Bloom 开源 AI 家教

基于 Bloom 2-Sigma 研究的一对一 AI 家教:苏格拉底式提问 + 自适应课程,学什么都行。

Star 数
★ 323
最近更新
4 天前
License
MIT
主语言
Python

30 秒速览

可在哪里用
通用 · 跨平台Claude Code · OpenAI API
开始前需要
Claude Code(CLI 模式)Python 3.11+uvNode.js 20+pnpmDocker(可选)OpenAI 兼容 API 密钥Shell / 命令行网络访问本地文件系统
典型场景
自学者想系统入门一个陌生领域:描述目标后先审阅大纲,再按自适应节奏逐节学习并拿到期末评测。
主要局限
Web 版没有登录:能打开页面的人就是你,暴露到公网前必须套 VPN、Tailscale 或带 basic auth 的反向代理。
官网
bloomtutor.app ↗ 来自 GitHub 仓库设置
维护状态
近 30 天有提交最近提交 2026-11-17近 7 天每天 +2.6 ★

这个 Agent 能做什么,适合哪些场景?

Bloom 是一个开源的自学工具,灵感来自 Bloom 的“2 Sigma 问题”——一对一辅导能让学生成绩高出课堂均值两个标准差。它提供两条使用路径:一是 Claude Code(或 DeepSeek Harness)中的 bloom-tutor 技能,只需终端即可运行;二是自托管 Web 应用,由 FastAPI 后端和 Next.js 15 前端组成,默认 SQLite、可选 Postgres。核心流程统一为:生成大纲 → 逐节上课 → 高亮提问与批注 → 提交反馈 → 下一节按你的理解水平调整 → 评测 → 课程总结。Web 版还支持上传 PDF、Word、PPT、Excel、EPUB、Markdown、ZIP、项目文件夹或网页链接作为素材,并可用视觉模型把 PDF 页面转成可重排的 Markdown。它不自带模型,需要你填入任意 OpenAI 兼容接口的 API Key,所有数据留在自己的数据库中。

用户先描述学习目标或上传材料,Bloom 会追问几个澄清问题并生成一份“学完后能做什么”的大纲,供你审阅、修改或指定深度(simple/standard/deep)。之后逐节交付课程:每节开头回顾你在上一节思考题中的作答,回答你在高亮处提出的问题(PDF 内也可选段提问或标记但不提问),并遵循你的反馈(更短、更多例子、更慢等);最后一节是评测,随后生成课程总结。另有“Ask this lesson”可针对整节课或整份文件对话,选中文本可翻译成界面语言并解释语境与词根。材料路径下,backend/app 中的 uploads、web_import、document_import 会把文件、链接和浏览器剪藏转为可阅读页面;knowledge*.py 与 coordinate.py 将每门课映射到 Wikipedia Vital Articles 第 5 层的知识树上,并给出三个下一步课程建议。用户中心提供活动热力图、连续学习天数、高亮笔记汇总与 Markdown 导出。

  1. 自学者想系统入门一个陌生领域:描述目标后先审阅大纲,再按自适应节奏逐节学习并拿到期末评测。
  2. 工程师想用自己公司的文档、规范或一堆 PDF 上手新框架:上传资料包,让课程内容带来源引用。
  3. 习惯 Markdown 与终端的 Claude Code 用户:把 skills/bloom-tutor 复制进 .claude/skills/,用“帮我学 X”“我读完了”对话式推进。
  4. 读论文或网页时顺手学习:用浏览器剪藏扩展保存页面,或粘贴链接导入正文与图片后阅读提问。
  5. 想跟踪长期学习轨迹的人:在用户中心看热力图、笔记汇总,并沿知识地图挑选下一步方向。
  6. 需要私有部署的个人或小团队:用 docker compose 在一台机器上跑起无账号的学习环境。

安装与配置要点

摘自下方的安装和使用说明,以项目 README 的最新说明为准。

安装 / 启动命令
  • docker compose up -d --build # then open http://localhost:3000
端口
8000 · 3000
环境变量
BACKEND_JWT_SECRET LLM_API_KEY LLM_BASE_URL LLM_MODEL LLM_FAST_MODEL PDF_READING_MODEL
配置文件
.env .env.example
运行环境
Python 3.11+ · Node.js 20+
安装说明涉及
Docker

如何安装或部署这个 Agent?

