通用 AI 助手记不住你是谁?50K star 的港大项目把记忆拆成三层

你有没有过这种体验：跟 AI 助手聊了半小时，它对你的背景、项目、甚至你用什么语言交流都摸得一清二楚；然后第二天换个会话，它问你是谁。

不是它笨。是通用大模型的知识停在预训练那一刻，它没有"你"这个概念——你说过的话，对它来说只是又一段上下文。

港大一个团队把这件事拆开重做了一轮：把记忆做成三层，每一层都能点开看、能追溯、能改。 L1 是原始轨迹，L2 是从轨迹里提炼的表面摘要，L3 是跨场景的综合结论。Memory Graph 把 L2 的每条事实链回 L1 的原始证据，把 L3 的结论链回贡献它的那些表面。

这个项目叫 DeepTutor，目前 50,941 star，Apache-2.0 协议，港大数据科学实验室出品，还发过 arXiv 论文。

一、它的真实数据，先摆出来

有一个细节值得单独说：它不是"AI 家教"，是"学习工作台"。 官方描述是 "agent-native learning workspace"——把答疑、出题、研究、可视化、解题、掌握路径、沉浸阅读、音频概览这些能力放进同一个运行时，共用同一份会话上下文。

主仓库：https://github.com/HKUDS/DeepTutor

二、为什么"AI 失忆"值得单独做个项目

论文摘要里，作者对问题的判断相当直接：

current LLMs rely on static pre-training knowledge and lack adaptation to individual learners, while existing RAG systems fall short in delivering personalized, guided feedback.

翻译过来是两句：大模型的知识是静态的，不随学习者变化；现有的 RAG 系统虽然能把资料塞进上下文，但给不出个性化的引导。

这两句话拆出了两个不同的病：

• • 失忆——模型不知道"你是谁、你在哪、你已经会了什么"
• • 失教——就算塞给它一堆资料，它也只能平铺直叙地讲，不会根据你的水平调整讲法

DeepTutor 的解法是把两件事分开处理：知识靠 RAG 补（10 种引擎可选），个性化靠 三层记忆 + 学习者画像 补。

还有个细节挺有意思：它能从 ChatGPT、Claude Code、Codex 的官方数据导出里导入历史对话，变成可搜索、可续接的会话。不是让你重新讲一遍自己，是把你的历史搬过来。

三、核心能力一：把记忆做成三层，而且能查证

这是整个项目技术上最扎实的部分。

L1 原始轨迹（traces）——对话和工具调用的原始记录，一个字都不加工。 L2 表面摘要（surface summaries）——从 L1 里提炼出的结构化事实。 L3 综合（synthesis）——跨场景、跨时间的高级结论。

关键不在分层本身，而在 Memory Graph 把它们连起来了：L2 的每一条事实都能链回 L1 的原始证据，L3 的每条结论都能链回贡献它的那些表面。

这解决的是一个真实痛点——AI 给你的结论，你凭什么信？ 多数记忆系统给你一个黑盒结论，你没法验证它是从哪句话推出来的。DeepTutor 的做法是让你点开看证据链。

官方文档 docs-for-dev/ 里甚至专门放了一份 REASONING_SAFETY_CHECKLIST.md，让用户在"答案丢了之前的约束、引用了弱证据、或跟选定的资料冲突"时，先按清单收集诊断信息再去提 issue。把"AI 不可信"当成工程问题处理，这点比功能列表更值钱。

论文给了两个数字（作者自测，未经第三方验证，论文状态是 "Tech Report, work in progress"）：

• • 个性化指标平均提升 10.8%
• • 通用 agentic reasoning 在 5 个 backbone 模型上提升 29.4%

配套还提出了 TutorBench——一个交互式评测基准，用大学课程、五个领域的学习者画像做评测，并配了一套 LLM 扮演学生模拟器的第一人称交互评测协议。

四、核心能力二：能被别的 AI 驱动，也能挂一堆 AI 进来

这个项目的定位很特别——它自己就是给 agent 用的。

能挂载 10 个 agent harness：从对话框里可以直接调起 Claude Code、Codex、Grok CLI、Antigravity、Kimi、opencode、MiMo、Hermes、OpenClaw、DeepSeek。同一个"大脑"，底下接不同的执行体。

