知识管理 on 拾光集

DeepTutor：可本地部署的开源 AI 学习与工作伴侣

Tue, 28 Jul 2026 15:16:00 +0800

同时使用 ChatGPT、Claude、知识库、笔记软件和多个 AI Agent 时，真正影响效率的往往不是模型能力，而是分散的窗口、重复导入的资料，以及无法连续保存的上下文。

DeepTutor 是一个开源的智能学习工作区。它把对话、知识管理、书籍学习、智能体、写作、研究和长期记忆等功能整合在同一个工作空间中，减少在不同 AI 工具之间反复切换的问题。

DeepTutor 是什么？

DeepTutor 是由 HKUDS 开源的 Agent-native 个性化学习平台。

与普通 AI 聊天工具不同，DeepTutor 不只是回答问题，而是尝试把用户上传的资料、历史互动、学习进度和个人知识组织到同一个工作环境中。

官方目前提供的主要工作区包括：

对话与学习辅导
AI Partners 与自定义智能体
协作写作
书籍阅读与学习
Learning Space 学习空间
Memory 长期记忆
Knowledge Center 知识中心

这些模块共享统一的运行上下文，因此从阅读资料切换到提问、写作或练习时，不必频繁重新提交背景信息。

传统 AI 工作流常见的问题

1. 多个窗口来回切换

完成一个学习或研究任务时，可能需要同时打开：

AI 对话工具
PDF 阅读器
浏览器
笔记软件
文档编辑器
本地文件夹

工具越多，注意力越容易被界面切换打断。

2. 知识与对话无法连续积累

很多 AI 对话结束后，资料、结论和上下文仍然分散在不同会话中。

下次继续处理同一个主题时，往往还要重新上传文件、解释背景和复制之前的内容。

3. AI 只回答问题，不管理学习过程

普通聊天机器人通常更擅长完成一次性问答，但不会主动整理知识、生成练习、记录薄弱点或根据历史表现调整学习内容。

DeepTutor 希望解决的正是这个问题：让 AI 从临时问答工具，变成能够持续参与学习过程的助手。

DeepTutor 的核心功能

功能模块	主要作用
AI 对话	针对上传资料或指定主题进行提问、解释和学习辅导
知识中心	管理个人资料，并在回答中检索和引用相关内容
书籍学习	阅读长文本、整理章节、提取重点并辅助理解
个性化记忆	保存学习记录和互动信息，形成持续更新的用户画像
问题与练习生成	根据资料生成问题、测验和针对性练习
智能体系统	通过不同 Agent 分工完成研究、学习和复杂任务
协作写作	根据资料进行整理、改写和内容创作
可视化学习	通过图表、结构图等方式展示概念和知识关系

DeepTutor 的相关研究介绍了一套混合个性化机制：一部分用于连接静态知识资料，另一部分用于从持续互动中整理用户的学习状态和历史记录。

系统还会把资料问答、问题生成、难度调整和学习反馈连接起来，形成相对完整的学习闭环。

DeepTutor 适合哪些人？

DeepTutor 更适合以下使用场景：

学生和自学者

可以上传教材、论文、讲义或自己的笔记，让 AI 帮助解释概念、总结重点、生成问题和检查掌握情况。

研究人员

可以将论文和研究资料放入知识中心，用于资料检索、文献理解、多文档分析和研究写作。

内容创作者

可以利用个人资料库完成选题研究、文章整理、知识提炼和内容写作，减少反复查找资料的时间。

需要长期积累知识的工作者

咨询、产品、技术、运营和教育工作者，可以把项目资料与个人经验逐步沉淀到统一工作空间中。

DeepTutor 是否完全离线？

DeepTutor 支持本地部署，但“本地部署”并不一定等于“完全离线”。

实际的数据处理方式取决于你连接的模型和服务：

使用本地大模型和本地嵌入模型时，可以减少资料发送到第三方服务器的情况。
使用 OpenAI、Claude 或其他云端模型时，请求内容仍可能发送给对应的模型服务商。
部署前应检查模型接口、知识库、日志目录和数据存储设置。

