看到「開源 AI 家教」，很容易腦補成：把講義丟進去，它就能陪我解題、出考題，還不用付訂閱費。聽起來很香。問題是，這句話把程式碼免費、安裝在自己的電腦、學習功能完整，以及真的能學得更好混成一件事。

這篇談的是香港大學 Data Intelligence Lab 的 HKUDS/DeepTutor。我沒有完成繁中教材的第一手實測，因此不會宣稱它支援台灣課綱、學測題型，或能穩定處理所有繁中 PDF。以下功能與規格以 2026 年 8 月 2 日查到的官方文件為準，真正要不要用，得過安裝、成本、資料流與成效四道閘門。

先講結論：需要自己的教材做 grounding、想反覆出題、保留跨 session 記憶，而且願意維護環境，DeepTutor 才有升級價值。只想偶爾問一題，用既有聊天工具會更輕鬆。Apache-2.0 代表程式碼可依授權使用，不代表模型 API、embedding、主機和時間都免費。

想像你下週還要繼續讀同一份統計學講義。一般聊天工具可以在這次對話裡回答講義問題；DeepTutor 想解決的則是把教材知識庫、引用紀錄、分步解題、反覆出題與跨 session 記憶放在同一個 workspace。這不是保證答案更準，而是少一點在不同對話間重建學習脈絡的工作。若你不需要這條長期流程，就沒有必要為了功能表更長而搬家。

先認對產品，本文談的是 HKUDS/DeepTutor

搜尋 DeepTutor 很容易踩到同名陷阱。KnoWhiz 的 Zotero 研究助理、商業學習網站，以及 2015 年發表的同名智慧教學系統，都不是本文這套工具。評論一旦混用，價格、功能、隱私政策與研究結果也會跟著串錯。

辨認方法不難：repo owner 應是 HKUDS，文件網域是 docs.deeptutor.info，2026 年論文作者則來自 HKU Data Intelligence Lab。三項對不上，就別把搜尋結果當證據。官方目前把它定位為開源、agent-native 的 learning companion，採 Apache 2.0 授權。

受眾匹配梯，什麼情況值得離開一般聊天工具？

DeepTutor 真正多出來的，是一套共用工作區。官方文件顯示 Chat、深度解題與研究能力、知識庫、citation history，以及三層記憶由同一個 runtime 串起來。這適合一週又一週讀同一門課、希望工具記住學習歷程的人。

你的需求	比較合理的起點
偶爾問零散問題，希望立即使用	一般聊天工具
主要針對上傳資料問答、找來源	託管式教材工具
要把教材、出題、解題與長期記憶串起來	試 DeepTutor
需要判斷情緒、盲點與真實學習狀況	保留教師或真人家教

DeepTutor 值得安裝的條件：至少同時需要教材 grounding、反覆學習動作與跨 session 記憶，並願意管理 API key 和本機服務。只命中一項，安裝與維護摩擦很可能高過收益。

安裝前環境檢查，先確認 API 與最低規格

根據 官方 Get Started，目前最低需求是 Python 3.11 至 3.13、PyPI 路徑使用 Node.js 20 以上、from source 使用 Node.js 22 LTS，另需 4 GB 可用 RAM 與 2 GB 可用磁碟。還要有 LLM API key；要用 Knowledge Base，官方也建議準備 embedding provider。

安裝前逐項確認：Python 與 Node.js 版本、可用 RAM、磁碟空間、LLM provider、API key，以及 embedding 要走雲端或本機。還有一個常被忽略的條件，你是否願意自己看錯誤訊息、升級套件與備份 workspace。

翻成人話，你至少要準備一個可呼叫模型的 provider 帳號與 API key。若要讓 Knowledge Base 檢索教材，還要確認 embedding 怎麼提供。雲端 provider 可能依方案與用量計費；本機方案則把負擔移到硬體與設定。第一次排錯通常會圍繞 Python 或 Node.js 版本、金鑰、網路連線與本機服務，不熟悉這些項目，就先只用非敏感測試資料。

