3步完成DeepTutor本地部署：断网也能用的离线AI学习助手
【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor
公司内网不能访问公网，或者你不想把学习资料传到云端？DeepTutor 是一款开源的个性化学习助手，通过本地部署 Ollama 本地大模型后，知识库、对话、记忆全部跑在你自己的机器上。模型下载完成后，断网也能用。
一、选型与门槛：内存、磁盘与模型选型对照 🖥️
先对一下你的硬件，再决定用多大的模型：
| 项目 | 要求 / 建议 |
|---|---|
| 内存 | 8GB 可跑 7B 级模型（llama3.2、qwen2.5:7b）；16GB 以上更流畅 |
| 磁盘 | 至少 10GB 空闲（模型 + 项目 + 索引） |
| 系统 | Windows / macOS / Linux；Python 3.11–3.13、Node.js 20+ |
| 模型 | 对话用 llama3.2 / mistral，向量索引用 nomic-embed-text，均从 Ollama 拉取 |
| 网络 | 只在首次拉取模型时需要联网，之后可完全离线 |
DeepTutor 分三层：接入层（Web、CLI、SDK）、核心功能层（聊天、协同写作、学习、导师 Agent）、数据智能层（知识库、记忆、笔记）。本地部署时三层都在你的机器上，学习数据不出内网。
二、部署落地：模型引擎 → 项目初始化 → 启动验证 🚀
1. 模型引擎：装好 Ollama 并拉取模型
先安装 Ollama 客户端（按你的系统从官网下载安装包或用系统包管理器）。装好后拉取一个对话模型和一个向量模型：
ollama pull llama3.2 ollama pull nomic-embed-text成功标志：执行ollama list能看到这两个模型。
2. 项目初始化：clone 仓库并配置
git clone https://gitcode.com/GitHub_Trending/dee/DeepTutor cd DeepTutor python -m pip install -e .接着运行deeptutor init，在向导里选 Ollama 作为模型提供商：模型端点填http://localhost:11434/v1，向量端点填http://localhost:11434/api/embed，模型分别选刚才拉的两个。
成功标志：向导里的连接探测通过，配置自动保存。
3. 启动与验证
deeptutor start浏览器打开http://127.0.0.1:3782。
成功标志：看到首页且模型下拉列表里出现了 llama3.2，说明前后端和 Ollama 全部打通。需要停止时按Ctrl+C。
三、上手体验：上传资料 → 提问 → 看带引用的回答 📚
离线环境里最常用的一条主线是：先喂资料，再提问。
- 打开知识库页面，新建一个知识库，拖入几份 PDF 或 Markdown 文档；
- 等待向量索引完成，这一步由本地的 nomic-embed-text 模型处理，不经过任何服务器；
- 回到聊天界面，选中该知识库，问"这份资料的核心观点是什么"。
你正在做的是管理私人学习库：这里能看到每份文档的索引状态。
提问后回答基于你的资料生成，并附上来源引用——这正是离线环境下 RAG 的典型用法。
四、问题速查：启动失败与连接问题排查
| 现象 | 最可能原因 | 一条修复 |
|---|---|---|
| 探测不到 Ollama | 服务没启动 | ollama serve |
| init 里选不到模型 | 模型没拉取 | ollama pull llama3.2 |
| 3782 页面打不开 | 端口被占或进程退出 | 检查终端报错输出 |
| 知识库索引特别慢 | CPU 向量计算吃紧 | 减少单次上传文档数 |
仍无法解决时查看 logs/ 目录，定位具体错误信息。
卡住的步骤可以直接把报错贴到项目 issue 里，或把你的内存配置和模型组合分享给其他本地部署用户，帮他们少走弯路。
【免费下载链接】DeepTutorDeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.项目地址: https://gitcode.com/GitHub_Trending/dee/DeepTutor
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