CLI 模式只需 Claude Code,无需后端。

git clone https://github.com/Li-Evan/BloomTutor.git
cd BloomTutor

# Install the tutor skill locally for this clone
mkdir -p .claude/skills
cp -R skills/bloom-tutor .claude/skills/

claude

或以插件形式安装(打包 bloom-tutor 与 learn-* 技能):

/plugin marketplace add Li-Evan/BloomTutor
/plugin install bloom@li-evan

DeepSeek Harness 用户可安装同一套技能:

dsh plugin --profile web add github:Li-Evan/BloomTutor

Web 模式需要 Python 3.11+(含 uv)、Node.js 20+(含 pnpm)以及任意 OpenAI 兼容模型的 API Key:

git clone https://github.com/Li-Evan/BloomTutor.git
cd BloomTutor

make setup          # creates .env with a random BACKEND_JWT_SECRET, installs backend and frontend deps
# edit .env: fill in LLM_API_KEY, LLM_BASE_URL and LLM_MODEL

make dev-backend    # terminal 1: runs the database migrations, then the API on 127.0.0.1:8000
make dev-frontend   # terminal 2: the web app on http://localhost:3000

或使用 Docker:

make setup                   # or: cp .env.example .env and fill it in yourself
docker compose up -d --build # then open http://localhost:3000

如何使用这个 Agent?

CLI 模式启动后直接用自然语言指令开始学习:

Create a new folder and help me learn [any topic]

Web 模式打开 http://localhost:3000,点击 New course,选择“Topic”或“Your materials”后按流程推进。关键环境变量:

# LLM_API_KEY, LLM_BASE_URL, LLM_MODEL: the model used for syllabi, lessons and answers
# LLM_FAST_MODEL: optional smaller model for the knowledge map, course placement and selection translation
# PDF_READING_MODEL: optional vision model for "PDF reading" (page images → Markdown)
# LLM_EXTRA_BODY: JSON passed as extra_body on every call, e.g. {"thinking":{"type":"disabled"}} for DeepSeek
# BACKEND_JWT_SECRET: shared by the frontend server and the backend
# DATABASE_URL: defaults to backend/storage/bloom.sqlite3

常用命令:

make setup            # create .env, install dependencies
make test             # backend pytest + frontend tests
make up / make down   # docker compose start / stop

这个 Agent 有哪些优点和局限?

优点
  • 以 Bloom 2-Sigma、掌握学习、苏格拉底提问、间隔回想为明确设计原则,并把“回顾上节作答 + 按反馈调整下一节”写进课程引擎。
  • 不绑定模型厂商:只要 OpenAI 兼容的 chat completions 接口即可,可接 OpenAI、DeepSeek、Qwen/DashScope、Moonshot 或本地 Ollama。
  • 同一套技能包可在 Claude Code、DSH 插件和 Web 三种入口复用,skills/ 下每个目录无外部依赖,可直接复制使用。
  • 素材路径完整:支持 PDF、Word、PPT、Excel、EPUB、Markdown、文本、ZIP、文件夹与网页链接,并保留来源引用。
  • 自托管且单用户:无账号无计费,数据存在自己的 SQLite(或 Postgres)与 Docker 卷中,可选用 Langfuse 追踪模型调用。
局限
  • Web 版没有登录:能打开页面的人就是你,暴露到公网前必须套 VPN、Tailscale 或带 basic auth 的反向代理。
  • 从旧 Vite 版本升级不迁移 bloom.db,新应用从 backend/storage/ 的空数据库开始。
  • 需要自带模型 API Key,实际使用会产生按量计费的调用成本,且“PDF reading”另需一个视觉模型。
  • 两套入口的配置成本不同:Web 模式要同时维护 Python 与 Node 两套工具链、.env 与 JWT 密钥。
  • 无内置多用户、权限与计费能力,不适合班级或机构级部署。

这个 Agent 与同类方案有什么区别?

