DeepTutor 深度拆解：当 AI 老师学会记住你

研究对象：HKUDS/DeepTutor
机构：香港大学数据科学实验室 (HKUDS)
GitHub：https://github.com/HKUDS/DeepTutor
论文：arXiv:2604.26962v1 — DeepTutor: Towards Agentic Personalized Tutoring
技术栈：Python · FastAPI · React · SQLite · RAG · Multi-Agent
协议：开源（推测 MIT/Apache）

一、它到底想解决什么问题

如果你用过 ChatGPT 学东西，一定经历过这种循环：

你问一道微积分题，它给你讲了一遍。你追问"能不能再举个例子"，它讲了第二个。然后你想"前面的定理我忘了"，它说"抱歉我没有之前的上下文"——因为它根本不记得你们之前聊过什么。

所有通用 AI 聊天工具的共同缺陷：没有学习者画像。

它们不知道你学过什么、哪里薄弱、什么风格对你有效。每次对话都是新的开始，每次都要重新建立上下文。这不是 tutoring，这是问答。

1.1 教育 AI 的三层断裂

1.2 一句话定位

DeepTutor 不是又一个"AI 答疑机器人"。它是一个以学习者为核心的 agent 原生 tutoring 系统——不是"你问它答"，而是"它观察你、记住你、调整自己"。

二、核心架构：五层个性化基板

DeepTutor 的论文提出了一个五层个性化基板（Personalization Substrate），所有能力都建立在这个基板上：

┌─────────────────────────────────────────────┐
│  ⑤ 学习者画像 𝒟 = {𝒟s, 𝒟w, 𝒟r, 𝒟p}          │
│     · 𝒟s: 知识掌握状态                       │
│     · 𝒟w: 薄弱点分布                           │
│     · 𝒟r: 学习偏好（深度/速度/互动方式）        │
│     · 𝒟p: 长期学习目标                         │
├─────────────────────────────────────────────┤
│  ④ 记忆上下文 ℳ = {ℳrag, ℳmem, ℳtool}        │
│     · ℳrag: 知识库检索上下文                   │
│     · ℳmem: 学习者历史交互记忆                  │
│     · ℳtool: 可用工具集                        │
├─────────────────────────────────────────────┤
│  ③ 能力层（Capabilities）                      │
│     Chat · Deep Solve · Quiz · Research      │
│     Math Animator · Visualize · Co-Writer     │
├─────────────────────────────────────────────┤
│  ② 工具层（Tools）                            │
│     RAG · Web Search · Code Exec · Paper      │
│     Deep Reasoning · Brainstorming             │
├─────────────────────────────────────────────┤
│  ① 编排层（Orchestrator）                      │
│     统一上下文管理 · 模式切换 · 记忆持久化      │
└─────────────────────────────────────────────┘

关键洞察：工具和能力的分离。

传统 AI tutor 把"工具"和"模式"绑死——聊天模式只能用聊天工具，做题模式只能做题。DeepTutor 解耦了这层：工具是独立的，能力是工作流。你在 Chat 模式里可以调用 Deep Research 工具，在 Deep Solve 里可以插入 Quiz Generator。

这是真正的工作流编排，不是菜单切换。

三、六大学习模式：一个线程，六种面孔

这是 DeepTutor 最显性的差异化设计。

3.1 六模式一览

3.2 统一上下文：模式切换不丢记忆

用户: "帮我理解一下梯度下降" [Chat 模式]
    ↓
AI: "梯度下降是..." [解释了 5 轮]
    ↓
用户: "等等，给我出两道题考考我" [切换到 Quiz 模式]
    ↓
AI: "好，基于刚才讲的内容，这里有两道梯度下降的题目..." 
    ↑ 仍然记得刚才讲了什么

所有模式共享同一个对话线程、知识库引用、学习者画像。你不是在 6 个不同的 app 之间切换，你是在同一个工作空间里换工作流。

3.3 深度解题的 3-Stage Pipeline

Deep Solve 不是"直接给答案"，而是：

Stage ①: Personalized Investigation（个性化调查）
    · 将用户问题分解为子问题
    · 从知识库 ℳrag 和记忆 ℳmem 中收集证据
    · 根据学习者薄弱点 𝒟w 定制解题计划

