港大DeepTutor：基于多智能体架构的AI学习助手如何实现个性化辅导？

你有没有发现，市面上绝大多数 AI 学习工具，其实都在重复同一件事？

把你的问题扔给大模型，然后把答案返回给你。

包括很多打着“AI 辅导”旗号的产品，本质上也不过是一个包装了用户界面的 ChatGPT 套壳应用。它不记得你上次聊了什么，不知道你哪个知识点薄弱，更不会主动追问“这道题你是真的懂了，还是仅仅看懂了答案”。

真正的个性化辅导，远非如此简单。

由港大数据科学实验室（HKUDS）开发的 DeepTutor，是近期一个在认真探索这个方向的开源项目。它在 GitHub 上已积累了超过 18,000 个星标和 2,400 多次复刻，去年底正式开源，今年 4 月刚发布 v1.1.0 版本，更新节奏相当活跃。

它的核心逻辑并非“一个对话框解决所有问题”，而是采用多智能体架构，将学习过程拆解为几个真实发生的环节，并交由不同的智能体（Agent）来协同完成。

五种模式，覆盖学习的完整链路

DeepTutor 在同一个对话线程中集成了五种工作模式，用户可以根据需要无缝切换：

Chat： 基础的问答模式，是交互的起点。

Deep Solve： 遇到真正困难的题目时，可切换到此模式。它会激活多个智能体进行协同推理，不仅提供答案，还会拆解解题思路、标注关键步骤。对于数学、编程、物理等需要多步推导的学科内容特别有效。

Quiz Generation： 学完一个知识点后，可以让它基于你上传的学习材料生成练习题。题目具有去重机制，防止重复刷题。从 v1.0.3 版本开始新增的 Question Notebook 功能，可以统一归档并分类管理所有练习记录。

Deep Research： 更接近“学术调研”模式，针对特定主题展开深度检索和综合分析，适合需要系统性理解某个领域的场景。

Math Animator（v1.0.1 新增）： 这是一个颇具亮点的功能——将数学推导过程用动态可视化的方式呈现出来，通过 Chart.js/SVG 渲染管线输出。数学表达式支持 LaTeX 解析。对于理工科背景的学习者而言，许多抽象概念通过可视化能获得更直观的理解。

这五种模式共享同一个上下文，无需重新开启对话窗口。从聊天切换到出题，再切换到深度研究，所有的历史记录和上下文都会完整保留。

TutorBot：具备成长性的 AI 家教

这是 DeepTutor 中设计理念最具前瞻性的部分。

TutorBot 不仅仅是一个聊天机器人，它是一个具备独立人格、持久记忆且可定制技能的 AI 导师。每个 TutorBot 拥有自己的工作区，记录你学习过的内容、学习方式以及进度。它可以设置学习提醒，学习新技能，甚至能随着你的知识增长而“进化”。其底层运行在 HKUDS 自研的 nanobot 框架上。

这呼应了一个经典的教育学观点：优秀的老师不仅是知识的传授者，更是了解你认知状态的人。

许多 AI 家教未能成功，其根本原因往往不在于它不够“聪明”，而在于它对你一无所知。每次对话都从零开始，这种“失忆型辅导”根本无法实现真正的个性化。DeepTutor 的持久记忆机制贯穿所有功能模块和 TutorBot，理论上会随着你的使用而越来越理解你。当然，在工程上完全实现这一愿景仍有很长的路要走，但其方向无疑是正确的。

AI Co-Writer 与 Guided Learning

除了解题，DeepTutor 还有两个值得一提的辅助能力：

AI Co-Writer： 一个集成的 Markdown 编辑器，你可以选中文本让 AI 进行改写、扩写或总结。关键之处在于，它会调用你个人的知识库和网络检索结果，而非仅仅依赖通用大模型的泛泛输出。如果你习惯通过写作来整理和深化学习，这个功能会非常顺手。

Guided Learning： 将你上传的学习材料自动规划成多步骤的学习路径，为每个知识点生成对应的交互式学习页面。这就像是 AI 为你定制了一套系统性的课程大纲，而非简单地罗列知识清单。

工程细节上的成熟度

一个项目能否真正投入使用，工程细节至关重要。

DeepTutor 支持的主流大语言模型（LLM）提供商相当全面：OpenAI、Anthropic、Gemini、DeepSeek、Qwen、Ollama、LM Studio、vLLM 等。对于国内用户，也支持 SiliconFlow、月之暗面、阶跃星辰等，并提供了专门的 .env.example_CN 配置文件示例。

部署方式上，支持 Docker 一键部署，也提供了引导式安装脚本 start_tour.py，能以交互式的方式引导用户完成环境配置、LLM 连接测试和启动流程，对不熟悉命令行的用户较为友好。

此外，项目还提供了一个命令行接口（CLI）——所有功能都可以通过终端命令调用。更有趣的是，它支持通过 SKILL.md 文件让其他 AI 智能体自主操作 DeepTutor，这相当于为“多系统协作”提供了一个初步的接口。

如何判断它是否适合你？

DeepTutor 现阶段最适合的应用场景：

• 有具体学习材料需要消化： 上传 PDF、Markdown 等文件构建个人知识库，然后围绕这些材料使用多种模式进行深度学习。
• 理工科学习： Deep Solve 和 Math Animator 模式对数理推导和可视化的支持最为突出。
• 具备自部署能力： 需要自行配置 LLM 服务，有一定的技术门槛；如果使用 Ollama 在本地运行，则数据可以完全保留在本地。

它可能不太适合的场景：

• 如果只是想偶尔问几个问题，直接使用 ChatGPT 等通用聊天工具可能更便捷。
• 如果完全不想配置技术环境，目前它尚未提供完全图形化的“傻瓜式”安装包。

DeepTutor 并非完美无缺，但它所坚持的方向是清晰且认真的——它真正在尝试解决“AI 学习助手一直以来对你一无所知”这个根本性问题。对于希望探索下一代个性化 AI 教育工具的开发者和学习者，这个来自港大的开源项目无疑是一个值得深入研究的 开源实战 案例。如果你对这类 人工智能 应用的具体实现和 技术文档 感兴趣，不妨前往其 GitHub 仓库一探究竟。