4 GB RAM 和 2 GB disk 是「最低需求」，別把它讀成大型教材或本機模型的舒適規格。官方也沒有承諾每個人多久能裝完，看到「半小時保證完成」之類的說法，先保留懷疑。

PyPI、Docker、from source、CLI-only 怎麼選？

四條路徑看起來像技術選單，其實是在選願意背多少維運責任。

路徑	Web UI	適合誰	主要代價
PyPI	有	第一次試用、想走最短路徑	仍要準備 Python、Node.js 與 provider
Docker	有	熟悉 container、要持久化部署	要管理 volume、port、更新與網路
From source	有	要改 code 或參與開發	依賴與版本管理最多
CLI-only	無	headless 主機或 agent harness	沒有 Web UI，KB/RAG 要主動開 embedding

第一次碰 DeepTutor，我會選 PyPI。要改 code 才走 source；已經知道 volume、reverse proxy 與 secrets 怎麼管，再考慮 Docker。CLI-only 是給明確知道自己不需要 Web UI 的人，不是新手捷徑。

mkdir my-deeptutor && cd my-deeptutor
pip install -U deeptutor
deeptutor init
deeptutor start

deeptutor init 會帶你建立 workspace 與設定 provider，實際選項以當前版本的互動提示為準。deeptutor start 後，依終端顯示的本機網址開啟 Web UI，不要硬套網路文章中的 port。接著建立 Knowledge Base、確認 embedding 已設定、匯入第一份文件，再問一個答案能回到教材原文的問題。若任何一步的名稱與本文不同，以當前官方文件和終端輸出為準。

遇到問題先縮小範圍：用 python --version 與 node --version 確認目前 shell 叫到的版本；確認安裝套件與執行指令使用同一個 Python 環境；看終端是否回報 port、金鑰或 provider 錯誤；最後才換安裝路徑。官方沒有承諾固定完成時間，因此本文不提供看似精準的「一小時裝完」估計。

截至 2026 年 8 月 7 日，官方最新 release 是 v1.5.9，發布於 8 月 4 日。版本會繼續變，安裝前仍應回 release 頁確認，而不是把本文版本當永久答案。

第一份教材的最小可行測試，從匯入到出題

先別把整學期講義、未公開論文和考卷全部倒進去。挑一份沒有個資、不敏感，而且同時含有一般文字與一小段較難版面的繁中教材。目標不是「成功上傳」，是跑完四項驗收。

1. 匯入：文字是否完整，頁序、標題與段落有沒有亂掉。
2. 引用：回答能否定位原頁或原句，不只顯示一個來源名稱。
3. 解題：要求它先問卡在哪，再給分步提示，最後才揭示答案。
4. 出題：題目、答案與解釋能否回到教材核對。

官方 Knowledge Center 說明文件解析、知識庫與檢索能力，但不同解析引擎有不同依賴。目前欠缺繁中掃描頁、表格與公式的可靠實測，通過簡單文字 PDF 也不能推論其他格式都沒問題。

建議替每份測試教材留一張紀錄表：是否為掃描檔、是否包含表格或公式、文字解析是否完整、引用能否回到原頁、題目與答案是否忠於教材，以及實際錯誤案例。這是一個待實測模板，不是 DeepTutor 已通過繁中驗收的證明。至少分開測純文字、掃描頁與含公式文件，避免把最簡單格式的結果外推到全部教材。

可以先給 tutor 一段行為規則：「先用一個問題確認我的理解；答錯時只給一個提示；第二次仍答錯才拆成步驟；我明確要求時才提供完整答案。」接著故意答錯，確認它是不是真的照做。prompt 寫得漂亮不算過關，行為能重複才算。

開源免費的總成本，別急著問固定月費

DeepTutor 的 Apache-2.0 授權免除了軟體授權費，但完整成本至少有四格。

成本	要查什麼
LLM	provider、model、輸入輸出用量與計價方式
Embedding	是否啟用知識庫、文件量與 provider
主機或硬體	雲端主機費，或本機設備、電力與儲存
維護時間	安裝、排錯、升級、備份與安全設定

