装好 DeepTutor，接上本地模型跑第一次问答

第 1 步：准备一个本地 OpenAI 兼容模型

DeepTutor 自己不带模型，它调用的是任意 OpenAI 兼容接口。本课使用 llama.cpp 官方的 llama serve（安装方法见 llama.cpp README），加载 Gemma 4 E2B 的 4-bit 量化版本：

llama serve -hf unsloth/gemma-4-E2B-it-GGUF:Q4_K_M \
  --port 8080 -c 32768 --alias gemma-4-e2b --jinja

另开一个终端确认服务已就绪：

curl -s http://localhost:8080/v1/models

返回的 JSON 里能看到 gemma-4-e2b 就可以了。--alias 决定了接口里的模型名，后面写配置时要和它一致。

实测说明：本课使用的就是这个模型文件（本机已缓存，用 -m 直接指向 GGUF 文件启动）。2B 级小模型足够跑通流程，但第 3 课会看到它在复杂智能体任务上的局限。

第 2 步：安装 DeepTutor 1.7.0

官方要求 Python 3.11–3.14。1.7.0 起改成模块化分发：deeptutor 只含核心 CLI/SDK，deeptutor[full] 才包含 Web 应用和全部功能模块。本课装完整版：

mkdir -p my-deeptutor && cd my-deeptutor
python3 -m venv .venv
source .venv/bin/activate
python -m pip install "deeptutor[full]==1.7.0"
pip show deeptutor | head -n 2

对照结果：

Name: deeptutor
Version: 1.7.0

实测在普通云主机上安装耗时约 1 分钟。注意 1.7.0 没有 deeptutor --version 选项，查版本请用 pip show。

第 3 步：非交互初始化运行目录

DeepTutor 把所有设置和数据放在「运行目录」（runtime home）里。官方默认是你启动命令的当前目录，也可以用环境变量 DEEPTUTOR_HOME 显式指定。这里用显式写法，免得在别的目录执行命令时找不到配置：

export DEEPTUTOR_HOME="$PWD"
deeptutor init --non-interactive

对照结果（节选）：

Seeded default personas: peer, research-assistant, teacher
{
  "ok": true,
  "status": "initialized",
  "next_step": "deeptutor config apply setup.json"
}

不加 --non-interactive 时，deeptutor init 会逐项询问端口、LLM、Embedding 和搜索服务。下面改用配置文件的方式，便于复制和复现。

先看看装了哪些功能模块：

deeptutor module list

实测 [full] 安装后，chat、knowledge、questions、solve、research、memory、notebook 等模块都显示为 installed 且 ready。parser-docling、parser-markitdown 等文档解析扩展和 renderer-manim 默认不安装，要用时再按官方文档另行安装。

第 4 步：用 setup.json 接上本地模型

列出 DeepTutor 认识的 Provider：

deeptutor config providers

在 llm 一栏里能找到 llama_cpp，它的默认地址是 http://localhost:8080/v1，认证方式为 local，也就是不需要 Key。新建 setup.json：

{
  "llm": {
    "provider": "llama_cpp",
    "model": "gemma-4-e2b",
    "base_url": "http://localhost:8080/v1"
  }
}

先校验，再写入：

deeptutor config apply setup.json --check
deeptutor config apply setup.json

对照结果：

{ "ok": true, "status": "validated", "sections": ["llm"] }
{ "ok": true, "status": "applied", "sections": ["llm"] }

（输出原本是多行 JSON，这里压成了一行。）

如果要换成云端模型，按 AGENT_SETUP.md 的规则改两处：provider 和 model 换成对应的值，再加一行 "api_key_env": "OPENAI_API_KEY"，写的是环境变量的名字。setup.json 里不能直接写 Key，写了会被拒绝。另外，DeepTutor 不读取 .env 文件，配置统一存放在 data/user/settings/ 下。

第 5 步：体检，然后问第一个问题

deeptutor config show
deeptutor doctor --online

config show 会显示当前的 LLM、Embedding 和搜索配置，API Key 打码显示。doctor --online 的对照结果（表格边框省略）：

PASS  LLM configuration   Active model: gemma-4-e2b (llama_cpp).
PASS  LLM credentials     The selected local provider does not
                          require an API key.
PASS  LLM endpoint        http://localhost:8080
PASS  Runtime storage     Writable: .../my-deeptutor
SKIP  RAG prerequisites   No knowledge bases are configured.
PASS  Provider response   The model returned a response.
Required checks passed.

去掉 --online 时只做本地检查，不会真的调用模型。接着用 run 发起一轮对话，-l zh 指定用中文回答：

deeptutor run chat "用三句话解释什么是导数，最后给一个生活中的例子。" -l zh

实测输出（节选，约 27 秒，公式两侧的 $ 已省略）：

导数是用来衡量函数在某一点的瞬时变化率的数学概念。……
生活中的例子：想象你正在开车……那么在某一时刻的导数 v'(t)
就是你那一刻的瞬时速度……
session=unified_1793…_6558f4d7 capability=chat rounds=1 tokens=3.2k

注意这里的错误：速度函数 v(t) 的导数是加速度，不是速度。小模型「张口就来」是常态，下一课就用知识库让它按你的笔记作答。最后一行的 session= 是会话 ID，第 3 课会用它接着聊。

小结

• 1.7.0 要装 deeptutor[full] 才有完整功能，版本用 pip show deeptutor 查。
• init --non-interactive 加上 config apply setup.json 可以完全脚本化配置；Key 只能通过 api_key_env 写环境变量名。
• doctor --online 能一次确认配置、连通性和模型是否有响应。