DeepTutor Skill：34.7k Star 的 AI 个性化终身陪学平台

Skill超级捕获手 技术创作者 2026-08-12 13 阅读

DeepTutor 是一个开源的 AI 个性化终身陪学智能体平台，连接答疑、题库、调研、可视化与掌握度追踪于一身。它以单一 Agent 运行时支撑 Chat/Quiz/Research/Visualize/Solve/Mastery Path 等多种模式，上下文随学习者流动，香港大学 Data Intelligence Lab 主导开发，2026 年 4 月 19 日达成 20k stars 仅用 111 天，现已突破 34.7k，是当前教育 AI 领域最炙手可热的开源项目之一。

DeepTutor 的核心设计理念是”一个运行时，多种模式”。Chat、Quiz、Research、Visualize、Solve、Mastery Path 均运行在同一个 Agent 循环之上，用户切换目标时无需切换引擎，学习上下文全程保留。系统内置知识库、图书、Co-Writer 草稿、笔记本、题库、角色和 Memory 机制，所有数据在学习过程中持续可用，而非散落在孤立工具中。

截至 2026 年 8 月 12 日，DeepTutor 在 GitHub 累计获得 34.7k stars、4.4k forks，有 116 位贡献者参与协作，近两日（8 月 10 日）刚发布 v1.5.11 版本，维持着极高的活跃度。该项目曾登上 GitHub Trending 榜单，2026 年 4 月单月增长 10k stars（39 天达成），社区讨论覆盖 Discord、飞书、微信和 GitHub Discussions 多个渠道。

链接

GitHub：https://github.com/HKUDS/DeepTutor

原作者

项目由香港大学 Data Intelligence Lab（HKUDS）主导，核心作者为 Bingxi Zhao（GitHub @pancacake）。他同时是 nanobot、LightRAG、AutoAgent 等多个 HKUDS 开源项目的贡献者。DeepTutor 采用 Apache-2.0 开源许可证，完全开放源代码，社区可通过 GitHub Issues、Discussions 或邮件（bingxizhao39@gmail.com）直接联系团队。

介绍

DeepTutor 起源于香港大学的研究项目，最初名为 TutorBot，定位是”真正有个性化的 AI 终身导师”。与传统 AI 助教工具不同，它不只是一个问答机器人，而是一个完整的 Agent 原生学习工作空间，将答疑、练习、研究、可视化等多个学习环节串联在同一环境中。

平台支持 Subagents 和 Partners 机制：用户可以从任意对话轮次调用一个实时编码 CLI（支持 Claude Code、Codex、Gemini、Kimi、opencode、MiMo），或引入一个持久化的 IM 伴侣协同学习。多引擎知识系统则整合了 LlamaIndex、PageIndex、GraphRAG、LightRAG 或 Obsidian Vault，满足不同场景的 RAG 需求。

此外，DeepTutor 拥有可扩展的工具和 Skills 体系：内置工具、MCP 服务器、CLI 应用、图片/视频/语音生成模型，以及来自 EduHub（项目自有教育专注技能注册中心）的社区 Skills。Skills 采用开放 Agent-Skills 格式（SKILL.md + YAML frontmatter），任何兼容该格式的注册中心均可成为技能来源。

特点

  • Agent 原生统一运行时：Chat/Quiz/Research/Visualize/Solve/Mastery Path 共用同一 Agent 循环，切换模式不丢失上下文
  • 多模型 Partner 与 Subagents：支持 Claude Code、Codex、Gemini、Kimi 等多种编码智能体实时接入，实现”AI 导师 + AI 助手”协同
  • 三层可审查 Memory：L1 追踪、L2 摘要、L3 综合，Memory Graph 将每条知识主张追溯到原始证据，学习过程完全透明
  • 多引擎 RAG 支持：LlamaIndex、PageIndex、GraphRAG、LightRAG、Obsidian Vault 可插拔切换，支持 PDF/PPT/Word 等多格式文档解析
  • EduHub 技能生态：开放的 Agent-Skills 格式， EduHub 为默认 Hub，也可接入 SkillsMP、Smithery 等第三方技能市场
  • 跨平台部署：支持 Docker Compose、本地 pip、Next.js Web 界面、CLI 终端多种安装路径，数据存储于本地 workspace 目录

使用方法

DeepTutor 提供四种安装路径，最推荐的方式：

# 1. 创建工作目录并进入
mkdir deeptutor-workspace && cd deeptutor-workspace

# 2. 安装 DeepTutor
pip install deeptutor

# 3. 初始化工作空间
deeptutor init

# 4. 启动（自动打开浏览器界面）
deeptutor start

若只需 CLI 界面（适合集成进其他 Agent 工作流）：

# 进入交互式 REPL
deeptutor

# 或以结构化 JSON 模式被其他 Agent 调用
deeptutor --json

Skills 安装（以 EduHub 为例）：

deeptutor skills install <skill-name>

支持的 Skills 包括：Math Animator（数学动画生成）、Flashcard Generator（抽认卡生成）、Research Assistant（研究辅助）等，均可在 EduHub（eduhub.deeptutor.info）浏览。

使用场景与人群

  • 学生与自学者：需要个性化答疑、练习生成、知识点掌握追踪，覆盖 K12 到高等教育阶段
  • 教育研究者：利用 DeepTutor 的 Agent 架构做学习行为实验、多模型对比研究
  • 在线教育开发者：将 DeepTutor 的 Skill 生态和 RAG 能力集成到自有平台
  • AI 开发者：将 DeepTutor 作为”AI Tutor + Coding Agent”协同的参考架构，或基于其 Skills 格式构建教育类 Agent

输入与输出案例

案例 1：数学答疑

Input：用户上传一道高等数学习题，请 DeepTutor 解答并生成同类练习题
Process：DeepTutor 调用 Math Solver Agent 理解题意，给出分步解答，再由 Quiz Generator 生成 3 道变式题
Output：详细解答步骤 + 3 道变式题（均附答案解析）

案例 2：论文研究辅助

Input：用户设定研究主题"LLM 在教育场景中的个性化学习路径规划"，请 DeepTutor 帮忙调研
Process：DeepTutor 启动 Research 模式，调用 RAG 搜索 arXiv/论文库，同时利用 Web Search 补充最新进展，生成调研摘要
Output：结构化调研报告，包含背景、方法论、当前进展、开放问题与引用列表

案例 3：记忆追踪与掌握度路径

Input：用户完成一组数学概念的学习，希望 DeepTutor 追踪掌握度并规划复习
Process：DeepTutor 查询 Memory Graph 中该知识点的历史掌握记录，生成 Mastery Path（掌握度路径）
Output：知识点掌握度雷达图 + 个性化复习计划（下次复习时间点 + 推荐练习难度）

GitHub: https://github.com/HKUDS/DeepTutor

评论区

0 条评论

登录后可评论。

Skill超级捕获手 13 阅读