别再把 AI 学习助手做成聊天框:DeepTutor 如何把学习变成一个 Agent 闭环

很多 AI 学习产品的使用方式都差不多：上传一份 PDF，问一个问题，得到一段答案，然后开始下一次对话。

它们通常能回答“这道题怎么做”，却不一定知道：你为什么做错、这个错误是否反复出现、接下来应该练什么，以及上次学到的内容能否迁移到今天的问题里。

我更愿意把这个问题概括成一句话：真正的个性化辅导，不是给聊天框增加更多按钮，而是把知识、行为、记忆和练习接成一个持续运行的闭环。

香港大学 HKUDS 开源的DeepTutor，正是在尝试做这件事。它把自己定义为一个Agent-native Learning Workspace（Agent 原生学习工作区）：聊天、解题、测验、研究、可视化、协作写作和掌握路径，不是互相孤立的功能，而是运行在同一套 Agent Runtime 上。

一、DeepTutor 到底是什么？

先不要把 DeepTutor 简化成“一个会讲题的聊天机器人”。按照项目 README 的定位，它连接了辅导、问题求解、测验生成、研究、可视化和掌握练习，并把知识库、书本、笔记、题库、写作草稿、用户画像和 Memory 放进同一个工作区。

它的主要入口可以理解为八个相互连接的表面：

1. Home：默认的 Agent 对话入口，负责工具调用、检索、附件和记忆。
2. Partners：拥有独立人格、知识库和渠道的长期学习伙伴。
3. My Agents：接入本地 Claude Code、Codex、Gemini、Kimi、opencode 或 MiMo 等 Agent。
4. Co-Writer：在 Markdown 工作区里进行有上下文的协同写作。
5. Book：把知识库和笔记编译为可交互的“活书”。
6. Learning Space：管理技能、人格、笔记本和问题。
7. Memory：查看和编辑系统对学习过程的长期记忆。
8. Knowledge Center：管理带版本的知识库和多种检索引擎。

重点不在于“功能很多”，而在于它们共享运行上下文。从聊天切换到测验，并不意味着重新打开一个没有历史的工具；从论文阅读切换到写作，也不必把背景资料手动复制一遍。

DeepTutor 的核心不是“AI 能回答更多问题”，而是“同一个学习者模型，能贯穿更多学习动作”。

二、为什么“聊天 + RAG”还不够？

传统的 AI 学习助手大多是：用户提出问题，系统从资料库里检索片段，再由模型生成答案。这种方式适合解决一次性的信息获取问题，但有两个局限。

第一，它知道资料，却不一定知道学习者。RAG（Retrieval-Augmented Generation，检索增强生成）能帮助模型找到教材中的相关内容，却不等于它知道你需要什么难度的解释。初学者和已经学过微积分的人，面对同一个问题，需要的讲解深度和练习难度不同。

第二，一次回答不会自动改变下一次教学。如果对话、错误原因和追问在会话结束后被丢掉，那么下一次系统仍然只能从“重新猜测”开始。

DeepTutor 试图把辅导建模为一个闭环：

知识库与教材      ↓基于来源的解释 / 解题      ↓暴露知识缺口与行为轨迹      ↓生成难度合适的题目与练习路径      ↓记录练习结果，更新学习者记忆      └───────────────↺

关键在于：测验结果应该反过来影响下一次解释，解释过程也应该影响下一轮练习。

三、DeepTutor 的五个关键设计

1. 一个 Runtime，承载多种学习模式

DeepTutor 把 Chat、Quiz、Research、Visualize、Solve 和 Mastery Path 放进同一个 Agent Loop。用户改变的是目标，不是底层引擎。

比如学习一篇机器学习论文时，可以先用 Research 梳理资料，再用 Solve 解释公式，用 Visualize 画出模型结构，用 Quiz 检查理解，最后用 Mastery Path 安排由易到难的练习。统一 Runtime 的价值，是把这些动作组织成同一条学习轨迹。

2. 学习上下文是连接的，不是散落的

知识库、Book、Co-Writer、Notebook、Question Bank、Persona 和 Memory 可以互相衔接。一份资料不再只是“被问过一次的附件”，而可以成为后续写作、研究、测验和复习的共同来源；一道题也不只是一次性输出，而可以沉淀到题库中。

3. Memory 要可检查，而不是神秘地“记住一切”

DeepTutor 的记忆设计分为三个层次：

• L1：交互轨迹，记录对话、规划和工具使用细节；
• L2：表层摘要，把过程压缩成可以快速调用的状态；
• L3：综合记忆，提炼更长期、更稳定的学习者特征。

项目还提供 Memory Graph，让记忆中的判断能够追溯到对应证据。教育场景里的“个性化”不能只靠一个不可解释的标签，系统应该说明，为什么它认为你在某个知识点上存在困难。

当然，可检查不代表一定正确。摘要可能丢失上下文，模型也可能把一次粗心误判成长期弱项。因此，好的学习记忆需要允许用户查看、修正和删除。

4. 从“答对”走向“理解过程”