因此，更准确的说法是：DeepTutor 提供本地部署和自行配置模型的能力，隐私程度取决于最终的部署方案，而不是安装完成后天然完全离线。

DeepTutor 的优点

开源，可以查看代码并自行部署
将学习、知识库、写作和智能体整合到统一工作区
支持持续记忆和个性化学习
适合处理书籍、文档和长期知识资料
可以连接本地模型或兼容的模型服务
支持通过 Skill 扩展智能体能力

官方仓库显示，DeepTutor 已采用 Apache-2.0 开源许可证，并在 2026 年发布了重新设计的 1.0.0 版本。

使用前需要注意的问题

DeepTutor 功能较多，因此部署和使用成本通常会高于普通 AI 聊天客户端。

使用前建议确认：

电脑是否已经安装所需的 Python、Node.js 等运行环境。
准备使用本地模型还是云端模型。
本地设备是否有足够的内存、显存和存储空间。
上传的资料是否包含敏感信息。
当前版本支持哪些模型、文件格式和知识库组件。

如果只是偶尔向 AI 提问，普通聊天工具可能更加简单。

如果你的重点是长期学习、知识积累、资料研究和个性化辅导，DeepTutor 才更能体现价值。

总结

DeepTutor 并不是简单地把多个 AI 功能放进一个界面。

它更重要的价值，是把资料、对话、记忆、学习进度和智能体能力放进同一个持续运行的工作环境中。

对于需要长期阅读、研究和整理知识的人来说，这种工作方式可以减少重复导入上下文，让 AI 从一次性问答工具逐渐变成真正能够参与学习过程的助手。

项目地址

GitHub：https://github.com/HKUDS/DeepTutor
官方网站：https://deeptutor.info/
开源许可证：Apache-2.0

用 AI 做深度研究：STORM 方法图解与 4 组实用提示词

Tue, 28 Jul 2026 11:22:00 +0800

很多人使用 AI 做研究时，采用的方式仍然是：

提出一个问题，等待 AI 给出一段完整答案。

这种方法适合快速了解概念，却很难完成真正的深度研究。

原因很简单：当问题比较复杂时，不同领域、不同利益关系和不同立场的人，往往会得出完全不同的结论。只让 AI 给出一个答案，通常只能得到经过压缩的主流观点，而看不到观点之间的矛盾、证据强弱和尚未解决的问题。

更有效的方法，是让 AI 先从多个视角提出问题，再检索资料、比较证据、整理冲突，最后形成结构化结论。

这正是斯坦福大学 OVAL 实验室提出的 STORM 方法所关注的问题。

一、什么是 STORM？

STORM 的全称是：

Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking

可以理解为：

通过信息检索和多视角提问，综合生成主题大纲。

STORM 是斯坦福 OVAL 实验室开发的一套 AI 知识研究与长文生成系统。它的目标并不是让 AI 直接写出答案，而是在写作之前先完成更充分的资料调查。

其核心流程包括：

发现与研究主题相关的不同视角；
模拟不同视角的提问者；
根据可靠的网络资料回答问题；
整理收集到的信息；
生成结构化文章大纲；
按照大纲撰写带有引用来源的长文。

因此，STORM 更适合处理需要多来源、多视角和结构化分析的复杂问题。

例如：

某项新技术是否值得采用；
一个商业模式是否可持续；
某个行业未来可能如何变化；
一项政策会影响哪些群体；
一个产品是否值得长期投入；
某个社会观点是否有充分证据支持。

需要注意的是，下面介绍的“四步提示词工作流”并不是 STORM 官方固定模板，而是根据其多视角提问、检索、整理与验证思想改造出来的实用方法。

二、第一步：多视角扫描

面对复杂问题时，不要立即要求 AI 给出最终结论。

第一步应该让 AI 从多个角色出发，分别提出观点、证据和疑问。

多视角扫描提示词

将下面的提示词复制给支持联网搜索的 AI，并替换其中的研究主题。

你是一名深度研究助手。

请围绕以下主题展开多视角研究：

【研究主题】
在这里填写需要研究的问题。

请分别模拟以下五种角色：

1. 实践者：关注真实执行经验、现实限制和理论与实际之间的差距。
2. 学者：关注同行评审研究、理论模型、数据质量和学术共识。
3. 怀疑者：挑战主流观点，提出最有力的反方论证。
4. 经济学家：分析利益关系、成本结构、激励机制和资源分配。
5. 历史学家：寻找历史案例、长期规律和类似事件。

