港大 HKUDS 开源 AI 家教 DeepTutor，111 天破 2 万星
- 香港大学数据智能实验室（HKUDS）开源的个性化学习工具 DeepTutor，2025-12-29 发布，Apache 2.0 完全开源，作者声明目前没有任何付费在线产品。
- 上线 111 天内（截至 2026-04-19）GitHub 破 2 万星，登上 Trendshift 日榜和周榜趋势。
- Chat、Partners、Co-Writer、Book、Knowledge、Memory 等全部模块共用同一个 agent loop、上下文互通，切换模式时换的只是这一轮的目标，底层引擎始终是同一套。
- 配套论文提出混合个性化引擎（静态知识 grounding ＋ 动态个人记忆），在覆盖五大学科、270 个任务的 TutorBench 评测中把个性化指标平均提升 10.8%。
- 禁用整个个性化引擎后，同一套「调查，解决，写作」的脚手架流程在五个公开测试集上仍让五个骨干模型的通用 agentic 推理能力平均提升 29.4%。
港大团队开源了一个 AI 家教，还真有人在用
香港大学数据智能实验室（HKUDS）在 2025 年 12 月 29 日发布了开源学习工具 DeepTutor，并在 2026 年上半年同步发表了介绍其技术机制的研究论文。
为什么这不只是又一次普通的开源发布：上线 111 天内 GitHub 破 2 万星，登上 Trendshift 日榜和周榜趋势；项目 Apache 2.0 完全开源、无任何付费产品；还带着一篇 arXiv 论文背书，在覆盖五大学科、270 个任务的评测里给出了可核对的数据。
项目由 Bingxi Zhao 在 HKUDS 主导（导师 Chao Huang，港大数据智能实验室主任），社区共建。生态里还复用了实验室自己的几个开源项目：LightRAG（检索引擎）、nanobot（早期用的超轻量 agent 引擎）、AutoAgent、AI-Researcher。
一个大脑，八种学习模式，你切换的只是目的
DeepTutor 最核心的设计：聊天、解题、出题、研究、可视化、掌握度练习，全部跑在同一个 agent loop 上。你切换的是这一轮想干什么，底层引擎和上下文始终是同一套。
聊天怎么变成一整套辅导：它先自己想，拿不准还会反问你
Chat 是默认入口，大部分工作从这里开始。一个对话线程能正常聊天、调用工具、基于选定的知识库对答案「找依据」、读附件、生成图片、咨询别的 agent、写笔记本，并在多轮里延续同一套上下文。
它的循环刻意做得简单：模型分轮思考，需要时调工具，观察结果，最后给出一条不再调工具的回答。关键在一个叫 ask_user 的特殊工具：拿不准的时候，agent 可以不去瞎猜，而是暂停这一轮，抛出一个结构化的澄清问题，等你回答再继续。
搜索/推理/画图…
ask_user 反问你
可开关的工具有 brainstorm（头脑风暴）、web_search（联网搜索）、paper_search（查论文）、reason（深度推理）、geogebra_analysis（数学作图分析），配好生成模型后还有 imagegen（生图）和 videogen（生视频）。这套 Chat 也是深入其它能力的起点：从这里衍生出 Quiz（出题）、Research（带引用的报告）、Visualize（图表动画）、Solve（详细推理求解）和 Mastery Path（学习计划）。
它记什么、忘什么：两种上下文分得很清楚
跨轮一直在
子 agent、知识库、人格、模型、语音，挂在输入框工具栏上，这一整段对话里都持续生效。
只管这一轮
文件、聊天历史、书本、笔记本、题库、导入的 agent，从「＋」菜单临时带进来，只服务当前这一轮提问。
它凭什么这么了解你：记忆一层层都能点开查
DeepTutor 的个性化不靠一个藏在后台的向量库，而是一套用文件支撑、你能读能改能审计的三层记忆。因为上一层的每条结论都引用着下一层的证据，画像里任何一句话都能一路点回原始事件。下面这张图是可点的，点某一层看它到底存了什么、又是从哪来的。
Quiz 界面：相关练习 5 道错 3 道，都错在「先求外层还是内层」。
官方把这套记忆分成三层：L1 是工作区镜像加一条只追加的事件痕迹，L2 是每个界面精选出来的事实，L3 是跨界面的综合。因为 L2 引用 L1、L3 引用 L2，你画像里的任何内容都能顺着链条查到出处。产品里的 Memory Graph 就把整座金字塔画出来：L3 综合在中心，L2 在中间环，L1 痕迹在最外圈。
上两图来自 HKUDS 官方仓库。
陪伴、写作、出书、找资料：剩下几个模块一次说完
下面这几个模块次要一些，但都很实用。它们全部挂在同一个大脑上，这里压缩带过，各配一张官方截图。