沒有指定 provider、model、文件量和使用頻率，就算不出可信的「每月多少錢」。比較實際的做法是先設試用上限：用一份教材、固定幾次問答與出題，跑完後看 provider 的實際用量。若本來只需要每週問幾個問題，省下的軟體費可能還不值一個晚上排錯。

正式搬入整門課之前，也要先測退出路徑。確認教材原檔是否另有備份、workspace 的 data/ tree 能否完整備份與還原，以及知識庫、對話、記憶與設定中哪些能匯出、哪些需要重建。官方文件沒有明確保證的資料可攜項目，就標成「未確認」，不要等到換 provider、搬機器或升級失敗才第一次做還原演練。

教材送去哪裡，自架不等於完全離線

官方文件指出設定、知識庫、記憶、多使用者帳號與 audit logs 會放在 workspace 的 data/ tree。這代表你能控制 DeepTutor 自己的資料目錄，卻不能直接推出「所有內容都留在這台電腦」。

自行部署的隱私邊界：只要 LLM、embedding、文件解析或搜尋其中一段使用外部 provider，prompt、教材片段或查詢就可能離開本機。是否留存、用於訓練或保存多久，要看實際選用的供應商條款。

匯入前畫四個方框：LLM、embedding、解析、搜尋。每格寫下 provider、傳送內容與保存政策。任何一格回答不出來，就先不要放個資、學生考卷、未公開研究或內部教材。

citation 怎麼抽查，避免「有來源」變成安全感

citation 很有用，因為它讓你有機會查出錯誤。它本身不保證檢索片段相關、模型理解正確，也不保證教材原文沒錯。

每批回答抽查三件事：找到原頁、對照原句、判斷原句是否真的支持結論。再做一次反向測試，把教材或 KB 拿掉後問同一題，觀察工具是否補進沒有清楚標示的通用知識。只顯示檔名卻找不到支持句，等同沒有通過。

benchmark 能證明什麼，不能證明什麼？

2026 年的 DeepTutor preprint 提出 hybrid personalization、multi-resolution memory、closed tutoring loop 與 TutorBench。2026 年 7 月 9 日更新的 v3 摘要報告，在五個 backbone models 的作者實驗中，一般 agentic reasoning 平均提升 29.4%。這是作者的 benchmark 結果，不是學生學習成效。

這份研究能支持系統設計與作者實驗結果，不能證明台灣學生長期成績提高、記憶更牢、補習需求下降，更不能證明可以取代真人教師。它是 preprint；本文查到的官方 repository、文件與這篇論文，未包含台灣場域的長期真實學生對照研究，因此不足以支撐這些外推。

想知道對自己有沒有用，做一個小型前後測：用同一章教材，先答一組題目，經過數次練習後再答難度相近的題目，記錄錯題類型與隔週保留狀況。這只能當個人適配證據，但比 GitHub stars 更接近真正想問的事。

公開部署與多人使用前的安全停損線

deeptutor start 能啟動服務，不代表可以直接暴露到公開網路。官方預設會啟動 FastAPI backend 與 Next.js frontend，Docker 或多人部署還牽涉 port、資料 volume、API keys 與帳號隔離。

未確認 auth、CORS、port 暴露、secret 管理、備份與 workspace 隔離前，只在本機使用。需要多人共享時，找熟悉部署的人加固，也要實際測試不同帳號能否看到彼此的教材、session 或記憶。這裡沒有一組萬用安全設定值，因為網域、proxy 與身份驗證架構不同，照抄反而危險。

最後的 go/no-go，誰適合試，誰應該先跳過？

把四道閘門放在一起：環境裝得起、成本上限可控、資料流可接受、願意自己驗證成效。四項都過，再把更多教材搬進去。卡在任何一項，先停在一份非敏感測試文件就好。

如果想讓自己的教材、出題、解題與長期記憶進入同一個工作區，也願意維護環境，從 PyPI 和一份小教材開始。如果只求即開即用，或沒有把握管理敏感資料，就先選託管工具並保留真人協助。得到「現在不要裝」的答案，也很省時間。