能被外部 agent 驱动：CLI 的 run 子命令加 --format json，每一轮输出 NDJSON（每行一个事件：content / tool_call / tool_result / done），每行带 session_id。而且明确处理了无 TTY 场景——ask_user 暂停时自动回空值，不会挂死。

官方在仓库根目录放了 SKILL.md（name 是 deeptutor-cli），就是给 agent 读的交接文档。

还有 12 个能力（源码 deeptutor/modules/manifests/ 为准，不是 README 的说法）：

ask_questions   subagent          explore_context   setupsolve           mastery           immersive_readingvisualization_generation          deep_questiondeep_research   audio_overview    notes

以及 25 个模块清单（core / knowledge / mastery / memory / notebook / partners / questions / research / reading / server / solve / visualize / video-lesson / books / co-writer / calendar / web / parsing / providers / renderer-anim + 4 个 parser）。v1.7.0 的模块化安装不是宣传语，源码里确实是这套结构。

另外，Partners 支持把 AI 接到 IM 平台，官方仓库里能看到 16 个 IM 渠道的实拍：微信、QQ、钉钉、企业微信、Telegram、Discord、Slack、Matrix、Teams、邮件、WhatsApp、Zulip、Mattermost、MoChat、NapCat 等。

五、自带技能社区，81 个教学 skill 现成可装

DeepTutor 顺手做了个教育向的技能注册表 EduHub，内置在应用里，不用配置。

它的 skill 用的是开放的 Agent-Skills 格式——就是一个文件夹加一份 SKILL.md（YAML frontmatter + Markdown）。这个格式不是 DeepTutor 专有的，任何说这个格式的注册表都能变成你的技能来源。

实测拉了一下，目前 81 个 skill，其中教学相关的 33 个。看几个名字就知道它想干什么：

• • review-coach——带用户系统复习一门课：先清点全部考点、建覆盖率账本和依赖框架，再切成一讲讲推进，每讲配分层递进的习题，每讲结束核对无缺漏
• • explain-it-back——把读完之后的碎片化回忆整理成一段连贯的解释
• • learn-to-apply——苏格拉底式的知识迁移引导
• • llm-learning-coach——用户丢进 md/word/ppt/pdf，自动拆解知识点再按最适合的形式呈现
• • clawhub-quiz-creator——从任意主题或内容生成测验

装起来很简单：

deeptutor skill search "socratic tutor"        # 在默认 hub 里搜deeptutor skill install socratic-tutor          # 拉取 → 校验 → 注册deeptutor skill install eduhub:socratic-tutor@1.2.0   # 钉死版本deeptutor skill list                            # 本地已装，带来源

知识库那边给的选择也很足：LlamaIndex、PageIndex、GraphRAG、LightRAG、远程 LightRAG Server、自建 WeKnora、腾讯 IMA、MarginNote 4、Kiwix ZIM、Obsidian vault——近十种，加上可插拔的文档解析器。

还有一个省钱的细节：可以直接用你自己的 ChatGPT 订阅，不用 API Key。在 Settings → Providers 里走 OpenAI Codex OAuth 登录，凭据只落在 data/system/user-secrets/<owner>/private/openai-codex/，不需要 OPENAI_API_KEY。

六、上手：三条路，按你的场景挑

想先看看它长什么样——Docker 一条命令

docker run --rm --name deeptutor \ -p 127.0.0.1:3782:3782 \ -v deeptutor-data:/app/data \ ghcr.io/hkuds/deeptutor:latest

打开 http://127.0.0.1:3782 ，在 Settings → Providers 里配模型。deeptutor-data 这个具名卷会保留你的设置和本地数据，下次直接接着用。

要装完整版——PyPI

python -m pip install "deeptutor[full]==1.7.0"python -m pip checkdeeptutor module list

v1.7.0 开始包是拆开的：deeptutor[full] 装 Web 应用和标准功能模块，裸 deeptutor 只装核心 CLI/SDK。可以用 deeptutor module list 看哪些装了、哪些能用，再按需 enable / disable / install / remove。

从源码装

pip install -r requirements/full.txtpip install -e . --no-deps

Web UI 还要 Node.js 22 LTS 和 npm ci --legacy-peer-deps。视频课功能第一次用会下载指定版本的渲染包，朗读功能需要额外装 edge-tts。

