HyperAI超神经

随着大模型持续渗透教育与学习场景，AI 学习工具正从单一的问答与辅助功能，向覆盖知识获取、理解、练习和研究的完整学习系统演进。香港大学数据智能实验室（HKUDS）开源了个人学习助手 DeepTutor，将 Chat 、 Quiz 、 Research 、 Visualize 、 Solve 、 Mastery Path 等多种学习模式统一到一个 Agent 工作空间中，让学习者能够在同一环境内完成从知识获取到掌握、研究的完整学习闭环。

相关论文：

https://hyper.ai/papers/2604.26962

DeepTutor 的核心理念是「one runtime for every mode」。与传统工具将不同功能彼此割裂不同，DeepTutor 让不同学习模式共享同一套 Agent 系统，用户无需反复切换工具，知识库、书籍、笔记、题库以及学习记忆等内容也能在不同任务之间持续使用。无论是理解一个复杂概念、解决一道难题，还是规划学习路径、开展主题研究，都可以直接通过自然语言完成。

在技术层面，DeepTutor 集成多引擎 RAG 、实时网络搜索、学术论文数据库、 Python 代码执行以及按需调用的子智能体，能够根据用户需求自动完成意图解析、知识检索、任务拆解与内容生成。其核心能力主要包括：

文档知识问答：上传教材、论文、技术文档等资料，构建个人知识库，并进行基于文档的问答与问题求解。
交互式学习可视化：将复杂知识转化为直观的可视化内容，并结合上下文进行互动式学习。
知识强化与练习生成：根据学习内容和掌握情况生成个性化测验与练习题，帮助巩固知识。
深度研究与内容生成：结合 RAG 、网页和学术论文检索，进行主题探索、知识发现与研究内容生成。

相比单纯提供答案的 AI 工具，DeepTutor 更强调学习过程的连续性：从获取知识、理解概念，到练习巩固、掌握知识，再进一步开展深度研究，不同环节都能够共享同一份学习上下文，逐步形成完整的个人学习工作流。

近期 DeepTutor 也在持续补强 Agent 、 RAG 与开发工具能力。从 v1.5.0 到最新的 v1.5.11，项目陆续加入 PageIndex 、 GraphRAG 、 Gemini Embedding 2 、可追溯的 RAG 引用、按模型配置 Reasoning Effort 等能力，并进一步扩展 OpenAI 、 Anthropic 等模型与不同 LLM Provider 的支持。

与此同时，DeepTutor 的 Agent 工具生态也在进一步扩展：支持通过 OpenAI Codex OAuth 使用 ChatGPT 方案登录 Codex，并加入账号级独立 Codex 、 MCP Services，以及可供 Tutor 调用的大量 CLI Apps；Gemini 、 Kimi 、 opencode 、 MiMo 等 Coding CLI 也已接入 My Agents，让 DeepTutor 不再局限于知识问答和内容生成，还可以进一步调用外部工具完成更复杂的任务。

在知识库与运行体验方面，近期版本还加入了 Gemini Embedding 2 原生接口、 PageIndex Agentic Retrieval 、 GraphRAG 索引、多模态图片解析以及更完善的知识库状态与引用能力；同时围绕内存占用、索引缓存、异步上传、 LightRAG 索引和长回复生成等环节进行了持续优化，进一步提升复杂知识库和长时间 Agent 任务下的稳定性。

为了便于大家快速体验 DeepTutor，HyperAI（hyper.ai）教程版块已上线「DeepTutor 个人学习助手」教程，并已同步适配 DeepTutor 近期版本更新，相关环境已经配置完成，感兴趣的开发者可以直接上手体验。