同一道题错了两次，普通聊天AI第三次见到它，还是会从头客套一遍。

单次解释可能很好，学习过程却断着。昨天看过哪份材料、在哪一步算错、哪种讲法没听懂，换个对话就散了。个性化如果没有连续记录，很容易只剩措辞上的热情。

DeepTutor把学习做成一套持续工作的空间。项目目前约有2.55万颗星，把聊天、测验、研究、可视化、解题和学习路径放在同一环境里，让这些模式共享上下文。它还提供可检查的记忆工作台，人能看到系统留下了什么，而不是只能相信一句「我记住了」。

学线性代数时，可以先把讲义放进知识库，围绕材料讨论特征向量；做完小测，错题与薄弱点继续留在学习记录里。下一次再问，系统可以沿着旧记录换一种解释、安排复习或画示意图。连贯性比某一道答案写得花哨更难得。

可检查也很重要。系统一旦把「没看懂这一步」误记成「完全不会这个章节」，后面推荐的内容都会走偏。记录能修改、清理，并且分得清教材原文、学习者的话和模型推断，才有纠错的余地。

当然，它不会因为记得久就自动教得对。关键概念、计算过程和引用仍要对照教材、老师或一手资料。未成年人使用时，监护和数据边界也应先说清。

部署还有门槛：模型、知识库、存储都要配置。材料是否留在本地，取决于完整的数据链路；只看开源或自托管几个字，判断不了内容会不会出站。项目也没有给出提分或替代教师的证据。

它的价值很朴素：把零散问答串成一条能回看的学习轨迹，让人知道自己卡在哪，下一段该补什么。

DeepTutor由HKUDS开源，GitHub仓库全名是HKUDS/DeepTutor。
#马力的AI知识分享#
#马力的AI开源项目分享#