Partners：有人格、有电话号码的持久陪伴
Partners 是拥有自己人格、模型策略、资料库、记忆和渠道的持久陪伴者。每一条从网页或 IM 进来的消息，都会变成 partner 专属工作区里的一次正常对话轮次。渠道层是配置驱动的，能接飞书、Telegram、Slack、Discord、钉钉、企业微信、WhatsApp、Teams 等 15 个入口。一个 partner 也能作为子 agent 被普通聊天咨询，这就是「My Agents」：既能连本机的 Claude Code、Codex 实时咨询，也能把你已有的历史对话导入成可搜索、可续接的命名 agent。
点开看 Partners 的架构图
Co-Writer：选中一段就能让它改，改动你批准才落地
一个分栏的 Markdown 写作区，实时渲染预览（含数学公式和图表）。它的核心是「外科手术式编辑」：选中一段文字，让它改写、扩写或缩写。编辑 agent 可以基于知识库或网络证据来支撑修改，把每处改动显示成接受或拒绝的 diff，在你点批准之前什么都不会真正写进文档。
Book：把你的材料编成一本「活的书」
Book 把选定的来源变成一本交互式的活书，是一个由类型化区块搭起来的阅读环境。创建时它先给你一份章节大纲让你审阅，而不是直接吐一份盲盒式的成品。每一章编译成文本、提示框、测验、闪卡、时间线、代码、图表、交互式组件、动画、概念图等区块，每一页还有自己的 Page Chat，区块能单独插入、移动、重新生成或换类型，不用重写整章。
Knowledge Center：检索引擎可以自己挑
知识库是 RAG（先查资料再回答）背后的文档集合，给聊天、写作、出书、Partner 对话提供依据。特别之处是能选检索引擎：LlamaIndex（默认，本地向量加关键词）、PageIndex（带页面级引用）、GraphRAG 和 LightRAG（知识图谱检索），或者直接链接一个 Obsidian 仓库让家教原地读写。每个知识库绑一个引擎，重新索引会保留旧版本，不会弄坏正在用的那份。
Learning Space：技能、人格、可复用的上下文
资料库和个性化层。这里保存聊天历史、笔记本、题库（每道存的题都留着你的答案、参考答案和解释），以及 mastery path、人格（比如「同伴」「研究助理」「老师」这类行为预设）、技能（模型按需读取的 SKILL.md 剧本）。技能不用全自己写，从 EduHub 社区目录能直接下载一个进来。
三行命令就能跑，还能被别的 AI 当工具调
最顺的一条路是 PyPI 安装：装好一个完整的本地 Web 应用加命令行工具，不用 clone 代码。需要 Python 3.11+ 和 Node.js 20+。
pip install -U deeptutor deeptutor init deeptutor start # 打开 127.0.0.1:3782
docker run --rm --name deeptutor \ -p 127.0.0.1:3782:3782 \ -v deeptutor-data:/app/data \ ghcr.io/hkuds/deeptutor:latest
一共四种安装路径：PyPI（上面这条）、源码（改代码用）、Docker（单容器跑完整应用）、仅 CLI（给无界面服务器、agent harness、Claude Code / Codex 这类场景，没有网页界面）。认证默认关闭、默认单用户运行；打开多用户后，第一个注册的人是管理员，其他人拿到隔离工作区和脱敏设置页，绝不会暴露原始 API key。配置全是纯 JSON / YAML。
它不止面向人，也面向别的 agent
DeepTutor CLI 有两种用法：交互式的 REPL（deeptutor chat），以及给别的 agent 用的结构化 JSON 输出（加 --format json，每一轮以 NDJSON 流式吐出）。运行是「无头安全」的：没有终端时 ask_user 的暂停会自动用空回复解决，不会卡死。仓库根目录自带一份约 150 行的 SKILL.md 交接文档，Claude Code、Codex、OpenCode 会自动识别它，一次读完就知道整个系统怎么用，也能把 deeptutor run 包成 LangChain、AutoGen 循环里的一个工具。
deeptutor skill search "socratic tutor" deeptutor skill install socratic-tutor
每次从 EduHub 导入技能都要过同一道安全门：注册表安全裁定、压缩包防御性解压、把技能里的 always 字段剥掉（下载的技能不能强行塞进每一次系统提示词），来源写入 .hub-lock.json 供审计。
