香港大学开源，给孩子省10万补习费！NAS部署专属「AI 老师」

宝子们，这次的应用是真的有用！

话说最近 cherry 正愁着家里小盆友幼小衔接怎么办呢，报个班几万块绝对是要没有的。突然在 github 发现这款最近上升很火热的「AI 驱动个性化学习助手」，体验了一下效果真的很不错。

DeepTutor 这个项目的特点，在于它不直接提供答案。而是通过引导式的学习方式，一步步利用本地知识库，引导我们开展学习，让我们不断通过知识库知识问答、AI 出题考试、引导式学习、知识图谱与笔记等功能强化自身的知识能力。

今天，我们就讲讲这个系统如何，以及极空间Z425 如何部署。

💬 用户界面层
• 直观交互：简单的双向查询-响应流程，实现直观交互。
• 结构化输出：结构化响应生成，将复杂信息组织成可操作的输出。

🤖 智能 Agent 模块
• 问题求解与评估：分步问题求解和定制评估生成。
• 研究与学习：用于专题探索的深度研究和带可视化的引导式学习。
• 想法生成：自动化和交互式概念开发，具有多源见解。

🔧 工具集成层
• 信息检索：RAG 混合检索、实时网络搜索和学术论文数据库。
• 处理与分析：Python 代码执行、查询项查找和用于文档分析的 PDF 解析。

🧠 知识与记忆基础
• 知识图谱：实体-关系映射，用于语义连接和知识发现。
• 向量存储：基于嵌入的语义搜索，用于智能内容检索。
• 记忆系统：会话状态管理和引用跟踪，用于上下文连续性。

一、DeepTutor 体验

先来说说 API 和费用问题。这个项目需要使用四种 API，分别是 LLMs、向量、TTS、Web搜索。

其中 TTS 和 Web 搜索是可选的，只要我们本地的知识库够丰富，那么完全无需网络。LLMs 的话，我使用的是 Deepseek 的 API，跑完整个项目的体验测试一共花了 2 毛钱。向量模型选的是硅基流动免费的 BGE。

整体花费不算多，用来自学的话，搭配免费的公开课、网课，绝对可以解决绝大多数人的新知识入门。

其次，这个应用也支持本地 ollama 提供，比如像我这样搭建了本地离线 LLMs 的，那么学习过程就是完全免费的了。

DeepTutor 中，任何学习都是建立在知识库（Knowledge Bases）基础上的，我们首先需要创建一个知识库，并且上传教程、论文、学习摘要等内容，支持PDF、TXT、MD三大文件类型。

一旦上传，系统就会通过向量模型对知识库进行内容索引，方便我们后续在知识库上开展学习。

1.课本解读

个人理解，课文理解和智能解答是 DeepTutor 最基础的功能，选择对应的知识库后向系统提问，它会对知识库内容进行检索，并且按一定的步骤解答并提供解答报告。

没错，不是简单的 AI 网页版提供的答案。

我通过本地 LLMs 模型调取了 DeepTutor 在智能回答多轮次双向寻查中过程。提示词设计包含：调查员、知识速记员、战略规划师、工具策划家、助教、题型判官等角色。

并且会在多轮次的自我推演中不断完善回答的内容。当然，这个和我们使用的 LLMs 模型也有很大的关系，推理能力越强，回答的内容往往越丰富。

首轮回答，本地使用了 1.8w token，产生了 markdown 格式的一份引导式答复。

这一份答复，可以作为笔记内容添加到 DeepTutor 的笔记本模块里，后续在题目生成、引导式学习、创意生成、深度研究中都能用得到。这个逻辑就类似，你遇到了问题，那说明你不懂。既然你不懂，我就生成一份笔记给你使用，后续你就可以围绕这份笔记开展深入学习。

笔记本里，采用的是分栏式文件夹，方便检索。

DeepTutor 生成的很多内容都支持加入到笔记本里，可以让学习资料越来越丰富。

2.生成题目

除了课本解读外，围绕知识库还可以启动自定义试题和单元测试。支持简单、中等、困难三种难度，支持多选题、答题两种题型。

我拿了之前写 docker 介绍的两篇文章，丢进来跑了一个关于 docker volume 的试卷。没写任何提示词，就让 DeepTutor 自己跑。

跑了四道多选题，我们可以在生成界面看到 AI 的思考逻辑。

我尝试了一下解答，题目内容难度适中，和我提出的 docker volume 基础知识十分契合，而且每一题选了之后都有会解答步骤在右侧，并由相关知识点覆盖。

另外，以我上传的小学二年级数学课本为例。我要求 DeepTutor 提供了中文的选择题，提供了简单应用题目，效果也很好，比自己去买习题、课本给孩子学习效果差不到哪里去。毕竟目前的 AI 能力，对付这种小 case 那是绰绰有余。