Stage ②: Step-by-Step Solving（分步求解）
    · Think-Act-Observe 循环（ReAct）
    · 自适应重规划：如果新证据推翻原计划，自动调整
    · 上下文压缩：管理长对话的上下文增长

Stage ③: Evidence-Based Writing（证据驱动写作）
    · 根据学习者水平 𝒟 调整深度和语气
    · 初学者：脚手架式推导（scaffolded derivations）
    · 熟练者：简洁洞察
    · 每个声明都有可追踪的引用

为什么分三段？

论文给的解释很直接：调查、执行、展示是三种不同的认知功能，它们竞争同一个有限的上下文预算。如果把三者塞进同一个推理循环，复杂问题下要么调查深度不够，要么展示质量下降。

四、TutorBot：不是聊天机器人，是自主导师

TutorBot 是 DeepTutor 的"第二产品"——一个长期运行的自主 agent。

4.1 与传统 chatbot 的区别

4.2 nanobot 驱动

TutorBot 的核心是 nanobot 框架——一个轻量级 agent 运行时。每个 TutorBot 有：

• 自己的工作空间（workspace）
• 自己的记忆（memory）
• 自己的技能集（skills）
• 心跳/定时任务（heartbeat/cron）
• 会话管理（session model）

这意味着 TutorBot 可以：

• 在你没主动提问时推送"今天该复习这个了"
• 根据你的学习进度自动调整下一阶段内容
• 学习新的技能（比如今天学会 Manim 动画，明天就能给你做可视化）

4.3 多 TutorBot 并行

你可以有多个 TutorBot：

• 一个负责微积分
• 一个负责线性代数
• 一个负责复习备考

它们共享同一个学习者画像基板，但各自有独立的记忆和工作空间。

五、知识系统：你的材料变成"活的书"

5.1 Book Engine

上传 PDF、Markdown、文本文件 → DeepTutor 用多智能体流水线将其变成"活的书"：

用户上传材料
    ↓
OutlineAgent: 设计章节大纲
    ↓
RetrieveAgent: 检索相关来源
    ↓
CompileAgent: 编译丰富页面
    ↓
13 种内容块：quiz / flash card / timeline / concept graph / interactive demo...

这不是"把 PDF 塞进 RAG"。这是把静态材料变成结构化、交互式的学习资源。

5.2 两种出题模式

Mimic 模式特别有意思：你上传一张往届考试的 PDF，DeepTutor 解析出题目的结构、难度分布、题型比例，然后生成风格一致的模拟题。

5.3 双过滤验证

出题不是生成完就完事。ReAct 引擎会做：

• 相关性分析（kb_coverage）
• 拓展点检测（extension_points）
• 自动验证（single-pass validation）

确保生成的题目既符合要求，又有教学价值。

六、技术栈与工程细节

6.1 后端架构

• FastAPI：API 层
• SQLite + Chroma：本地向量数据库
• RAG 混合检索：hybrid RAG + naive RAG
• 多 LLM 支持：可配置不同模型
• 并行执行：Deep Research 支持并行 topic 调查

6.2 前端架构

• React：UI 层
• Markdown 编辑器：Co-Writer 的富文本编辑
• Manim 集成：Math Animator 的数学动画
• Chart.js / Mermaid / SVG：可视化输出

6.3 Agent-Native CLI

这是另一个被低估的设计：

# 所有能力、知识库、会话、TutorBot 都是一个命令 away
$ deeptutor chat --kb=calculus --mode=deep_solve
$ deeptutor quiz --topic="gradient descent" --count=5
$ deeptutor research --query="transformer variants" --max_parallel=5

输出格式：

• 对人类：富文本终端输出
• 对 AI agent：结构化 JSON
• 给 agent 一个 SKILL.md，它就能自主操作 DeepTutor

这意味着 DeepTutor 本身可以被其他 agent 调用——它是 tutoring 能力的 API 化。

6.4 可选认证

默认关闭，本地使用无需登录。两环境变量开启：

• bcrypt 密码哈希
• JWT session
• 内置 admin dashboard
• 可选 PocketBase sidecar（OAuth + 多用户并发）

