AI

DeepTutor：港大開源的終身個人化 AI 家教，把聊天、測驗、研究與記憶整合成一個學習工作區

Monday

本內容僅供參考，詳細使用規則與工具安全性與否，建議要進行相關安全性測試與評估

用 ChatGPT 學東西很方便，但也有明顯的缺點：每次對話都是孤立的，它不記得你上週卡在哪個觀念、不知道你已經掌握了什麼，也不會幫你安排複習。DeepTutor（HKUDS/DeepTutor）想做的是一個「終身的個人化家教」——不是又一個聊天機器人，而是一個把教學、研究、練習與記憶整合在一起的學習工作區。專案來自本月已兩度登場的香港大學 HKUDS 團隊（nanobot、CLI-Anything），目前約 53.7k stars，出現在 10 月 30 日的 AI 開源趨勢報告中，並在 11 月 1 日剛釋出 v1.7.1。

1. 專案背景與定位

DeepTutor 採 Apache-2.0 授權，後端為 FastAPI、前端為 Next.js，並有 arXiv 論文（2604.26962）。它於 2025 年底正式發佈，2026 年快速迭代到 v1.7 系列：10 月 28 日的 v1.7.0 帶來模組化安裝、全新工作區、區塊式筆記本與有旁白的影片課程；v1.7.1 則加入桌面版預覽、在地化、Anki 與行事曆匯出等。

它的核心理念是：多種學習模式共享同一份脈絡。你在 Chat 裡問過的問題、在 Quiz 裡答錯的題目、在 Research 裡讀過的資料，都屬於同一個「科目工作區」，而個人化設定與學習夥伴則跨工作區保留。

2. 技術架構與核心設計

  • 多種學習模式：Chat、Quiz、Research、Visualize、Solve、Mastery Path、Reading，全部共用 session 脈絡。
  • 知識中心（RAG）：每個知識庫可選擇一種檢索引擎——預設的 LlamaIndex，或 PageIndex、GraphRAG、LightRAG、WeKnora、Tencent IMA、MarginNote 4、Kiwix、Obsidian 等；索引以版本目錄保存，重建時不會毀掉舊索引；並提供 deeptutor kb eval 計算 Recall@k、nDCG、MRR 等指標。
  • 學習工具：由區塊組成的「活書」（living books）、Mastery Path（精熟路徑）、沉浸式閱讀、間隔複習練習；筆記本支援 Word 匯入、Markdown／Word 匯出與 Anki 卡片匯出。
  • 三層記憶：L1 原始軌跡、L2 各介面的事實、L3 跨介面的綜合理解，並有記憶圖譜。官方特別強調它刻意不是一個隱藏的向量資料庫——記憶以檔案保存，可以被檢視與編輯。
  • Partners（學習夥伴）：有自己記憶的長期陪伴角色，可連接飛書、Telegram、Slack、Discord 等 IM 通道，也能組成 Partner Group。
  • My Agents：可以諮詢 Claude Code、Codex、Grok CLI 等執行中的 Agent，並匯入過去在 ChatGPT、Claude Code、Codex 的對話。
  • 擴充性：支援 SKILL.md 格式的 Agent Skill、MCP 服務、CLI Apps 與 EduHub skill 註冊中心；CLI 可輸出 NDJSON 供其他 Agent 使用。
  • 模型支援：OpenAI、Anthropic、Gemini、NVIDIA NIM、GitHub Copilot、DashScope，以及 LM Studio、llama.cpp、vLLM 等本機方案。

3. 社群熱度與生態採用

約 53.7k stars、6.6k forks、3,500+ commits。部署方式包括 Docker（ghcr.io/hkuds/deeptutor:latest，Web 服務在 3782 port）、PyPI 的 deeptutor[full]、從原始碼執行，以及不需 Node.js 的純 CLI 版本。它整合了本月介紹過的 PageIndex 與 WeKnora 作為檢索引擎，顯示這些開源專案正在彼此組合成更完整的應用。

4. 局限性與潛在風險

  • 驗證預設關閉：預設不開啟登入驗證，啟用後第一個註冊的使用者會成為管理員。多人共用的部署務必在對外開放前先開啟驗證。
  • 學習資料的隱私：學習紀錄、錯題、筆記與匯入的 ChatGPT／Claude Code 對話都會被保存並用於個人化；若使用雲端模型，這些內容也會送往模型供應商。對學生資料尤其要注意當地的個資與教育法規。
  • 安全設計值得肯定：每位使用者有獨立工作區、OAuth token 存放在沙盒無法存取的路徑、API 金鑰不經過模型、程式碼在沙盒中執行、Docker 範例預設只綁定 127.0.0.1。但這些保護仍需正確設定才會生效。
  • AI 家教的正確性：AI 解題與出題可能出錯，學習者若沒有判斷能力，可能把錯誤觀念當成正確答案；重要的考試與專業知識仍應對照權威教材。
  • 功能尚在成熟中：桌面版只是 dev 分支的預覽（Windows 版未簽章）、Codex OAuth 標示為實驗性；檢索評測不評估語意等價。
  • 系統複雜度：功能非常多，對只想要簡單問答的使用者來說可能過於龐大。

5. 應用價值與適用場景

最適合長期、系統性地學習某個領域的人：準備證照考試、自學新的程式語言或學科、研究生整理論文文獻。把教科書與講義放進知識中心，用 Chat 釐清觀念、用 Quiz 檢驗理解、用 Mastery Path 安排進度、再用 Anki 匯出做間隔複習，形成一個完整的學習迴圈。教育機構與企業培訓也可以用它建立內部的教學平台。

Monday 的觀點與架構建議

  • DeepTutor 抓住了 AI 教育最關鍵的一點：學習是長期的，所以記憶必須是可檢視、可修正的。三層檔案式記憶比起不透明的向量庫，更適合讓學習者知道「AI 認為我學會了什麼」。
  • 把多種 RAG 引擎做成可替換的選項，是很務實的設計——不同的教材適合不同的檢索方式：結構清楚的教科書適合 PageIndex，概念關係複雜的領域適合 GraphRAG。
  • 教育場景的部署建議：一定要開啟驗證、優先使用本機模型處理學生資料、定期備份 data/ 目錄，並讓教師能檢視與修正 AI 的教學內容。
  • 從 nanobot、CLI-Anything 到 DeepTutor，HKUDS 團隊展示了學術團隊如何把研究快速轉化成社群大量使用的產品，這種「論文 + 可用軟體」的模式，正在成為 AI 研究的新常態。

參考來源