这些功能怎么拧成一股绳：一篇论文讲清了背后的机制
上面这堆模块看着是一串功能罗列。真正让它们不散、变成一个越用越懂你的系统的，是 HKUDS 团队同期发的一篇论文《DeepTutor: Towards Agentic Personalized Tutoring》。它回答的是一个具体问题：为什么辅导时发现的弱点，能直接决定下一次出什么题；做题的表现，又能反过来改进下一次的讲解。
论文把两样东西耦合成一个闭环：静态知识 grounding（SKG）管「讲的内容对不对，有没有课程依据」；动态个人记忆（DPM）管「这样讲、出这样的题，适不适合这个具体的学生」。两者分工互补，谁都替代不了谁。
SKG 和 DPM 是这篇论文里最抽象的一对概念，先用一张对照卡把它们分清楚：
课程内容对不对
把教材、论文拆成一个个原子知识单元，用知识图谱记它们之间的关系，用向量索引记它们的语义，查询时两路结果合并去重。
负责保证家教讲的东西有依据、事实不出错。
适不适合这个学生
核心是「痕迹森林」：每次完整辅导记成一棵树，节点分三层（会话摘要，中间规划，执行细节），三个专门的记忆 agent 主动检索、比对，持续更新学习者画像。
负责保证讲解的深浅和方式贴着这个人。
就像一个家教，一边翻教材确认知识点没讲错（SKG），一边翻这个学生的错题本决定该怎么讲、下一步出什么题（DPM）。
痕迹森林：给每次辅导都开一份分层病历
痕迹森林是 DPM 的记账本。每一次完整的辅导对话被记成一棵树：Level 1 存会话级的输入和全局摘要，Level 2 存任务拆解出来的中间规划，Level 3 存最细的执行记录，包括工具输出、证据、验证结果。每个节点都带一个向量编码，能在整片森林里按语义相似度检索。系统用一个叫 TraceToolkit 的工具箱去翻它，只有三个动作：按语义找相似（SearchTrace）、按时间或主题过滤枚举（ListTraces）、连着祖先路径完整读一个节点（ReadNodes）。
相当于给每次辅导单独开一份详细病历，病历按「主诉 → 诊断思路 → 具体检查记录」分层写。下次看诊，能翻出旧病历里任意一层的细节，而不是只看到一句「这学生数学一般」。
画像不是被动摘要最新一次对话生成的。每来一条新痕迹，三个专门的记忆 agent 会主动去查 TraceToolkit，把最新行为和跨会话的老模式做对比，再更新画像的三个部分：会话历史摘要、有证据支撑的反复困惑清单、指导未来的教学反思。个性化因此建立在能翻出来的痕迹证据上，而不是一个粗糙的「掌握度分数」。
拼起来看：这一圈怎么转
把两件事接起来看：静态知识和个人记忆先在混合个性化引擎里合成一份「个性化上下文」，同时喂给两条流水线，解题辅导走「先调查、再逐步引导、最后按学生水平写讲解」三步（初学者拿到搭好脚手架的逐步推导，熟练学生只拿关键洞见的简洁总结）；出题走「按这个学生的视角画概念地图选题、再由一个独立验证者查对错」两步。学生做完这一轮，结果又写回痕迹森林、刷新画像。
调查·引导·写讲解
选题·独立验证
论文作者：Bingxi Zhao, Jiahao Zhang, Xubin Ren, Zirui Guo, Tianzhe Chu, Yi Ma, Chao Huang（The University of Hong Kong, HKUDS）。v1 提交于 2026-04-10，v2 于 2026-05-08。
有没有真本事：270 个任务实测下来
为了测个性化辅导，论文自己造了一个学生中心的评测集 TutorBench：先把大学教材和论文索引进知识库，再为每个知识库造 3 个不同水平的学生画像，每个画像挂上有来源依据的知识缺口（分「误解」「理解不完整」「缺失知识」三类），最后每个画像保留恰好 3 个通过的交互式任务。
怎么打分：让一个 AI 学生去跟它上课
评测用一个基于 AI 的学生模拟器去跟每个被测系统互动：模拟器把知识缺口变成第一人称的「我以为……」，多轮辅导后再要一份定制练习，产生的完整对话记录按个性化评分标准打分。评分分两组共十项，各 1 到 5 分。辅导侧五项：来源忠实度、个性化、可应用性、生动度、逻辑深度；练习侧五项：匹配度、依据充分度、多样性、答案质量、跨概念。评测覆盖全部 270 个任务，用 Gemini-3-Flash 驱动学生模拟器和各系统骨干，Claude Sonnet 4.6 当评判。
提升最大的三个维度
条长按 1 到 5 分满分折算。
五个系统横向对比
四个基线都共享同一套检索工具和骨干模型，只是分别加了思维链、自我复审或 ReAct 式工具调用。它们的分数聚得很紧，说明光加这些不足以追上一个真正随学习者自适应的系统。
| 系统 | 辅导均分 | 练习均分 | 总体质量 | 相对提升 |
|---|---|---|---|---|