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
Bloom 开源 AI 家教 当前 57 · 缺口较多 — ★ 323 4 天前 Python Claude Code · OpenAI API
YouTube Fetcher to Markdown 81 · 表现良好 Agent 插件 / 技能免费 ★ 544 1 个月前 Python Codex · Claude Code
Obsidian Second Brain 63 · 存在缺口 Agent 插件 / 技能免费 + 模型费 ★ 5.4k 3 天前 Python Codex · Claude Code
Folio 77 · 表现良好 自托管服务免费 + 模型费 ★ 90 2 天前 TypeScript ChatGPT · Codex · Claude Code · Claude.ai

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
缺口较多
57/ 100 五分制 2.9 / 5
信任安全 14/29
可靠稳定 9/14
适用触发 12/18
规范维护 12/18
有效结果 7/13
证据核验 3/8
查看各维度的扣分理由
信任安全14 / 29 · 2.4/5

最小权限:后端仅绑定 127.0.0.1、docker compose 不发布后端、CORS 限定 WEB_URL,属合理默认(2);但无登录、任何人可访问即等同本人,且 JWT 密钥仅校验长度,扣分。用户确认:SKILL.md 强制单篇生成、禁止用户触发 summary,属产品设计而非破坏性操作,但上传/导入/删除等外部动作未见显式确认流程,仅 1。数据流透明:README 明确说明数据留在自有数据库、可选 Langfuse 追踪、模型网关可自选,main.py 日志刻意不打印 URL/密钥,较好(2)。敏感数据:conftest 强制测试离线、不连真实网关与 Langfuse,密钥长度校验,但未见对上传 PDF/用户笔记的加密或保留策略说明,2。依赖安全:有 secret-scan 与 lockfile 冻结安装,但未见依赖漏洞扫描/SBOM,1。外部影响:网页导入、浏览器剪藏、PDF 视觉模型会向外发请求,未见速率限制或域名白名单说明,1。回滚:仅说明旧 Vite 版数据库不迁移、新库从空开始,无备份/回滚指引,1。来源归属:LICENSE、THIRD_PARTY_NOTICES、字体 OFL 说明、知识树来源(Wikipedia Vital Articles)均有标注,2。

可靠稳定9 / 14 · 3.2/5

自洽性:SKILL.md 决策树、references 索引与 README 流程一致,main.py 启动校验缺配置即报错,2。依赖可用性:README 给出 Python 3.11+/Node 20+/uv/pnpm 版本,CI 用 uv.lock 与 pnpm-lock 冻结安装,2。失败信息:启动缺 JWT/LLM_MODEL 有中文明确报错,全局异常返回友好 detail 并带 CORS 头,housekeeping 失败记录并重试,2。

适用触发12 / 18 · 3.3/5

受众场景:区分 CLI 与 Web 两种模式、面向学习者与自托管者,2。能力边界:SKILL.md 明确单篇生成、苏格拉底提问≤2 轮、summary 不可主动触发,边界清晰,2。触发精度:description 列出中英触发词与场景,learn-deep 明确默认入口与单视角例外,2。环境适配:支持 OpenAI 兼容网关、Ollama、SQLite/Postgres、Docker,2。

规范维护12 / 18 · 3.3/5

信息架构:README 结构清晰、项目树与 docs/ARCHITECTURE 指引,2。安装说明:CLI/插件/DSH/Web/Docker 多路径步骤完整,3。命名稳定性:插件名 bloom、包名 bloomtutor-dsh、skill 名 bloom-tutor 并存,版本号 1.0.0/0.1.0/0.3.0 不统一,2。示例与 FAQ:有 example/ 与 GUIDE.md,但样本中未见 FAQ,2。已知限制:README 标注 PDF reading 实验性、无登录需置于认证之后、旧库不迁移,2。许可证:MIT 全文与第三方声明齐全,3。版本与变更日志:仅插件/包版本字段,未见 CHANGELOG,1。维护责任:作者署名 Li Zhengping/Evan,但发布者未经注册表验证,无维护承诺或安全联系渠道,1。

有效结果7 / 13 · 2.7/5

输出可用性:产出 syllabus/lesson/summary 等 Markdown 文档,格式模板在 references 中定义,可直接使用,2。边际价值:把 Bloom 2σ 与苏格拉底/费曼等方法打包为可移植 skill,有实际增量,但同类学习 skill 较多,2。成本收益:每篇课程需多次模型调用,Web 模式还需自托管数据库与前端,成本不低且效果依赖模型质量,1。

