Agent 原生架構與 TutorBot 持久記憶：DeepTutor 核心原理

從聊天機器人到 Agent 原生：DeepTutor 如何重塑 AI 家教的靈魂

在 2026 年的今天，生成式 AI 已經不再是新鮮事，但對於台灣的中小型企業與技術團隊來說，「如何讓 AI 真正懂我的員工」依然是一個巨大的技術挑戰。過去我們習慣將 ChatGPT 或 Gemini 當作問答工具，但在教育訓練（Corporate Training）的場景中，單純的問答遠遠不夠。學習是一個長期的過程，需要循序漸進、因材施教，更重要的是需要「記憶」。

更新說明（2026 年 9 月查核）：本文原發表於 2026 年 4 月。文中 TutorBot 這個名稱，自 v1.4.3（2026 年 6 月）起由官方更名為 Partners，本質仍是具備獨立人格與記憶的導師代理，以下為銜接既有教學脈絡，部分段落仍沿用 TutorBot 一詞。文中版本號與功能敘述，以官方 v1.6.12（2026 年 9 月 27 日）的釋出說明與說明文件為準。

這正是由香港大學數據智能實驗室（HKUDS）開發的 DeepTutor 受到關注的原因。它在 2026 年 2 月 6 日突破 10,000 顆 GitHub Stars，只花了 39 天；同年 4 月 19 日突破 20,000 顆；到 9 月 20 日站上 40,000 顆。截至 2026 年 9 月底，專案累積約 40,500 顆星星，是近年成長最快的 AI 教育開源專案之一。這並非過度炒作，而是因為 DeepTutor 在 v1.0 版本中進行了徹底的轉型：它不再是一個包裝過的聊天機器人，而是一個完整的「Agent 原生（Agent-Native）」架構。如果您想了解更多背景，可以參考 DeepTutor 完整解析：香港大學開源的 AI 家教改變教育訓練。

「DeepTutor v1.0 的 Agent 原生架構重寫了近 20 萬行代碼，這標誌著 AI 教學從『一次性交互』演進為『持續性夥伴』。我們不再只是在對話，而是在構建一個能隨著學習者一同進化的數字生命體。」—— 替代方案團隊技術分析

對於台灣企業而言，這意味著我們終於可以擁有一套完全本地化部署（Local-First）、保護隱私且具備長期記憶的導師系統。想像一下，一位新進工程師進入公司後，DeepTutor 不僅能回答他關於代碼規範的問題，還能記住他上週在哪個技術細節上感到困惑，並在今天的教學中主動強化該知識點。這種深度個人化的體驗，正是本篇文章要拆解的核心原理。

為什麼「Agent 原生」比傳統 AI 更強大？

傳統的 RAG（檢索增強生成）系統就像是給 AI 翻書的權利，但 Agent 原生系統則是賦予了 AI「大腦」與「雙手」。早期的 TutorBot 由 HKUDS 自家的 nanobot 輕量代理引擎驅動，把導師系統拆解為多個專業的智能體；v1.0 的 Agent 原生改寫之後，這些能力改由統一的 agentic 引擎承接。在同一個工作區內，它可以切換 Chat、Quiz、Research、Solve、Visualize、Mastery Path 等十種模式（依官方 v1.6.12 說明），題庫、書籍與草稿等學習素材也能跨流程重複使用。這種設計讓 AI 能夠在處理複雜問題時，自主規劃步驟：先進行檢索、再進行推理、最後進行驗證，對需要精準答案的台灣技術團隊來說，能有效降低幻覺（Hallucination）產生的風險。

深度拆解 Agent-Native 架構：工具層、能力層與統一的代理引擎

要理解 DeepTutor 的技術核心，必須深入其雙層插件模型（Two-layer Plugin Model）。這套架構將 AI 的能力進行了科學的解構與分層。Level 1 是工具層（Tools），包含了 RAG、網路搜尋、代碼執行等基礎功能；而 Level 2 則是能力層（Capabilities），這是 DeepTutor 的靈魂所在，包括了 Deep Solve（多代理人問題解決）、Deep Research（多代理人研究）以及 Math Animator（數學動畫生成）等。值得一提的是，v1.4.0（2026 年 5 月）把 Chat、Deep Solve、Deep Research、Question 等能力全部重建在同一套 agentic 引擎上，驗證與反思不再是外掛，而是流程的一部分。

這種分層設計的好處在於，企業可以根據需求輕鬆擴展。例如，如果您是一家台灣的半導體設備廠商，您可以自定義一套針對製程參數的 Skills，並將其注入 Level 1。DeepTutor 的高級代理人會自動調用這些 Skills 來生成教學內容。如果您對這種架構感興趣，可以延伸閱讀 DeerFlow 2.0 架構全拆解：9 層中介層、Lead Agent 設計與 Subagent 委派機制，了解不同 Agent 框架的異曲同工之處。

「DeepTutor 早期的 Dual-Loop（雙回路）設計，讓系統在作答前先審題、查資料，再分步求解。到了 v1.4.0，官方把各項能力收攏到同一套 agentic 引擎上，驗證與反思變成流程的一部分，而不是另外掛上去的檢查步驟。這種『一邊求解、一邊自我檢查』的能力，是它在教學場景中最有價值的設計之一。」—— 替代方案有限公司資深技術作家