每个角色分别输出：

- 核心立场；
- 支持该立场的三个主要论据；
- 可以查证的证据或来源；
- 该视角最担心的问题；
- 一个其他角色可能忽略的重要信息；
- 当前结论的置信度，使用高、中、低表示。

要求：

- 不得虚构研究、统计数据、专家观点或来源；
- 将事实、推测和观点分开表达；
- 优先引用原始资料、官方文件和学术论文；
- 无法确认的信息必须明确标注；
- 不要急于给出统一结论。

这一步的重点不是马上判断谁对谁错，而是尽可能展开问题的不同侧面。

三、第二步：绘制矛盾图

多视角研究真正有价值的地方，不是得到五段相似的介绍，而是发现它们之间的分歧。

例如：

学术研究认为某种方法有效，但实践者认为执行成本太高；
经济学家认为市场会迅速接受，但历史学家发现类似技术曾多次失败；
多数观点支持某项政策，但怀疑者指出研究样本存在偏差。

这些冲突往往比单独的观点更值得研究。

矛盾图需要分析什么？

1. 直接矛盾

找出无法同时成立的结论。

例如：

1
2
3

观点 A：AI 可以显著降低企业运营成本。

观点 B：企业部署 AI 后，短期运营成本反而会上升。

这两个观点看似冲突，但可能分别讨论了长期成本和短期成本。

因此，还需要继续检查：

双方讨论的是不是同一时间范围；
使用的是不是同一种衡量标准；
研究对象是否相同；
是否存在隐藏的前提条件。

2. 证据强弱

不是所有观点都具有相同可信度。

可以按照以下顺序评估来源：

原始数据和官方文件；
同行评审论文；
系统性综述或专业机构报告；
企业公开报告；
专家访谈；
新闻报道；
个人经验；
无法验证的网络观点。

来源级别高，并不代表结论一定正确，但通常更容易核验。

3. 跨视角共识

如果立场不同的角色仍然同意某个判断，这部分信息通常更值得重视。

例如，实践者、学者和怀疑者可能都认为：

当前证据不足以支持大规模部署。

这类跨立场共识，可以作为阶段性判断的重要依据。

4. 研究空白

还要检查哪些关键问题没有被任何角色提到。

常见空白包括：

缺乏长期数据；
没有分析失败案例；
忽略特定地区或人群；
缺少实际成本数据；
没有讨论实施条件；
没有考虑政策变化；
只引用单一语言或单一国家的资料。

矛盾分析提示词

请基于上一轮五个角色的研究结果，绘制一份“观点矛盾图”。

按照以下结构输出：

## 一、主要观点列表

列出每个角色最核心的结论。

## 二、直接冲突

找出彼此对立或无法同时成立的观点。

对每组冲突分别说明：

- 冲突双方；
- 具体分歧；
- 双方使用的证据；
- 双方是否讨论了不同对象、时间范围或前提条件；
- 当前哪一方的证据更强；
- 还需要什么信息才能解决争议。

