系列文章: Deeptutor (4/7)
DeepTutor 五種模式完整解析：Chat、Deep Solve、Quiz、Research、Math Animator
DeepTutor 的介面乍看很簡單——就是一個對話框。但這個對話框裡，有五種完全不同的工作模式。
大多數人第一次進去，用的是最熟悉的那種：Chat，跟 ChatGPT 一樣問問題、等答案。這沒有錯，但只用 Chat，等於買了一台有五個檔位的車，全程掛一檔在開。
這篇把五種模式拆開講清楚——每一種的設計邏輯是什麼、什麼時候切換、怎麼混用效果最好。
模式選擇的基本邏輯
在開始之前，先說一個原則：不同的認知任務，需要不同的 AI 行為。
你在釐清一個概念時，需要的是引導式對話；你在解一道複雜數學題時，需要的是多步驟驗證；你在測試自己是否真的學會了，需要的是出題考你，而不是再解釋一次。
DeepTutor 把這幾種情境的需求，對應到五種不同的模式設計。
模式一：Chat（日常學習對話）
最適合： 概念釐清、快速問答、討論想法、建立學習脈絡
Chat 模式是最基礎的模式，但它不只是「跟 AI 聊天」——結合 DeepTutor 的持久記憶，它的對話品質比一般 AI 聊天工具高出一個層次。
因為 DeepTutor 記住你的程度和目標，Chat 模式的答案會根據你的背景自動校準。同樣的問題，初學者和進階用戶會拿到不一樣深度的回答。
使用技巧：
告訴 DeepTutor 你的對話目標，而不只是提問：
「我剛學完 Transformer 的 Attention 機制，想確認我的理解。
我的理解是：Attention 是在算 Query 和所有 Key 的相似度，
再用這個相似度加權 Value。這樣對嗎？哪裡有盲點？」
這比「解釋 Attention 機制」能帶來更精準的回應。
模式二：Deep Solve（複雜問題多代理解法）
最適合： 有難度的技術問題、需要多步驟推導的題目、需要引用來源的問題
Deep Solve 是 DeepTutor 最「重炮」的模式。它的背後是多代理人協作：問題被拆解成子任務，不同的 agent 分工處理不同面向，最後整合成有完整推理步驟和引用來源的答案。
這和直接問 ChatGPT 的差異，在「驗證步驟」——Deep Solve 在推導過程中會有自我驗證的環節，錯誤率比單一 agent 直接回答低得多。
使用時機：
- 解一道多步驟的數學或程式設計題目
- 需要搞清楚一個技術架構的設計決策和依據
- 問題沒有單一正確答案，需要多角度分析
使用技巧：
給 Deep Solve 足夠的問題背景：
「這是一道 LeetCode Hard：[題目描述]
我的思路是 [你的當前想法]，但在 [某個步驟] 卡住了。
請幫我把整個解題過程拆開，每一步帶推導，最後給 Python 實作。」
Deep Solve 會比 Chat 慢一點——這是正常的，多代理人協作需要時間。
模式三：Quiz（知識測驗與自我評估）
最適合： 測試學習成果、找出盲點、為考試準備、強化記憶
這個模式的設計邏輯來自認知科學裡的 測試效應（Testing Effect）：比起重複閱讀，用測驗的方式複習，記憶留存率高出非常多。
DeepTutor 的 Quiz 不是隨機出題——它會根據你的學習歷史和知識庫內容，出針對你當前程度的題目，並且在你答完後解析你的思維過程，不只告訴你對錯。
使用方式：
「我剛讀完機器學習的 Regularization 章節，
出三題選擇題和兩題簡答題考我，難度中等偏難。
答完後幫我分析哪些概念還需要加強。」
如果你有上傳知識庫，Quiz 也可以針對你的私有文件出題：
「根據我上傳的《系統設計筆記》，
出五題考我 CAP 定理和 Consistency Model 的題目。」
使用技巧：
答完題之後，不要只看對錯——請 DeepTutor 解析你的答題思路：
「我剛才選 B 是因為我以為 [你的理由]，
但正確答案是 C。幫我解釋我的理解為什麼錯了。」
這個「錯在哪裡」的追問，比重新看答案學到更多。
模式四：Research（深度研究，並行代理人）
最適合： 需要整合多個資訊來源、準備報告或論文、了解某個主題的全貌
Deep Research 模式是並行代理人的展現——同時搜尋網頁、學術論文資料庫、和你的本地知識庫，然後整合成有完整引用來源的研究報告。
這不只是「幫你搜尋」，而是幫你做文獻整理：把散落在不同地方的資訊，按照邏輯結構整合起來，每一個主張都帶來源。
使用時機：
- 「幫我研究 LLM Reasoning 的最新進展，我需要了解主流方向」
- 「幫我整理 RAG 和 Fine-tuning 的優缺點比較，帶論文引用」
- 「我在準備一篇關於 [主題] 的文章，幫我做背景研究」
使用技巧：
明確告訴 Research 模式你的輸出格式需求：
「研究主題：Agentic AI 在教育領域的應用現況（2024-2026）
輸出格式：摘要（300 字）+ 主要發現（條列）+ 關鍵論文（帶 DOI）
來源範圍：優先學術論文，補充近期技術部落格。」
給出越清楚的研究框架，輸出的報告就越有用。
模式五：Math Animator（數學概念視覺化）
最適合： 視覺化理解數學或物理概念、製作學習素材、解釋抽象的幾何或微積分概念
Math Animator 是 DeepTutor 最獨特的功能之一——它用 Manim（3Blue1Brown 所用的數學動畫框架）把抽象的數學概念渲染成動畫。
這不是在生成靜態圖表，而是真的有時間軸的動態演示。
最適合的使用場景：
- 視覺化線性代數概念（矩陣乘法、特徵向量）
- 微積分的極限和導數直觀理解
- 概率分布和統計概念的動態演示
- 任何「用文字說不清楚、需要動態圖才能看懂」的數學
使用方式：
「幫我用動畫演示『傅立葉變換』的直觀概念——
展示一個方波如何被分解成多個頻率的正弦波疊加。」
Math Animator 的生成速度比其他模式慢，但對於某些概念，它的效果是其他任何模式都無法替代的。
五種模式的混用策略
真正的學習，不是線性地用某一種模式到底——而是根據學習狀態流動切換。
一個典型的學習循環長這樣：
Chat（建立概念理解）
→ Deep Solve（用難題驗證理解）
→ Quiz（找出真正的盲點）
→ Chat（針對盲點補充說明）
→ Research（延伸到更大的知識脈絡）
數學主題的流程可能是：
Chat（理解定義）
→ Math Animator（視覺化建立直觀）
→ Deep Solve（解題驗證）
→ Quiz（測試記憶與應用）
不需要每次都走完全部五種，根據你的學習目標選擇對應的入口。
一句話總結
Chat 問、Deep Solve 推導、Quiz 測、Research 整合、Math Animator 看。
五種模式，對應五種不同的認知需求。知道什麼時候切換，你的學習效率可以提高不只一倍。