為什麼「有據可查」比百分比更重要

官方說明文件並沒有公開「解題準確率 92%」這類數字，我們也不建議把沒有公開基準驗證的百分比當成採購依據。可以確認的是它的驗證設計：主代理人生成答案後，系統會透過引用來源（citation）、知識庫檢索與 Readiness 檢查來確認答案是否有據可查；檢索回來的段落若對不上，流程會回頭重新規劃。這種「產出可追溯」的特性，在企業技能認證（Skill Certification）場景中特別關鍵，因為每一份練習題、每一段解說都必須能對回原始文件。

可擴展的 Skill 系統

DeepTutor 的另一個技術亮點是其 Agent-Native CLI。每一項功能、知識庫、工作區都可以通過指令操作。更厲害的是，開發者可以編寫 SKILL.md 文件，直接讓 AI 代理人「學習」新技能。v1.4.4 之後，社群技能也能從官方的 EduHub（早期為 ClawHub）安裝進來，安裝前會經過一層安全檢查。這對於需要頻繁更新內部技術文檔的台灣研發團隊來說，是極大的利好。相關的自動化流程建構，也可參考 seomachine 結合 WordPress + n8n：打造每週自動化內容工廠 的思路進行整合。

TutorBot 的持久記憶：可讀的知識檔案與多引擎檢索

在 AI 領域，「記憶」一直是一塊難啃的骨頭。傳統的長文本窗口（Context Window）雖然越來越大，但隨著對話輪次增加，AI 往往會出現「注意力渙散」的問題。DeepTutor 則採用了一套持久的記憶（Persistent Memory）系統。在檢索端它不綁死單一引擎：官方目前提供 LlamaIndex（預設）、PageIndex、GraphRAG、LightRAG 等多種知識庫引擎，其中 LightRAG 自 v1.6.1（2026 年 8 月 30 日）起改為官方自建，抽取、查詢與視覺模型都能獨立設定。

當使用者與導師代理互動時，系統不會只把對話存進快取，而是會另外壓縮成一份結構化的 Markdown 記憶檔，記錄關鍵知識點、偏好、已掌握的技能以及薄弱環節。這種設計確保了數據的透明性：人類隨時可以打開這些檔案，看看 AI 到底是怎麼理解自己的，而不是只能相信一段無法檢查的向量。

「持久記憶解決了 AI 教育最現實的痛點：知識遺忘。DeepTutor 把學習者的偏好、已掌握的技能與卡關環節寫成可讀的 Markdown 檔案，跨對話仍能延續；相較之下，單純的長上下文對話一旦開新 Session，先前的理解往往就歸零。」—— 替代方案有限公司技術分析

分層記憶模型與「靈魂模板」

DeepTutor 的記憶系統分為三層：
1. 短期記憶：當前對話的上下文，用於維持即時對話的流暢度。
2. 中期記憶：針對特定工作區（Workspace）或課程的進度追蹤。
3. 長期記憶：跨越所有學習任務的用戶畫像，包含性格偏好與學習習慣。

更令人驚豔的是「靈魂模板（Soul Templates）」功能。用戶可以創建多個導師代理實例，例如一個是「嚴厲的蘇格拉底式導師」，另一個是「溫柔的技術支援夥伴」。在現行版本中，每個 Partner 都有一份自己的 SOUL.md、獨立模型設定、可掛載的通訊管道與私有記憶，這讓 AI 能夠在不同場景下切換完全不同的教學策略。這種個人化的深度，是它把 AI 從「工具」推向「夥伴」的關鍵。

企業級應用實戰：將公司規章轉化為具備「記憶」的虛擬技術導師

對於台灣的中小企業來說，DeepTutor 的價值在於解決了「知識傳承」的斷層。許多公司都有厚重的 SOP 手冊、過往的會議紀錄與技術文檔，但新進員工往往難以吸收。透過 DeepTutor 的 Knowledge Center（知識中心），您可以將這些 PDF、Markdown 或文字檔案上傳。DeepTutor 會利用 Docling（IBM 開源的高級文檔解析工具）來處理複雜的排版，將其轉化為 AI 可理解的知識庫。官方目前支援多種解析引擎，包含 MinerU、Docling、Apache Tika、PyMuPDF4LLM、LiteParse 等，可依文件型態自行挑選。

但真正實用的地方在於 Book Engine（活的書）。它不僅僅是檢索答案，而是能把整個教材編譯成一本可以分段閱讀的書，裡面可以有互動式閃卡、隨堂測驗、動畫與流程圖等區塊，也能匯出成 Markdown。這不再是枯燥的閱讀，而是一個多感官的學習過程。如果您正在考慮如何將這類技術應用在自動化營運中，建議閱讀 本地部署實戰：資料不出公司網域的私有化方案。

場景一：新進員工自動化引導 (Onboarding)