## 三、证据强度排序

将主要观点按照证据可靠性排序，并说明理由。

优先考虑：

1. 原始数据；
2. 官方资料；
3. 同行评审论文；
4. 专业机构报告；
5. 企业资料；
6. 新闻报道；
7. 专家或个人观点。

## 四、跨视角共识

找出多个角色共同认可的部分，并说明：

- 有多少角色支持；
- 是否存在可靠来源；
- 是否可以视为阶段性事实；
- 仍有哪些限制条件。

## 五、研究盲区

指出当前分析中无人讨论或证据不足的领域。

要求：

- 不要为了形成结论而强行消除矛盾；
- 将事实冲突和价值判断冲突分开；
- 对证据不足的部分明确标注“不确定”；
- 不得用来源数量代替来源质量。

四、第三步：合成研究简报

完成多视角扫描和矛盾分析后，再让 AI 整合信息。

这时生成的结论会比直接提问更有层次，因为 AI 已经知道：

有哪些主要观点；
哪些观点存在冲突；
哪些证据比较可靠；
哪些问题仍然没有答案。

一份合格的研究简报应该包含什么？

1. 一句话总结

用一句话概括当前最重要的研究结论。

它不应该只是重复标题，而应该直接回答：

综合现有证据，目前最合理的判断是什么？

2. 五个关键发现

按照可靠程度排序，而不是按照表达是否精彩排序。

每个发现应该包含：

结论；
主要证据；
反方意见；
适用条件；
置信度。

3. 隐藏的关联

寻找只有结合多个视角才能发现的关系。

例如：

技术效果很好，但组织激励阻碍了落地；
市场需求真实存在，但现有商业模式无法盈利；
学术证据支持短期效果，却缺少长期风险数据；
历史案例失败，并非技术问题，而是成本和监管问题。

这类跨视角联系，往往是深度研究最有价值的部分。

4. 可操作建议

研究结果最终要能够帮助用户做出判断或采取行动。

建议应该具体到：

先做什么；
暂时不要做什么；
需要验证什么；
应该设置什么条件；
在什么情况下停止；
在什么情况下扩大投入。

5. 下一步研究问题

一份可信的研究不会假装所有问题都已经解决。

它应该明确指出：

哪些结论仍然不确定；
需要补充哪些数据；
哪些变量最可能改变结论；
未来应该持续关注什么。

研究简报提示词

请基于前面的多视角研究和矛盾分析，生成一份结构化研究简报。

按照以下格式输出：

# 研究主题

## 一句话结论

用一句准确、克制的语言概括当前最重要的发现。

## 五个关键发现

按照可靠性从高到低排序。

每个发现包含：

- 结论；
- 主要证据；
- 支持来源；
- 反方观点；
- 适用条件；
- 置信度。

## 主要争议

总结目前仍未解决的核心矛盾，并说明争议产生的原因。

## 隐藏的关联

列出至少三个只有综合多个视角才能发现的深层联系。

## 可操作建议

分别给出：

- 现在可以执行的行动；
- 执行前需要验证的条件；
- 暂时不建议采取的行动；
- 需要持续观察的指标。

## 研究限制

说明资料、数据、时间范围、地域和研究方法存在的限制。

## 下一步问题

列出五个值得进一步研究的问题。

要求：

- 不要把推测写成事实；
- 不要隐藏相互矛盾的证据；
- 每项重要结论尽量附带可核验来源；
- 建议必须能够追溯到前面的研究发现；
- 没有充分证据时，使用审慎措辞。

五、第四步：让 AI 自我评估

AI 给出结构化报告之后，还不能立即把它当作最终答案。

最后一步是让 AI 重新审视自己的研究过程。

这一步主要用于发现：

证据不足；
来源质量不高；
观点偏向单一；
推理跳跃；
结论过度确定；
忽略反例；
将相关性误写成因果关系。

自我评估的四个重点

1. 结论置信度

让 AI 对每个关键结论分别评分，而不是只给整篇报告一个总分。

可以采用以下标准：

高置信度：多个高质量独立来源相互支持；
中等置信度：有一定证据，但存在范围或方法限制；
低置信度：证据较少、来源单一或主要依赖推测。

2. 最薄弱的部分

要求 AI 主动指出：

哪个发现证据最少；
哪条因果关系最可疑；
哪个数据最可能过时；
哪个来源可能存在利益冲突；
哪项建议最依赖特定假设。

3. 视角偏差

检查研究是否遗漏了重要群体。

例如：

只分析企业，没有分析消费者；
只分析支持者，没有分析反对者；
只分析欧美市场，没有分析其他地区；
只关注技术，没有关注法律和伦理；
只看成功案例，没有看失败案例。

4. 外部专家审查

可以让 AI 模拟教授、行业专家或审稿人进行批评。

但要注意：模拟评分只是帮助发现问题，不能代替真实专家评审。

自我评估提示词

请对上一份研究简报进行严格的自我评估。

不要继续扩写报告，而是站在审稿人的角度寻找问题。

按照以下结构输出：

## 一、结论置信度

对每个关键发现分别给出：

- 置信度：高、中或低；
- 支持该结论的证据；
- 降低可信度的因素；
- 哪些新证据可能改变结论。

## 二、最薄弱的三个环节

分别说明：

- 薄弱点是什么；
- 为什么薄弱；
- 是否存在推理跳跃；
- 应该补充什么资料。

## 三、来源质量检查

检查：

- 是否过度依赖单一来源；
- 是否引用了二手资料而没有找到原始来源；
- 是否存在利益冲突；
- 是否混用了不同时间、地区或统计口径的数据；
- 是否存在无法核验的来源。

