DeepTutor
苏格拉底式 AI 导师：通过多 Agent 协同引导学习者自主推导答案，而非直接给结果
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
苏格拉底式 AI 导师：通过多 Agent 协同引导学习者自主推导答案，而非直接给结果
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你在深夜备战考试，面前堆满了枯燥的知识点，而身边没有老师可以请教。传统 AI 助手只能机械地回答问题，无法理解你的知识盲区，更无法像一位真正了解你的导师那样，引导你一步步建立完整的知识体系。
DeepTutor 正是为解决这个痛点而生——它是由香港大学数据科学实验室（HKUDS）打造的“智能体原生”个性化辅导框架。不同于普通的 AI 对话工具，DeepTutor 真正模拟了一位持久型 AI 导师的行为模式：它能记住你的学习历史、理解你的知识缺口，并动态调整教学策略，引导你自己推导出答案，而非直接喂给你结果。
这种“苏格拉底式引导”（Socratic Method）的核心理念，源自古希腊哲学家苏格拉底的产婆术——不直接给答案，而是通过提问让学习者自己发现真理。DeepTutor 将这一理念工程化为可量产的 AI 导师系统，在 arXiv 论文 2604.26962 中有详细介绍，其开源版本已获得超过 24,000 颗 GitHub Stars，成为 AI 教育领域最受关注的开源项目之一。
图1：DeepTutor 产品界面
DeepTutor 的架构设计体现了现代 AI Agent 的最佳实践。整个系统由三大支柱组成：
1. Multi-Agent 协同引擎
DeepTutor 的核心是一个多智能体协作系统，不同的 Agent 承担不同的教学角色。例如，Deep Research Agent 负责深度探索知识领域，Deep Solve Agent 专注于分步解题引导，Question Agent 负责生成高质量测试题。多 Agent 之间通过共享的记忆图谱（Memory Graph）进行信息同步，确保整个辅导过程的一致性。
这种设计借鉴了人类教学中的“因材施教”理念——不同类型的问题需要不同风格的引导方式，而非一个通用的大模型打天下。v1.4.0 版本更是将所有聊天能力重建于单一智能体引擎之上，同时保留了多 Agent 的协调能力。
2. 三层记忆系统（Memory）
DeepTutor 的记忆系统分为三个层级，这是它区别于其他 AI 辅导工具的关键创新：
这三个层级的记忆协同工作，使 DeepTutor 能够真正“认识”一个学习者，而不是每次会话都从零开始。
3. LlamaIndex RAG 知识增强
在 v1.4.0 中，DeepTutor 全面切换至 LlamaIndex 作为 RAG（检索增强生成）引擎。用户可以将自己的教材、笔记、论文导入个人知识库，DeepTutor 会基于这些资料进行精准的辅导，而非依赖通用的知识盲答。
这种“私有知识库 + 专业导师”的组合，解决了通用大模型在垂直领域一本正经胡说八道的问题——辅导内容始终锚定在用户提供的真实资料上。
| 功能模块 | 说明 |
|---|---|
| TutorBot | 持久型自主 AI 导师，基于多 Agent 协同，支持 Zulip、NVIDIA NIM 等多种集成 |
| Chat | 对话式学习入口，支持附件上传（PDF/DOCX/XLSX/PPTX/TXT/MD） |
| Knowledge | 个人知识库管理，支持版本化索引、嵌入端点自动发现 |
| Book | 教材阅读与聊天，打通阅读材料与辅导过程 |
| Co-Writer | AI 协作写作，从辅导延伸到创作 |
| Space | Agent 工具集成的统一入口 |
| Memory | 三层记忆可视化与管理工作台 |
| CLI | 命令行界面，适合开发者快速调用 |
Deep Solve 模式是 DeepTutor 的杀手级功能。当你遇到复杂问题时，它不会直接给出答案，而是拆解问题、引导你一步步接近答案。这特别适合数学、物理、编程等需要逻辑推理的科目——真正做到了授人以渔。
除了对话辅导，DeepTutor 还内置了 Co-Writer（AI 协作写作）、Book（教材阅读）、Knowledge（知识库管理）等完整工具链，覆盖了从学习到应用的完整闭环。用户上传一份教材，DeepTutor 可以帮你理解内容、测试掌握程度、到最终完成相关写作任务。
DeepTutor 提供了完整的多阶段 Dockerfile 和 docker-compose.yml，支持一键启动整个系统：
git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor
docker compose up -d
启动后，系统会启动三个服务：
pip install -e .
deeptutor init
deeptutor start
DeepTutor 本身不需要 GPU——它通过调用外部 LLM API（OpenAI GPT、Anthropic Claude、本地 Ollama/LM Studio 等）完成推理。因此可以在普通电脑上运行，但需要有效的 API Key。推荐配置：4GB+ 内存、5GB+ 磁盘空间。
1. API 成本依赖：DeepTutor 依赖外部 LLM API，每次辅导会话都会产生 Token 消耗。虽然支持本地部署 Ollama/LM Studio 完全免费使用，但配置门槛有所提高。
2. 知识边界：RAG 系统的质量高度依赖知识库的完整性。如果上传的资料本身有误或过于简陋，辅导效果会大打折扣。用户需要花时间精心构建个人知识库。
3. 多用户部署复杂度：v1.3.8+ 才引入多用户支持，需要配置 PocketBase 等认证服务，对于个人用户来说上手门槛有所提高。
4. 学科适用范围：Deep Solve 等引导式教学在理工科场景效果显著，但对于需要大量背景知识的人文社科领域，其引导效果可能不如直接回答。
DeepTutor 的出现代表了 AI 教育工具发展的一个重要方向——从“答题机器”到“真正导师”的跃迁。
从数据看，DeepTutor 自发布以来保持高频迭代（平均每1-2天一个版本），社区活跃度极高。它支持 11 种语言（包括简体中文）的完整文档，说明其目标是全球化市场。同时它已集成 Discord、飞书、微信等主流社区渠道，显示了良好的社区运营思路。
在技术层面，DeepTutor 证明了 Multi-Agent 架构在教育场景的可行性。这种“专业 Agent 协作分工”的思路，对法律顾问、医疗咨询、金融分析等垂直领域都有借鉴意义。
对于 AI 开发者而言，DeepTutor 的代码质量值得研究：它采用模块化架构，核心代码与 UI 代码解耦，支持 CLI 和 Web 双入口，测试覆盖完善，是一个高质量的 Agent 系统范例。其 SKILL.md 文档甚至定义了 DeepTutor 自己的技能规范，体现了 Meta-Agent 的设计理念。