7.3K Star！港大开源神作，集问答、可视化、出题于一身的 AI 超级导师！

开源星探

发布于 2026-03-16 19:57:20

1480

文章被收录于专栏：翩翩白衣少年翩翩白衣少年

教材晦涩难懂，看两页就想睡；网课视频太长，找不到重点；遇到难题想找个人问，结果发现身边根本没有“懂王”。

如果你也深陷这种“孤独学习”的困境，那么今天要介绍的这个开源项目，绝对能让你相见恨晚。

这是由香港大学 HKUDS最新开源的一款非常爆火的个人学习助手 — DeepTutor。

它不仅仅是一个聊天机器人，更是一个集成了文档问答、可视化讲解、智能出题、深度研究于一体的“全能 AI 私教”。

它完美解决了自学路上的三大痛点：资料太多找不到答案、复杂概念看不懂、学会了没地儿练。

在 AI 教育这个赛道，也见过很多产品。有的擅长翻译，有的擅长总结，有的擅长做题。但能把 “学、练、测、研” 这一整套闭环全部打通，并且还开源免费的，DeepTutor 绝对是目前的 T0 级别选手。

核心能力

1、文档知识问答

我们学习新知识，第一步通常是“啃书”。但传统的 RAG 工具，往往只是机械地把相关段落找出来扔给你。

DeepTutor 的文档问答功能，做到了真正的“理解与内化”。

你可以把教材、研究论文、技术手册、甚至是你的个人笔记（Markdown/PDF/Word），一股脑地喂给 DeepTutor。

构建属于个人的全面的 AI 驱动知识库，实现即时访问。

还具备多 Agent 问题求解能力，这种机制确保了它在回答复杂问题时，逻辑链条非常清晰。

2、交互式可视化讲解

这是 DeepTutor 最让我惊艳的功能，没有之一！

比如：很多概念（像排序算法、二叉树、神经网络）光看文字描述，脑子完全是一团浆糊。

DeepTutor 的解法：把概念画出来！

它可将复杂概念、知识和算法转化为易于理解的可视化辅助工具、详细的分步分解和引人入胜的交互式演示。

在个性化问答方面，配备上下文感知对话，适应学习进度，提供交互式页面和基于会话的知识跟踪。

3、智能出题与模拟

“光说不练假把式”。看懂了不代表会做了。DeepTutor 内置了一个强大的出题系统。

它会根据你当前的对话上下文和知识掌握程度，个性化自动生成练习题。

你可以上传一份去年的真题试卷。DeepTutor 会分析这份试卷的：出题风格、难度分布、知识点覆盖率。克隆出一套风格、难度完全相当的全新模拟卷！

再也不用担心真题刷完了没题做，通过 DeepTutor，你有刷不完的“仿真题”。

4、深度研究模式

如果你不仅满足于学会现有的知识，还想进行深度的探索，DeepTutor 提供了 Deep Research（深度研究） 模式。

通过系统分析进行深入的专题探索。生成结构化学习材料并发现知识空白。

快速入手

作为一款由港大 HKUDS 开源的工具，DeepTutor 在易用性上也下了功夫。

第一步：预配置

① 克隆项目&设置环境变量

git clone https://github.com/HKUDS/DeepTutor.git
cd DeepTutor

# 设置环境
cp .env.example .env
# 使用你的 API 密钥编辑 .env 文件

环境变量参考：

第二步：选择安装方式（推荐Docker一键部署）

# 拉取并运行预构建镜像（约 30 秒）
docker run -d --name deeptutor \
  -p 8001:8001 -p 3782:3782 \
  -e LLM_MODEL=gpt-4o \
  -e LLM_API_KEY=your-api-key \
  -e LLM_HOST=https://api.openai.com/v1 \
  -e EMBEDDING_MODEL=text-embedding-3-large \
  -e EMBEDDING_API_KEY=your-api-key \
  -e EMBEDDING_HOST=https://api.openai.com/v1 \
  -v $(pwd)/data:/app/data \
  -v $(pwd)/config:/app/config:ro \
  ghcr.io/hkuds/deeptutor:latest

服务启动成功，可通过 http://localhost:3782 前端页面直接开始使用。

后端交互式API文档：http://localhost:8001/docs

Python API示例：

① 智能解题

import asyncio
from src.agents.solve import MainSolver

async def main():
    solver = MainSolver(kb_name="ai_textbook")
    result = await solver.solve(
        question="计算 x=[1,2,3] 和 h=[4,5] 的线性卷积",
        mode="auto"
    )
    print(result['formatted_solution'])

asyncio.run(main())

② 题目生成器

import asyncio
from src.agents.question import AgentCoordinator

async def main():
    coordinator = AgentCoordinator(
        kb_name="ai_textbook",
        output_dir="data/user/question"
    )

    # 从文本需求生成多个题目
    result = await coordinator.generate_questions_custom(
        requirement_text="生成 3 道关于深度学习基础的中等难度题目",
        difficulty="medium",
        question_type="choice",
        count=3
    )

    print(f"✅ 生成 {result['completed']}/{result['requested']} 道题目")
    for q in result['results']:
        print(f"- 相关性: {q['validation']['relevance']}")

asyncio.run(main())

还有更多关键系统架构和功能模块的说明和用法可参考项目中文文档学习。