## 四、视角偏差检查

分析：

- 哪个角色的影响过大；
- 哪些关键利益相关者没有被纳入；
- 是否遗漏法律、伦理、环境、地域或文化视角；
- 是否忽略失败案例和反例。

## 五、推理错误检查

重点检查：

- 是否把相关性当成因果关系；
- 是否存在过度概括；
- 是否以偏概全；
- 是否使用未经证明的前提；
- 是否因为多数观点一致就直接判断为事实。

## 六、模拟专家评分

假设由一位严格的大学教授或行业研究负责人评分：

- 研究广度：满分20分；
- 证据质量：满分20分；
- 逻辑严谨性：满分20分；
- 反方观点处理：满分20分；
- 可操作性：满分20分。

给出总分，并说明最需要修改的三处内容。

## 七、修订建议

按优先级列出下一轮研究需要完成的工作。

要求：

- 不要为原报告辩护；
- 优先寻找可能推翻结论的证据；
- 明确区分已知事实、合理推断和未知信息；
- 不得虚构新的来源。

六、如何连续使用这四组提示词？

实际操作时，可以按照以下顺序执行：

确定研究问题
↓
多视角扫描
↓
绘制矛盾图
↓
合成研究简报
↓
执行自我评估
↓
补充检索与人工核验
↓
形成最终结论

不要一次把四组提示词全部发给 AI。

更合适的方法是逐步执行，因为每一步都需要检查上一轮结果。

例如：

先执行多视角扫描；
删除明显无关或重复的观点；
要求 AI 补充缺失来源；
再执行矛盾分析；
检查冲突是否真实存在；
再生成研究简报；
最后执行自我评估；
人工打开关键来源进行核验。

这样能够减少错误在不同阶段不断累积。

七、如何提出一个适合深度研究的问题？

问题越模糊，研究结果越容易变成泛泛介绍。

不推荐这样问：

`1`	`AI 未来怎么样？`

可以改成：

`1`	`未来三年，生成式 AI 会如何影响中国中小型外贸企业的内容营销、人力成本和客户服务？请重点分析实际部署成本、数据安全和投资回报。`

不推荐这样问：

`1`	`独立站还有必要做吗？`

可以改成：

`1`	`对于预算有限的中国中小企业，在 Google 搜索流量受到 AI Overview 影响的情况下，2026 年继续建设品牌独立站是否仍然具有长期价值？`

