DeepTutor：香港大学推出的开源AI学习助手

DeepTutor是香港大学数据科学实验室（HKUDS）推出的开源AI学习助手，旨在为用户提供个性化、高效率的学习支持。其核心设计突破传统问答机器人局限，通过多智能体架构与RAG技术深度融合，构建了一个覆盖“学、练、测、研”全流程的智能教育平台。项目开源后迅速获得GitHub社区认可，4天内斩获4.6K Star，截至2026年1月已突破7.3K Star，成为AI教育领域的标杆工具。

功能特点

1. 文档问答与知识库构建：支持Markdown、PDF、Word格式文档上传，通过RAG技术构建私有知识库，实现上下文感知问答。例如，用户上传教材后，系统可精准定位章节内容并生成带引用来源的分步解答，避免传统工具机械堆砌段落的弊端。
2. 交互式可视化讲解：将复杂概念转化为动态图表与交互演示。以排序算法为例，系统生成可拖拽的HTML页面，用户通过调整数据输入实时观察算法执行过程，使抽象逻辑具象化。
3. 智能出题与考试模拟：基于用户知识掌握程度生成定制化练习题，支持上传真题试卷进行风格分析，克隆出难度、知识点分布完全一致的模拟卷。例如，输入“生成3道深度学习基础中等难度选择题”，系统可自动生成题目并标注相关性评分。
4. 深度研究模式：通过知识图谱与多轮检索，自动生成结构化研究报告。用户上传文献后，系统可挖掘知识空白点，推荐延伸阅读方向，并支持跨文档创意生成。
5. 双回路推理架构：内置“分析回路”与“求解回路”，先审题查阅资料再分步执行，确保复杂问题解答逻辑严密。例如，求解线性卷积时，系统会先验证输入格式，再调用代码执行环境输出结果。

优缺点

优点：

• 功能全面性：集成文档管理、可视化、出题、研究四大模块，覆盖学习全周期，避免多工具切换导致的效率损耗。
• 开源与隐私保护：代码完全开源，支持本地化部署，用户数据存储于本地计算机，消除云端上传的隐私顾虑。
• 低成本科研支持：深度研究模式成本低至0.002美元/次，较OpenAI商用服务降价99.9%，大幅降低学术探索门槛。

缺点：

• 技术门槛：本地部署需配置环境变量与API密钥，手动安装依赖项可能劝退非技术用户，尽管提供Docker一键部署方案，但仍需基础操作知识。
• 模型依赖性：核心功能依赖GPT-4o等大语言模型，API调用成本与模型性能直接相关，免费用户可能面临速率限制。
• 生态局限性：作为新兴工具，社区插件与第三方集成较少，功能扩展需依赖官方更新。

主要应用场景

1. 学生备考：克隆真题生成模拟卷，通过针对性练习查漏补缺，例如期末复习时上传历年试卷，系统自动生成覆盖高频考点的练习题。
2. 开发者学习：解析技术文档与代码库，通过可视化图表快速理解架构逻辑。例如，上传开源项目文档后，系统生成类图与调用关系演示。
3. 学术研究：进行文献综述与课题探索，自动生成研究报告与延伸阅读清单。例如，输入“量子计算优化算法”，系统推荐相关论文并总结研究趋势。
4. 自学者知识管理：构建私有知识库，通过多轮对话深化理解。例如，上传个人笔记后，系统可纠正概念错误并补充关联知识点。

使用方法

1. 环境配置：克隆项目仓库并设置环境变量，编辑.env文件填入API密钥（支持OpenAI、Ollama等模型）。
2. 部署方式：
   • Docker一键部署：执行命令docker run -d --name deeptutor -p 8001:8001 -p 3782:3782 -e LLM_MODEL=gpt-4o -e LLM_API_KEY=your-api-key ghcr.io/hkuds/deeptutor:latest，约30秒完成启动。
   • 手动安装：安装Python依赖项后运行python app.py，需自行配置模型与嵌入服务。
3. 功能调用：通过Web界面（http://localhost:3782）上传文档，使用自然语言指令触发功能，例如“用交互式图表解释神经网络工作原理”或“生成关于Transformer的5道填空题”。

收费标准

DeepTutor本身完全开源免费，用户仅需承担模型API调用成本。以GPT-4o为例，输入输出token价格分别约为0.0001美元/千与0.0003美元/千，深度研究模式单次成本约0.002美元，较商用服务降低两个数量级。若使用本地模型（如Ollama运行的Llama 3），则可实现零成本运行。