在台灣，許多傳產或技術公司面臨人力短缺，資深員工往往沒時間帶新人。DeepTutor 可以扮演「虛擬師傅」。它會根據新人的學習背景，自動生成專屬的學習大綱，並在每一章節後自動生成測驗題，即時評估理解程度。如果新人對某個製程步驟反覆出錯，導師代理的持久記憶會記錄下來，並在隔天的複習中重點提示。

場景二：企業內部的「技術大腦」

透過 AI Co-Writer 功能，DeepTutor 不僅能教，還能幫你寫。當工程師在撰寫新的技術規範時，AI 可以從現有的知識庫中抓取相關的歷史決策背景，提供建議並進行潤飾。這種「協作式學習」能顯著減少溝通成本。對於追求極致效率的團隊，結合 DeerFlow 2.0 + seomachine 的 AI 研究流水線，可以進一步強化內容的深度與廣度。

「台灣企業在導入 AI 時最擔心資料外洩。DeepTutor 支援完全本地部署，甚至可以在極空間或群暉的 NAS 上運行，這讓機密技術手冊不再需要上雲，完美契合個資法與商業機密保護的需求。」—— 替代方案有限公司觀點

2026 年主流 AI 教育工具橫向評測：DeepTutor 與競品怎麼選

在 2026 年的市場上，雖然有 Google NotebookLM 和 ChatGPT 的學習模式（Study Mode）等強力競爭者，但 DeepTutor 憑藉其開源性質與靈活性，在特定的專業領域表現尤為突出。以下是我們整理的對照。需要提醒的是，這一類工具的規格變動很快，下表是依 2026 年 9 月底的公開資訊整理，實際功能請以官方說明為準。

官方沒有公布各家在同一套基準上的準確率數字，因此我們不列舉「誰比誰高幾個百分點」這種沒有共同基準的比較。真正拉開差距的是「自定義程度」與「資料主權」：需要結合多種模型策略的企業，例如用低成本模型處理大量檢索摘要、用高階推理模型處理複雜題目，DeepTutor 是少數能靈活調度這些資源的開源框架。這種「模型中立（Model Agnostic）」的策略，讓企業在 AI 時代不會被單一供應商綁架。

替代方案有限公司深度觀點：Agent 原生技術如何協助台灣中小企業跨越技術債

在長期協助台灣企業進行數位轉型的過程中，我們發現許多中小企業的共同痛點不在於「缺乏技術」，而在於「缺乏知識的累積與傳遞」。過去，技術債的累積往往是因為人員流動導致的知識斷層。當一位掌握關鍵製程的師傅退休，公司可能要花數年才能補回這份經驗。而 DeepTutor 這種具備持久記憶的 Agent 原生架構，正是解決這一問題的可行方案。

替代方案有限公司 認為，DeepTutor 的真正價值不只是「回答問題」，而是「建構體系」。對於台灣的中小企業，我們建議採取以下三個步驟來導入這套系統：

1. 建立數位知識資產：不要再讓文檔散落在個人電腦裡。利用 DeepTutor 的本地化部署特性，將所有的 SOP、維修手冊與會議紀錄整合進私有雲的知識中心，建立起「公司的大腦」。
2. 培養專屬的導師代理：根據不同部門的需求，設定具備不同「靈魂」的導師。業務部門需要的是能快速總結市場趨勢的研究 Agent，而工程部門需要的是能進行代碼驗證與數學計算的邏輯 Agent。
3. 利用「活的書」進行標準化培訓：將培訓流程自動化。透過 DeepTutor 生成的互動式教材，讓新進員工在沒有資深同事陪伴的情況下，也能完成大部分的基礎學習，並通過自動生成的測驗進行考核。

我們預見，未來三年內，Agent 原生架構將成為企業數位營運的標配。這種技術不僅降低了學習成本，更重要的是，它讓企業的「經驗」得以量化、固化並持續進化。如果您想了解這套系統的實際安裝與環境配置，可以參考 零基礎安裝 seomachine：10 分鐘架好 AI SEO 內容工廠（含踩雷紀錄），雖然這篇講的是內容工廠，但其環境配置與 API 管理邏輯與 DeepTutor 有許多互通之處。

結論：擁抱具備長期記憶的 AI 夥伴

DeepTutor 的崛起代表了 AI 應用的一個分水嶺：我們正從「好用的工具」邁向「可靠的夥伴」。透過 Agent 原生架構，AI 擁有了處理複雜任務的協作能力；透過持久記憶與可讀的知識檔案，AI 擁有了懂你的溫度。對於台灣的技術團隊與中小企業而言，這是一次跨越式發展的機會。

這個系列後續談了幾個題目，你可以接著看：企業內訓應用：把公司文件變成專屬 AI 導師、試題自動生成與題庫銀行：技能認證準備的 AI 攻略、三大 AI 家教工具深度比較：DeepTutor vs Khanmigo vs ChatGPT，以及 企業導入前要知道的事：DeepTutor 的限制、風險與未來展望。

「AI 不會取代老師，但會使用 Agent 原生導師的企業，將會取代那些還在翻紙本手冊的公司。」—— 替代方案團隊結語