港大开源AI私教火了:换课换题记忆不中断,理工科提分实测有效
不少人用AI查资料时有过这种体验:换一节课、换一道题,AI就"失忆"了,下次还得重新喂背景。DeepTutor想解决的就是这个问题——它是香港大学数据科学实验室(HKUDS)开源的AI学习助手,GitHub已积累超过25k Stars,定位不是"问答机器",而是真正懂你学习状态的终身私教。核心思路是把答疑、出题、研究、可视化、解题这些学习动作,全收进同一个Agent循环里,让上下文跟着你走,而不是每次对话都从零开始。1
它跟普通AI助手有什么不一样?
普通AI学习工具大多是"你问它答"的问答机,你换场景它就忘。而DeepTutor背后是一套Agent-Native(智能体原生)架构——它不把AI当工具用,而是把它当一个有记忆的学习伙伴。六个模式(答疑、解题、出题、研究、可视化、掌握度练习)共用同一个Agent引擎,记忆系统跨越所有模块追踪你的理解进度。"你在解题时遇到的卡点,会自动流进后续的辅导和测验里。"切换模式时历史记录全带着走,不用重开对话、不用重新上传文档。这让它更像一位记住你学习轨迹的导师,而不是每句话都当第一次见面的客服。2
谁用起来会觉得值?
DeepTutor本质是一套学习工作台,不是拿来即用的刷题App。从素材来看,它最适合三类人:有具体学习材料要消化的人——上传PDF教材或论文,构建自己的知识库,然后围绕这些材料出题、解题、研究。有实测用户提到,"之前每月花4000多元请家教,孩子数学成绩提升不明显;改用DeepTutor后,每天花1小时问问题、做练习,一个月后单元测试数学提了15分"。理工科学习者——Deep Solve模式采用多智能体协同解题,每个推理步骤都带引用来源,配合Math Animator把抽象公式做成可视化动画,对数学、物理、代码等需要多步推导的场景支持较好。需要系统性研究能力的人——Deep Research模式能把一个主题拆解成子任务,并行调度检索和网络搜索,生成带引用的调研报告,适合文献综述或技术调研。2
它不是万能的,这些地方要想清楚
DeepTutor的复杂度门槛是真实存在的。它本质上是一套学习工作台,上手需要一定的技术理解力,"需要理解RAG引擎的选型差异、需要为不同学习场景配置不同模型策略、需要花时间建立自己的知识库和笔记体系"。如果只是偶尔问一个简单问题,用它反而更费劲。也有用户提到,"迭代太快文档追不上,有时得翻源码;配Ollama时embedding模型选错,知识库会建到一半报错"。另一方面,DeepTutor提供的是Agent引擎和记忆框架,背后的LLM需要自己配置API Key,装好不等于自带免费大模型。对隐私敏感的用户可以接入本地模型(如Ollama),数据完全留在自己服务器上,不用担心外传——这个特性对在意数据安全的家长和研究者有吸引力。3
总结来看,DeepTutor解决的核心痛点是"学习工具太碎"——答疑工具、解题工具、出题工具、笔记工具各自割裂,每次切换都要重新开始。它把这个流程串进同一个Agent循环里,记忆跟着你走。对愿意花时间配置、有持续学习需求、想要掌控自己数据的人来说,这套工作台值得一试。对只想轻量问个问题、不想折腾配置的人,目前市面上有更简单的替代方案。选哪个,取决于你愿意投入多少时间在这件事上。
当前文章无评论,是时候发表评论了