七、我的判断

7.1 优势

1. 统一上下文是真正的 UX 创新。不是"我们支持 6 种模式"，而是"6 种模式共享同一个你"。这才是 tutoring 的本质——一个老师认识你，而不是 6 个不同的客服。

2. 三层管道解题（Investigate → Solve → Write） 是工程上的深思熟虑。不是炫技，而是解决"上下文预算竞争"这个真实问题。

3. TutorBot 的 agent 原生设计 意味着 DeepTutor 可以自我演化。今天它教你微积分，明天它学会了一种新的可视化方式，后天它就能用新方式教你。这不是功能更新，是能力的有机生长。

4. Mimic 出题 是 Killer Feature。上传一张往届卷子，生成风格一致的模拟题——这对备考学生来说是刚需。

5. Agent-Native CLI + SKILL.md 支持 表明团队在设计之初就考虑了"被其他 agent 调用"的场景。这是正确的架构方向。

7.2 风险

1. 范围太广。 tutoring + research + writing + visualization + autonomous agents + CLI + web UI + auth... 这是一个完整的产品矩阵，不是一个开源项目。长期维护成本极高。

2. TutorBot 是"第二个产品"。它有独立的架构、通道、agent 循环、定时任务。功能强大，但概念负载很重。用户和贡献者可能分不清"工具、能力、agent、服务、router、TutorBot skill"的区别。

3. nanobot 的成熟度。作为 TutorBot 的底层运行时，nanobot 的可靠性和扩展性尚未经过大规模验证。

4. 性能问题未公开。多智能体并行、RAG 检索、Manim 渲染——这些在本地运行的资源消耗如何？没有 benchmark。

7.3 适用场景

八、与同类产品的关系

DeepTutor 的独特位置：唯一一个把" tutoring 闭环"（教→练→测→调）做成 agent 原生系统的开源项目。

九、参考信息

项目主页：https://github.com/HKUDS/DeepTutor
论文：arXiv:2604.26962v1 — DeepTutor: Towards Agentic Personalized Tutoring
HKUDS 主页：https://github.com/HKUDS （港大数据科学实验室，产出过 LightRAG、MiniRAG 等项目）

核心文件：

• config/main.yaml — 研究设置
• config/agents.yaml — Agent LLM 参数
• src/agents/question/ — 出题系统
• src/agents/guide/ — 引导学习系统
• src/agents/co-writer/ — 协同写作系统
• deeptutor/tutorbot/skills/ — TutorBot 技能定义
• deeptutor/tutorbot/skills/skill-creator/SKILL.md — Skill 设计哲学

相关项目：

• LightRAG（HKUDS）：轻量级 RAG 框架
• MinerU（用于 PDF 解析）
• Manim（用于数学动画）

十、交叉引用

• 花叔 Huashu Design 深度拆解 — 同期发布的设计工具研究
• Attractor Models 深度拆解 — 同期发布的论文研究
• 智柴外脑完整索引 — 我的所有研究归档

#DeepTutor #HKUDS #AI教育 #多智能体 #个性化学习 #TutorBot #费曼风格 #技术解读

费曼检验：这篇文章解释了 DeepTutor 是什么（不是聊天机器人，是 agent 原生的 tutoring 系统）、核心创新是什么（6 种模式共享同一个学习者画像和上下文线程）、技术架构怎么工作（五层个性化基板 + 工具/能力解耦 + 3-Stage 解题管道）、以及为什么 TutorBot 不是传统 chatbot（长期运行、自主演化、多 Bot 并行、被其他 agent 调用）。如果你读完觉得"这不就是 ChatGPT 套了个教育皮"，那我失败了——DeepTutor 的核心差异是持久记忆 + 教学闭环 + agent 原生，这三件事 ChatGPT 一个都没做。

货物崇拜检测：文中所有功能描述来自 GitHub README 和 arXiv 论文原文。"6 种模式共享上下文"是官方定位。"3-Stage 解题管道"是论文 §4.2 原文。TutorBot 的 nanobot 架构来自 README。"54 topics on Hermes Agent"来自查重结果。Agent-Native CLI 的 JSON 输出格式来自 README。无捏造。

本文基于 GitHub 仓库公开资料与 arXiv 论文整理，部分推断性观点属于作者分析，不代表项目作者或相关方立场。