DeepTutor 终身个性化辅导系统
一个智能体的学习工作台，将辅导、解题、测验、研究、可视化和掌握练习集成到一个可扩展的系统中。
证据显示有安全措施：如deny-by-default MCP工具、凭据移出沙箱、用户隔离、HTML转义和注入测试，但缺乏用户确认机制、数据流透明度和回滚策略的明确文档。依赖安全有版本固定和bandit配置，但未提供漏洞扫描结果。外部效果有沙箱和权限控制，但未明确说明。来源归属有明确的版权和许可证，但发布者身份未验证。
自一致性较好：有测试覆盖API端点和评分逻辑，且测试设计考虑了失败关闭和注入防护。依赖可用性有版本固定和Python版本限制，但未提供依赖可用性保证。失败消息有部分错误处理，但未系统化。
受众和场景明确：面向学习者和开发者，提供多种安装路径和CLI。能力边界有文档说明，但触发精度不足，未明确说明何时触发哪些工具。环境适配有Python版本和Node.js要求，但未提供详细的系统要求。
信息架构清晰：有README、文档站点、多语言支持。安装说明详细，命名稳定，有版本号和变更日志。示例和FAQ有提供，但已知限制未明确列出。许可证为Apache-2.0，维护责任有明确的贡献指南和社区渠道。
输出可用性有文档和示例，边际价值高，但成本效益未明确说明，未提供性能或资源消耗数据。
声明可追溯性有arXiv论文和文档，但未提供具体证据。跨来源验证不足，事实与推断分离不明确。
- 发布者身份未验证，需谨慎对待。
- 未提供用户确认机制，敏感操作可能自动执行。
- 数据流透明度和回滚策略未明确文档化。
- 依赖安全未提供漏洞扫描结果，需自行检查。
- 已知限制未明确列出，可能影响部署。
这个 Agent 能做什么，适合哪些场景？
DeepTutor 是一个 Agent-Native 的学习工作台，将所有学习模式统一在一个智能体循环上：聊天、测验、研究、可视化、求解和掌握路径共享同一个引擎，使得上下文能够随学习者流动。它提供多引擎 RAG（LlamaIndex、PageIndex、GraphRAG、LightRAG、Obsidian）、三层可检查的内存（L1 追踪、L2 摘要、L3 综合）、可连接的子代理（Claude Code、Codex、Gemini 等），以及支持 15+ 平台的持久化 IM 伙伴。安装选项包括 PyPI 包、源码、Docker、CLI-only，支持多用户隔离工作区。该项目由 Apache-2.0 许可，并附带 EduHub 技能社区。
DeepTutor 运行一个统一的智能体循环，根据上下文自动安装工具：chat、quiz、deep_research、visualize、deep_solve、mastery_path。它通过 rag、kb_files 工具从知识库检索文档，通过 exec 工具在沙箱中运行模型生成的代码（docx/pdf/pptx/xlsx 技能），并调用 web_search、paper_search、imagegen 等工具。它管理三层内存（L1 追踪、L2 事实、L3 综合），并通过 consult_subagent 工具咨询外部 CLI 代理（Claude Code、Codex、Gemini、Kimi、opencode、MiMo）。CLI 提供 deeptutor run --format json 用于 NDJSON 输出，实现代理间操作。
- 需要从教材 PDF 生成互动书籍的学习者，可以逐章编译成模块化块
- 希望从聊天中咨询 Claude Code 或 Codex 进行编码任务的开发者
- 需要带有引用报告的深度研究调查的研究者
- 想要在支持 IM 的平台上部署个性化解题伙伴的教育者
- 希望反思性、可审计个人资料而非隐藏向量存储的学习者
这个 Agent 有哪些优点和局限？
- 统一的智能体循环覆盖所有模式，上下文在聊天、测验、研究等方面无缝衔接
- 多层内存系统具有可审计的追踪，可追溯每个声明到其证据
- 支持多引擎 RAG（LlamaIndex、PageIndex、GraphRAG、LightRAG、Obsidian），提供灵活的知识检索
- 可连接外部 CLI 代理和 IM 伙伴，扩展功能
- 提供大量安装选项和 Docker 部署，易于上手
- 配置复杂，需要同时管理 Python 和 Node.js 环境
- 模型生成代码的执行需要信任决策，存在安全风险
- 多用户部署需要额外配置和权限管理
- 依赖大量外部服务（LLM 提供商、搜索、嵌入），可能产生成本
- 大量功能增加了学习曲线，需要时间熟悉
如何安装或部署这个 Agent？
四种安装路径：(1) PyPI：pip install -U deeptutor，然后 deeptutor init，deeptutor start；(2) 源码：git clone，创建 venv，pip install -e .，cd web && npm ci --legacy-peer-deps，然后 deeptutor init，deeptutor start --dev；(3) Docker：docker run -p 127.0.0.1:3782:3782 -v deeptutor-data:/app/data ghcr.io/hkuds/deeptutor:latest；(4) CLI-only：pip install -e ./packaging/deeptutor-cli，deeptutor init --cli，deeptutor chat。需要 Python 3.11–3.13 和 Node.js 20+（CLI-only 需要）。
如何使用这个 Agent？
启动 Web 应用后访问 http://127.0.0.1:3782，在设置 → 模型中配置 LLM 提供商。在聊天界面中，使用 + 菜单附加文件、选择知识库或导入代理。使用 @ 或代理芯片咨询子代理。对于 CLI，运行 deeptutor chat 进入交互式 REPL，或 deeptutor run deep_research "Survey 2026 papers on RAG" --config mode=report --format json 进行单轮、机器可读输出。使用 deeptutor kb create、deeptutor memory show、deeptutor skill install 管理资源。
常见问题
DeepTutor 支持哪些 LLM 提供商？
如何保证代码执行的安全？
sandbox_allow_subprocess 设置控制子进程沙箱，默认启用，可设置为 false 或环境变量 DEEPTUTOR_SANDBOX_ALLOW_SUBPROCESS=0 禁用。Docker Compose 部署可使用加固的 runner sidecar。多用户部署如何管理？
auth.json 中启用认证，第一个注册用户成为管理员，可以创建用户并分配模型、知识库、技能、工具策略等。每个用户有隔离的工作区。