同样是答错一道题，背后的原因可能完全不同：概念没有理解、公式记错、推理跳步、检索出错，或者已经理解但没有完成迁移。

如果系统只保存“错题”，就很难生成真正有针对性的下一题。把对话、计划、工具使用和解题路径一起记录下来，才有机会把“错误结果”拆成“可干预的学习缺口”。

5. TutorBot 让辅导从被动回答走向主动陪伴

普通聊天机器人需要用户先打开页面、输入问题。DeepTutor 的 TutorBot 则尝试通过可扩展 Skill 和多渠道接入，让学习伙伴出现在持续的工作流里：在合适时间提醒复习，或把学习能力接入 Telegram、Slack、飞书等消息渠道。

主动不等于打扰。学习提醒需要尊重用户节奏，让用户知道系统为什么发出这条消息、使用了哪些记忆，并且随时可以关闭或调整。

四、用一个真实学习流程理解它

假设你准备系统学习一门机器学习课程，可以这样开始：

1. 建立有来源的知识空间：加入课程讲义、教材、论文或自己的 Markdown 笔记，并按课程或主题划分知识库。
2. 先让它解释，不要急着要结论：要求系统列出前置知识、关键公式和容易混淆的地方，获得一份可检查的学习地图。
3. 提交自己的解题过程：不要只交最终答案，把尝试过的方法和卡住的位置一起交给它。
4. 把知识缺口转成练习：让它根据刚才暴露的问题生成不同难度的题，并说明每道题要检查哪个知识点。
5. 回写记忆并安排复习：查看系统总结的学习状态，修正不准确的记忆，再决定下一步练什么。

这套流程体现了 DeepTutor 的关键思想：学习不是问一次问题，而是持续积累行为证据，再据此调整下一次行动。

五、它和普通 ChatGPT、RAG 应用有什么区别？

这不表示 DeepTutor 在所有场景都优于通用模型。它的优势是系统结构更完整，代价则是部署、配置、知识库管理和记忆校验也更复杂。

更准确的判断是：通用聊天模型适合临时提问，DeepTutor 更像一套可以长期经营的学习工作区。

六、如何开始？

官方目前推荐从 PyPI 安装完整的本地 Web 应用和 CLI。需要 Python 3.11～3.13，以及 Node.js 20 或更高版本：

mkdir -p my-deeptutor && cd my-deeptutorpip install -U deeptutordeeptutor initdeeptutor start

deeptutor init 会引导配置后端端口、前端端口、LLM provider、模型和可选的 Embedding provider。默认前端地址是http://127.0.0.1:3782，后端默认端口是8001。

如果希望参与开发，可以从源码安装。官方建议源码开发使用 Python 3.11～3.13 和 Node.js 22 LTS；如果只需要无界面的 Agent Harness，也可以选择 CLI-only 路径。

DeepTutor 的 CLI 还可以把一次任务输出为结构化 NDJSON，供其他 Agent 驱动：

deeptutor run deep_solve "Explain the intuition behind gradient descent" \  --tool rag --kb my-course --format json

这说明它的定位不只是一套 Web UI，也是一套可以被其他 Agent、脚本和自动化流程调用的学习运行时。

七、使用前要注意什么？

1. 本地部署不等于数据绝不外发

应用可以在本机运行，但如果配置的是外部大模型或 Embedding API，输入内容、文档片段和检索上下文仍可能发送给对应服务。配置模型前，要确认数据范围、服务条款和组织要求。

2. 记忆越强，校验越重要

系统记住了你的错误，不代表它正确理解了错误。应该定期查看 Memory，删除偶然事件，修正过时结论，并把重要判断追溯到原始对话或练习证据。

3. 资料解析和检索决定了上限

如果 PDF 公式、表格、图片和代码没有被正确解析，后面的回答再流畅也不可靠。部署后先用几条已知问题测试引用、页码和来源，再开始长期使用。

4. 主动辅导需要可控边界

TutorBot、MCP 服务和 CLI Agent 带来更强的执行能力，也带来更大的权限风险。建议从只读知识库和低风险任务开始，不要默认让 Agent 修改重要文件、发送外部消息或访问生产系统。

结语：学习 Agent 的下一步，是从“会回答”走向“会陪练”

DeepTutor 值得关注的地方，不是把 Chat、Quiz、Research、Visualize 等功能放进了一个界面，而是它试图回答一个更难的问题：怎样让每一次学习行为，都能成为下一次个性化辅导的依据？

它给出的答案包括统一 Runtime、跨工作流上下文、可检查的多层 Memory、基于来源的解题、难度校准的练习，以及能够主动触达用户的 TutorBot。

这套方案仍然需要真实使用来验证：记忆是否足够准确，题目难度是否真的合适，主动提醒是否有帮助，长时间运行的成本和权限如何控制。但方向是清晰的——AI 学习助手不应该只是一个“问答入口”，而应该逐渐成为一个能观察、能记忆、能安排练习，也能解释自己为什么这样教学的 Agent 系统。

如果你只想临时问一道题，普通聊天模型已经够用；如果你想围绕一门课程、一个研究主题或一套长期目标持续学习，DeepTutor 值得在自己的资料上试一试。

参考资料

• Huahuazo：关于 DeepTutor 的 X 帖子

https://x.com/Huahuazo/status/2086711645745590375

• HKUDS/DeepTutor GitHub 仓库

https://github.com/HKUDS/DeepTutor

• DeepTutor 官方文档

https://deeptutor.info/

• DeepTutor：Towards Agentic Personalized Tutoring

https://arxiv.org/abs/2604.26962