市面上 AI 家教不少，但大多是“问一句、答一句”的聊天框：上次聊到哪了，它不记得；你手里的教材、笔记、错题，它也读不到。想系统学一门课，最后还是得自己在聊天记录、PDF、题库之间来回搬运。
DeepTutor 想解决的正是这个断层：它不是一个聊天机器人，而是一个把辅导、研究、创作和练习连在一起的学习工作台。最近它又一次冲上 GitHub Trending，star 数已经超过 5 万——这个数字本身不说明它适合你，但它至少说明：有很多人和你一样，想要一个能长期陪跑、而不是用完即走的 AI 学习工具。
它是什么
DeepTutor（仓库 HKUDS/DeepTutor）是一个开源的、agent 原生的学习工作台。按 README 的说法，它把多种学习模式放在同一个系统里：Chat（对话）、Quiz（测验）、Research（研究）、Visualize（可视化）、Solve（解题）、Mastery Path（精通路径）、Reading（阅读）等等。这些模式共享会话上下文，但各自保留专门的工作流——也就是说，你在阅读里划的重点，可以自然地变成练习题；研究里查到的资料，可以直接进入你的知识库，而不是每次重开一个新对话从头讲起。
整个工作台分成几个区域：Home 是每天的起点，放着对话、任务板、日历和学习笔记本；Learning 是当前学习空间，放书籍、精通路径、沉浸式阅读和练习；Resources 是可复用的资料库，放聊天记录、收藏、学习日志、题库和知识中心；Partners 和 Personalization 则是跨空间的长期部分，放你的长期伙伴、人设、技能和记忆。
核心亮点
1. 学习不是单次问答，而是一条可以走完的路径。 Mastery Path 会把一个学习目标拆成知识点地图和分主题的对话，每种题型有明确的掌握门槛；Book 功能会把你选定的资料先拟出章节大纲、让你确认结构，再生成可编辑的章节块——文本、测验、闪卡、时间线、代码、概念图都可以插进去，读完还能导出 Markdown。比起“帮我讲讲微积分”，这种方式更像请了一个会备课的老师。
2. 回答带来源，资料可以自己建库。 DeepTutor 支持用 LlamaIndex、PageIndex、GraphRAG 或 LightRAG 建立版本化的知识库，也能接入外部知识源。沉浸式阅读是把文档、网页、视频或音频放在对话旁边，逐页引用、划重点、做笔记，回答能追溯到具体来源。这对学生和研究者很关键：AI 的回答不再是一段无法核查的断言，而是一条可以点回去验证的链条。
3. 记忆是看得见、改得了的。 它的记忆分三层：L1 是原始痕迹，L2 是提炼出的事实，L3 是综合结论，并且可以在记忆图谱里审计每条记忆的证据来源。很多 AI 产品也号称“记得你”，但记忆是个黑盒，记错了你都不知道。DeepTutor 把记忆做成可检查、可编辑的东西，这个设计思路值得所有做个性化 AI 的产品学一学。
4. 能请“外援”，也能长期养一个伙伴。 你可以在对话中实时咨询 Claude Code、Codex、Grok CLI 这类 Agent，导入过往对话；也可以创建有自己记忆、资源和即时通讯渠道的长期 Partner。换句话说，它既是一个学习工具，也是一个可以扩展的 Agent 运行时：人设、社区技能、MCP 服务、CLI 应用、生成模型都能接进来。
5. 更新非常活跃，刚发了 v1.7.1。 截至写稿时，仓库已有 3,512 次提交，最新版 v1.7.1 在 2026 年 11 月 1 日发布，带来了桌面预览、更广的本地化、密码修改、已核对的视频课程，以及 Anki 和日历导出。活跃不等于稳定，但至少意味着你遇到的问题有人在修，功能不是停在某个旧版本上。
截图导览
图 1：DeepTutor 仓库主页——项目名、简介、star 数与许可证一目了然，先确认这就是 HKUDS/DeepTutor 本尊，再往下看。
图 2：学习工作台首页与空间导航——Home、Learning、Resources 的分区方式，是理解这个产品的最快入口。
图 3：对话工作区——一个对话里可以调用工具、查知识库、咨询子 Agent，上下文跨轮次保留。
快速上手
最省事的是 Docker 路径，不需要先装 Python 或 Node.js，一条命令跑起完整 Web 应用：
docker run --rm --name deeptutor -p 127.0.0.1:3782:3782 -v deeptutor-data:/app/data ghcr.io/hkuds/deeptutor:latest
然后打开 http://127.0.0.1:3782 即可。命名卷 deeptutor-data 会保存你的设置和本地数据；只需要 3782 一个端口。
如果你更习惯 Python 生态，可以用 PyPI 安装完整版（需要 Python 3.11–3.14 与 Node.js 20.9+）：
mkdir -p my-deeptutor && cd my-deeptutor python -m pip install -U "deeptutor[full]" deeptutor init deeptutor start
启动后，关键一步是在 Settings → Providers 与 Language models 里配置模型服务商和模型——DeepTutor 本身不自带大模型，模型费用取决于你选的服务商。只想在终端里用的话，核心包也够：pip install deeptutor 后 deeptutor init –cli、deeptutor chat 即可开始对话。
需要提醒的一点是桌面版：目前桌面应用还是预览状态，v1.7.0 正式版并不包含桌面安装包，预览版要从 dev 分支的构建产物里下载（需要 GitHub 登录，且产物 7 天过期）。如果你只是想先试试，Docker 或 PyPI 路径更稳妥，别在桌面预览版上押注主力学习数据。
我的建议
适合谁：正在系统自学一门课、备考、做研究的学生和研究者；手里已经有一堆教材、论文、笔记，希望 AI 能“按我的资料讲、讲完能留下来复用”的人；喜欢折腾开源工具、愿意自己配模型 key 的进阶用户。它的 Book、Mastery Path、题库与 Anki 导出，组合起来确实像一套为长期学习准备的装备，而不是一次性的问答玩具。
不适合谁：只想随手问两句、不想做任何配置的人——DeepTutor 需要你配模型、建知识库，前期投入明显高于打开一个聊天 App；也不适合把学习数据完全托付给它之前不做备份的人：任何自托管工具的第一课都是先确认数据存在哪、怎么导出来。
值不值得试：值得，但建议从 Docker 试用开始。先拿一门你正在学的课做实验：建一个知识库、跑一条精通路径、做一套测验，跑完一个完整闭环再决定要不要把它变成主力工具。只聊两句就下结论，对这类产品不公平；反过来，不试完整闭环就全盘迁移，也同样草率。按 README 的说法，它的目标是“终身个性化辅导”——这个目标很大，值不值得，看的是你愿不愿意给它一个学期的耐心。
相关阅读：本站另一篇 LM Station 文章讲了换机时如何处理 AI 聊天记录与长期记忆，思路可以对照着看：换了新手机，AI 聊天记录和记忆能带走吗？LM Station 长期记忆与多设备用法。
GitHub 仓库：https://github.com/HKUDS/DeepTutor；官网：https://deeptutor.info/