| Naive Tutor（最简） | 3.96 | 3.10 | 3.53 | ， |
| CoT Tutor（加思维链） | 3.97 | 3.06 | 3.52 | -0.28% |
| Self-Refine Tutor（加复审） | 4.05 | 3.08 | 3.57 | +1.13% |
| ReAct Tutor（工具循环） | 3.96 | 3.08 | 3.52 | -0.28% |
| DeepTutor | 4.39 | 3.42 | 3.91 | +10.76% |
人类偏好对齐：从五个领域分层抽 45 个会话做盲配对，人类评审和 AI 评判在全部十个指标上都把最大偏好给了 DeepTutor，两者胜率高度相关（Pearson r=0.82，p=0.0038）。说明 AI 评判不是无脑偏爱它，而是按评分标准做出了和人相似的排序。
跨领域稳定：五个学科之间总体质量只差 0.16 分，提升不是靠某一门学科撑起来的。
拆开来看：SKG 和 DPM 各管一头，谁都不能少
消融实验分别拆掉两个部件，看哪些指标塌下去：
掉得最多的是「依据充分度」，其次是「来源忠实度」和「跨概念」。
也就是家教开始「讲得没依据」。
掉得最多的是「个性化」和「匹配度」。
也就是讲解和出题不再贴着这个学生走。
两个一起拆，整体下降最大。这证明 SKG 和 DPM 是互补的两套机制：SKG 锚定「家教说了什么」，DPM 塑造「它怎么适应你」，换不了也省不掉。
意外的一笔：把个性化全关掉，脚手架本身也很能打
论文还测了一件事：DeepTutor 那套「调查，解决，写作」的脚手架，是只对个性化辅导有用，还是对通用解题也管用？于是把整个混合个性化引擎（SKG 和 DPM 全禁掉）关掉，只留纯求解器，拿五个公开测试集（HLE、GPQA-Diamond、LiveBench 推理子集、GAIA、AA-LCR）去测一次答对率（Pass@1）的提升。
五个骨干模型全部提升，平均相对增益在 25.69% 到 32.03% 之间。这一档里个性化、SKG、DPM 全被关掉了，所以这个提升点出的是「调查，解决，写作」这套脚手架本身的通用价值。
点开看五个测试集的逐项跳幅
| 骨干模型 | HLE | GPQA-D | LiveBench | GAIA | AA-LCR |
|---|---|---|---|---|---|
| Gemini-3-Flash | 19.40→30.80 | 81.31→84.85 | 70.00→96.00 | 37.58→47.88 | 63.00→74.67 |
| Sonnet-4.5 | 8.40→14.60 | 72.22→73.23 | 64.33→82.00 | 29.09→45.45 | 53.33→54.00 |
| Qwen-3.5-Plus | 16.80→24.20 | 88.38→87.88 | 69.00→93.00 | 33.94→49.09 | 66.00→69.67 |
| GPT-5-Mini | 16.46→21.20 | 80.81→80.30 | 71.00→93.00 | 27.27→49.09 | 68.67→71.00 |
| Minimax-M2.5 | 14.00→19.40 | 82.83→83.33 | 59.30→73.00 | 23.64→42.42 | 66.00→76.40 |
HLE 用固定 500 题子集，GPQA 为 Diamond 档，LiveBench 取推理子集。数字为一次答对率百分比（基线 → 加 DeepTutor 脚手架）。
论文自己划的边界，和你现在能上手的事
论文没把话说满。它明确讲清了哪些是验证过的、哪些还没测。
论文原话强调：Book Engine、TutorBot（现产品里的 Partners）这些系统扩展是「架构实例」，是长期个性化辅导的部署机制，而不是这次评测验证过的干预。它们对留存率、参与度、真实学习结果的影响，需要纵向的人类研究。Chat、Book、Memory 这些功能你现在就能装来用，但「长期用下去真能让人学得更好」这件事，论文自己也没测，留给了将来。交互式评测靠的是 AI 学生模拟器和基于评分标准的评判，天然带着「受控模拟」和「真实学习者」之间的差距；多阶段流水线也是用更高的推理成本换来更强的可控性。论文建议：真实使用时把生成的辅导内容当辅助而非权威，重要论断对照可信的课程材料或人类老师核实。
普通人现在拿到手能做什么
解题辅导中诊断出的弱点会传播到学习者画像，直接决定接下来生成什么题目；反过来，学生在生成题目上的表现精炼画像，改进未来的讲解。 《DeepTutor: Towards Agentic Personalized Tutoring》，论文对「闭合辅导周期」的描述