CLI 真实命令目录（源码 deeptutor_cli/main.py 核实）：

deeptutor init / start / serve / doctor / run / chatdeeptutor kb / notebook / memory / session / provider / configdeeptutor skill / plugin / workspace / module

deeptutor run 支持的能力：chat / deep_solve / deep_research / deep_question / mastery / visualize / math。

deeptutor kb 的子命令：create / add / list / info / search / delete / set-default。

七、适合谁，短板也得说清楚

适合：

• • 学生和自学者——三层记忆 + 覆盖率账本 + 掌握路径，是给"系统性学一门东西"设计的
• • 老师和教育产品的人——EduHub 那套 skill 格式开放，可以自己写教学 skill 发出去
• • 已经在用 Claude Code / Codex 的人——能挂成子 agent，能用 NDJSON 被驱动
• • 想要一个自托管学习工作台的人——数据全在本机，DSH_HOME 那套本地持久化，支持数据库

Apache-2.0，商用、闭源分发、二次开发都不受限——这一点比大多数教育类开源项目省心。

几个必须知道的短板：

1. 安全护栏默认是关的。 仓库里有 docs-for-dev/SECURITY_GUARD.md，可选的 fastapi-guard 请求筛查默认关闭。开启后有 IP 黑白名单、滑动窗口限流（默认 300 请求/60 秒）和攻击模式扫描，但作者自己列了三条不做的事：

• • 不读 request body（prompt、文档、聊天记录都是自由文本，扫描关闭）
• • 不筛查 WebSocket 握手，只管 HTTP
• • 不用 Redis——计数器在每个 worker 进程内，所以 backend_workers > 1 时，实际限流上限是 rate_limit 乘以 worker 数。这不是 bug，但多 worker 部署时得自己算

2. 中文环境坑不少。 248 个 open issues 里有一串编码问题：Windows-1254 的土耳其语文本被当成 GBK 中文解码（#2133）、状态文件读取用 GBK 而不是 UTF-8（#2147）、聊天文本里的中文字体要手动装（#2143）。用 Windows 的读者要预期多花点时间。

3. 桌面版刚起步。 Intel Mac 和 Windows 版本是 10-29 才提的（#2171），还在早期。

4. 论文还在进行中。 arXiv 上的状态是 "Tech Report, work in progress"，那两个百分比是作者自测，没有第三方复现。

5. 依赖偏重。 完整版要 Python 3.11–3.14 + Node.js 22，FAISS 之类编译型依赖要匹配 wheel，源码安装还得分模块装。Windows 用户尤其容易卡在编码和字体上。

关于"实测"： 我这台机器的 Docker daemon 没有权限（permission denied on /var/run/docker.sock），所以那条 Docker 一条命令我没有真机跑过。上面关于安装和运行的描述来自官方文档、v1.7.0 release notes 和源码，能力清单来自 deeptutor/modules/manifests/ 与 deeptutor_cli/main.py，短板来自真实的 open issues。想自己验，一条 Docker 命令的事。

八、写在最后

它想解决的问题其实很朴素：AI 用得越久，应该越懂你，而不是每次都从零开始。

三层记忆 + Memory Graph 不是一个炫技的设计——它解决的是"AI 说的话我凭什么信"这个具体问题。L2 的事实能链回 L1 的原始证据，L3 的结论能链回贡献它的表面。你能点开、能追溯、能改。

而它把能力做成可挂载的 harness（Claude Code、Codex、OpenClaw 都在列）、把技能做成开放格式、把知识库做成十种引擎可选——这些选择背后是同一个想法：别让学习工作台变成一个孤岛。

50,941 star 不是白来的。它在 GitHub 趋势的第三方追踪站 Trendshift 上挂着日榜徽章（当前是 Python 周榜第 2、月榜第 4），10 月 26 日起四天涨了 7,299 个 star。

要盯的两件事：一是安全护栏默认关闭这件事，你自己评估要不要开；二是模块化安装虽然优雅，但升级时的坑不少——官方升级说明里有一整段在讲"旧版 deeptutor-cli 包和新 core 不能在同一个事务里升级"。

想试的话，下面三个地址。

• • 主仓库：https://github.com/HKUDS/DeepTutor
• • 官网与文档：https://deeptutor.info
• • 论文（DeepTutor: Towards Agentic Personalized Tutoring）：https://arxiv.org/abs/2604.26962
• • 技能社区 EduHub：https://eduhub.deeptutor.info/
• • Issues（看真实用户踩了什么坑）：https://github.com/HKUDS/DeepTutor/issues