环境（Python 3.10+）
conda create -n deeptutor python=3.10
conda activate deeptutor

# 安装依赖
bash scripts/install_all.sh

# 启动 Web 界面
python scripts/start_web.py

试用预置知识库（可选）

项目提供两个演示知识库：

• 研究论文集：5 篇来自 AI-Researcher、LightRAG 等方向的论文
• 数据科学教科书：8 章，296 页，涵盖深度表示学习

下载后解压至 data/ 目录，启动即用。

注意：演示库使用 text-embedding-3-large，请确保你的嵌入模型维度为 3072。

创建你的知识库

1. 访问 http://localhost:3782/knowledge
2. 点击 “新建知识库”
3. 上传 PDF/MD/TXT 文件
4. 等待后台解析完成（大文件需几分钟）
5. 在任何模块中选择该知识库即可使用

支持增量更新：后续可单独添加新文档，无需重建整个库。

开源与社区

DeepTutor 采用 AGPL-3.0 开源协议，欢迎贡献代码、报告问题或参与讨论。项目已集成 pre-commit 钩子，确保代码风格统一（使用 Ruff + Prettier）。

未来路线图包括：

• 更强的本地 LLM 支持（Ollama、LM Studio）
• RAG 模块重构
• 笔记本个性化交互
• 从想法生成到深度编码（DeepCoding）