证据核验3 / 8 · 1.9/5

主张可追溯:README 引用 Bloom 1984 与 Wikipedia Vital Articles,但无具体链接或数据出处,1。交叉印证:README、SKILL.md、plugin.json 对功能描述基本一致,但 +2σ 效果主张无仓库内证据支撑,1。事实与推断分离:README 将研究结论与产品能力混述(如“把学习效果推向 +2σ”),未区分已证与推断,1。

风险与缓解建议
  • Web 模式无登录,任何人可访问即等同本人;暴露到公网前必须置于 VPN/反向代理认证之后。
  • 上传资料、网页导入与浏览器剪藏会把内容发送到所配置的模型网关,需自行确认数据出境与隐私合规。
  • 旧 Vite 版数据库不迁移,升级前请自行备份;仓库未提供回滚或备份流程。
  • 发布者身份未经注册表验证,维护承诺与安全响应渠道不明确,长期可用性需自行评估。
  • README 的 +2σ 效果主张缺少仓库内可核验证据,应视为产品愿景而非已证结论。
证据充分度:低 评估于 2026年11月16日 审查版本 d3d9c0b60958 评估后仓库已有新提交,评分可能未覆盖最新改动
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/bloomtutor.svg?lang=zh)](https://followagents.com/zh/agents/bloomtutor)
<a href="https://followagents.com/zh/agents/bloomtutor"><img src="https://followagents.com/badge/bloomtutor.svg?lang=zh" alt="FARS 评测"></a>

常见问题

我不填 API Key 能用吗?
CLI 模式借用你已有的 Claude Code(或 DeepSeek Harness)会话,不需要单独配置后端;Web 模式则必须提供 LLM_API_KEY、LLM_BASE_URL 与 LLM_MODEL,否则无法生成大纲和课程。
Web 版能放到公网给多人用吗?
不建议直接放。Web 应用是单用户、无登录设计,后端只接受用 BACKEND_JWT_SECRET 签名的请求且不被 docker compose 对外发布;对外暴露前需要 VPN、Tailscale 或带 basic auth 的反向代理。
我可以换成本地模型或别家模型吗?
可以。任何 OpenAI 兼容的 chat completions 接口都能接,README 列举了 OpenAI、DeepSeek、Qwen/DashScope、Moonshot 和本地 Ollama;LLM_EXTRA_BODY 可向每次调用注入额外参数(例如 DeepSeek 关闭 thinking)。
学习数据存在哪里?
默认存于 SQLite(backend/storage/bloom.sqlite3);Docker 部署时位于 bloom-storage 卷,内含数据库和你素材中的图片。设置 DATABASE_URL 可改用 Postgres,用户中心还能把高亮笔记导出为 Markdown。
知识地图的内容从哪里来?
每门课会被放到一张共享知识树上,该树是 Wikipedia Vital Articles 第 5 层快照,包含在 backend/data/knowledge/ 中并由 Alembic 迁移导入;这部分数据的授权与其他第三方组件各自保留,见 THIRD_PARTY_NOTICES.md。
Bloom 开源 AI 家教 官网是什么?
Bloom 开源 AI 家教 的 GitHub 仓库填写的官网是 https://bloomtutor.app/。这个链接由仓库作者设置;源码在 GitHub(Li-Evan/BloomTutor)。
Bloom 开源 AI 家教 开源吗?
开源。源码在 GitHub(Li-Evan/BloomTutor),许可证是 MIT。
Bloom 开源 AI 家教 安全吗?
FollowAgents 的 FARS 评审(2026年11月16日)给 Bloom 开源 AI 家教 的“信任与安全”打了 14/29 分。评审检查的 8 项安全措施没有完全缺失的。评审之后仓库已有更新。
Bloom 开源 AI 家教 还在维护吗?
在维护。GitHub 上最近一次提交是 2026-11-17,在最近 30 天内。
Bloom 开源 AI 家教 是谁开发的?
Bloom 开源 AI 家教 由 GitHub 账号 Li-Evan 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

所属宿主生态

对比同类 Agent

用同一套 FARS 评审,横向比较这个 Agent 所属的短名单。

相关核心概念