一个好的研究问题通常包含：

研究对象；
时间范围；
地域范围；
需要比较的方案；
关注的指标；
最终需要支持的决策。

八、STORM 方法适合哪些场景？

STORM 式多视角研究更适合以下任务：

商业决策

例如：

是否进入一个新市场；
是否采用某项新技术；
是否更换供应商；
是否开发某类产品；
是否调整营销渠道。

行业研究

例如：

AI 搜索会如何影响传统 SEO；
自动化会如何改变某个职业；
某类材料是否具备增长潜力；
某项政策会怎样影响行业。

产品与技术选型

例如：

WordPress 与 Next.js 如何选择；
是否需要自建大模型；
某个开源项目是否适合生产环境；
云服务与本地部署哪个成本更低。

内容创作

例如：

深度博客文章；
行业趋势报告；
产品研究报告；
商业分析文章；
带引用的知识型内容。

学习复杂概念

例如：

比较不同经济理论；
分析历史事件；
理解存在争议的科学问题；
梳理一个跨学科主题。

九、哪些情况不需要使用 STORM？

并不是所有问题都需要深度研究。

以下任务通常直接提问即可：

查询一个明确日期；
翻译一段文字；
修正错别字；
进行简单计算；
编写一个基础函数；
查询一个稳定定义；
调整一段文案语气。

如果一个问题只有明确答案，就没有必要模拟多个专家制造无意义的分歧。

STORM 更适合以下特征的问题：

问题本身比较复杂；
存在明显争议；
不同群体立场不同；
需要综合多个来源；
结论会影响重要决策；
需要形成长篇研究报告。

十、使用 AI 深度研究时需要注意什么？

1. 多视角不等于真实专家

AI 模拟的实践者、学者或经济学家，并不是真实专家。

这些角色的作用是帮助展开问题，而不是提供专家资质。

2. 有引用不代表引用正确

AI 可能出现：

链接与结论不匹配；
引用二手报道；
错误理解论文内容；
引用已经过时的数据；
找到同名但无关的资料。

关键来源仍然需要人工打开核验。

3. 共识不一定就是事实

多个 AI 角色可能共享同一训练偏差，因此它们同时认同某个观点，并不能自动证明观点正确。

4. 复杂输出可能掩盖错误

表格、评分、引用和专业术语会让报告看起来更可信，但排版精美不等于证据可靠。

5. 研究结果具有时间限制

涉及技术、市场、法律、价格、公司和政策的信息可能快速变化。

最终报告中应该标明：

检索日期；
数据时间范围；
资料来源；
尚未核实的内容；
研究适用边界。

总结：不要让 AI 只给答案，要让它展示研究过程

传统的 AI 问答通常是：

1
2
3

提出问题
↓
生成答案

STORM 式研究则更接近：

拆解问题
↓
发现不同视角
↓
提出多维度问题
↓
检索外部资料
↓
比较证据与矛盾
↓
形成结构化大纲
↓
生成研究简报
↓
评估结论可信度

两者最大的区别，不是最终文章更长，而是研究过程更加透明。

当一个问题涉及争议、利益、风险或长期决策时，不要急着让 AI 给出确定答案。先让它寻找不同视角、展示矛盾、比较证据，再决定哪些结论值得相信。

AI 深度研究真正有价值的地方，不是替你思考，而是帮助你发现原本没有想到的问题。

项目地址

STORM 在线版属于研究预览，生成的报告仍可能包含错误。涉及医疗、法律、金融、商业投资或其他重要决策时，应进一步核对原始资料，并咨询对应领域的专业人士。

知识管理 on 拾光集

DeepTutor：可本地部署的开源 AI 学习与工作伴侣

DeepTutor 是什么？

传统 AI 工作流常见的问题

1. 多个窗口来回切换

2. 知识与对话无法连续积累

3. AI 只回答问题，不管理学习过程

DeepTutor 的核心功能

DeepTutor 适合哪些人？

学生和自学者

研究人员

内容创作者

需要长期积累知识的工作者

DeepTutor 是否完全离线？

DeepTutor 的优点

使用前需要注意的问题

总结

项目地址

用 AI 做深度研究：STORM 方法图解与 4 组实用提示词

一、什么是 STORM？

二、第一步：多视角扫描

推荐的五个专家视角

1. 实践者

2. 学者

3. 怀疑者

4. 经济学家

5. 历史学家

多视角扫描提示词

三、第二步：绘制矛盾图

矛盾图需要分析什么？

1. 直接矛盾

2. 证据强弱

3. 跨视角共识

4. 研究空白

矛盾分析提示词

四、第三步：合成研究简报

一份合格的研究简报应该包含什么？

1. 一句话总结

2. 五个关键发现

3. 隐藏的关联

4. 可操作建议

5. 下一步研究问题

研究简报提示词

五、第四步：让 AI 自我评估

自我评估的四个重点

1. 结论置信度

2. 最薄弱的部分

3. 视角偏差

4. 外部专家审查

自我评估提示词

六、如何连续使用这四组提示词？

七、如何提出一个适合深度研究的问题？

八、STORM 方法适合哪些场景？

商业决策

行业研究

产品与技术选型

内容创作

学习复杂概念

九、哪些情况不需要使用 STORM？

十、使用 AI 深度研究时需要注意什么？

1. 多视角不等于真实专家

2. 有引用不代表引用正确

3. 共识不一定就是事实

4. 复杂输出可能掩盖错误

5. 研究结果具有时间限制

总结：不要让 AI 只给答案，要让它展示研究过程

项目地址