3.引导式学习

引导式学习同样是围绕笔记来的，它可以说是将知识点进行了“提炼、分散”，并且以十分美观的 html 页面展示，支持互动。

比如 docker 核心理念，展示了不同参数的特点、常用指令，并且给出 dockerfile 的标准示例，解答每一步的要点。

对容器和虚拟机，给出了对比，以及资源消耗占比的滑杆，特别直观。

在引导式学习的文本基础上，我们可以进一步和 LLMs 开展多轮对话，进一步完成问答。

4.创意功能

创意功能这里我用的比较少，它的三大模块支持 TTS、网络搜索驱动，即有更深一步学习要求的用户可以进行深入研究。

自动化想法生成：带双过滤工作流的系统化头脑风暴和概念综合

深度研究：基于 RAG、网络和论文搜索的知识拓展

交互式想法生成：带播客生成的 RAG 和网络搜索驱动的 Co-Writer

二、部署 DeepTutor

DeepTutor 的部署流程相对还是比较简单的，使用极空间自带的 Docker - Compose 面板就可以部署。

但是它的环境变量参数比较多，而且必须先填入 LLMs 和 向量模型才可以，具体的我下面再做解释。

具体的大家看注释，我每一条参数都写了注释在里面，TTS 和 网络搜索的先不填没关系，这个都是可选的内容。

然后就是最下面的三个路径，这个建议映射到极空间文件里去，方便后续管理。

services:

deeptutor:

image: ghcr.io/hkuds/deeptutor:latest

container_name: deeptutor1

restart: unless-stopped

ports:

- 28001:28001

- 23782:23782

environment:

# 本地填local，API 直接删除

#- LLM_MODE=local

# ollama 也填 openai

- LLM_BINDING=openai

# LLMs 模型名称

- LLM_MODEL=deepseek/deepseek-r1-0528-qwen3-8b

# LLMs API KEY，ollama 随便填

- LLM_API_KEY=ollama

# LLMs API URL 地址

- LLM_HOST=https://api.deepseek.com/v1

- DISABLE_SSL_VERIFY=false

# 向量模型名称

- EMBEDDING_MODEL=text-embedding-bge-m3

# 向量模型 API KEY

- EMBEDDING_API_KEY=sk-sadjadkljas

# 向量模型 URL 地址

- EMBEDDING_HOST=https://api.siliconflow.cn/v1

- EMBEDDING_DIM=3072

- EMBEDDING_MAX_TOKENS=8192

# TTS 配置，可选

#- TTS_MODEL=

#- TTS_API_KEY=

#- TTS_URL=

#- TTS_VOICE=alloy

# 网页搜索配置，可选，支持 perplexity 和 baidu

#- PERPLEXITY_API_KEY=

- RAG_TOOL_MODULE_LOG_LEVEL=INFO

- BACKEND_PORT=28001

- FRONTEND_PORT=23782

# 下面这俩是后端 API 访问地址，外网写域名，内网写 IP，否则无法使用

- NEXT_PUBLIC_API_BASE_EXTERNAL=http://你的域名:28001

- NEXT_PUBLIC_API_BASE=http://NAS IP:28001

volumes:

- 路径/config:/app/config

- 路径/data/user:/app/data/user

- 路径/data/knowledge_bases:/app/data/knowledge_bases

点击 Compose 部署里的查询路径按钮，在常用的 docker 路径下创建一个deeptutor文件，然后复制路径替换即可。

远程使用方面，极空间提供了极其强大的官方转发服务。在容器页面，选择deeptutor项目，访问 23782 端口就可以在手机、电脑上打开 DeepTutor，享受随时学习的乐趣~

总结

DeepTutor 这个的确是个很有意思的项目，在部署过程中我遇到不少的坑，比如本地 Config 和后端 API 的设置上。

跑下来体验了几天以后，我发现项目这种引导式学习的效果是真的很不错，真的很适合我这种爱学习、爱折腾，很多知识需要从 0 开始入门的人。而且对于我给孩子指定学习规划也很有帮助，比直接去网上 AI 问更加具体，更加能落地。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～