这周 GitHub 上跑得最快的两个 AI 项目，卖点都不是“模型更强”。一个把你的教材、视频、错题和记忆拧成一条半年的学习路径，一个把抽象概念做成一台能动的、能拆开看的机器。前者 46,264 星，港大数据智能实验室出品；后者 10 月 8 日才建仓，三周不到 21,534 星，作者基本上是一个人。
一、DeepTutor：私教不是聊天框，是会给你重排路径的运行时
DeepTutor 2025 年 12 月 28 日开源，39 天 1 万星，111 天 2 万星，9 个月 4 万星，到 10 月 28 日是 46,264 星、5,788 fork、Apache-2.0。上一个这种曲线也是把“教”当系统做的项目（清华 OpenMAIC 把整间课堂交给多智能体）。
它最容易被看错的地方是那十个模式：Chat、提问、出题、研究、可视化、解题、课程、掌握路径、沉浸阅读、音频概览。十个模式共用一套 capability runtime 和会话上下文，各自保留循环。你从“问一道题”切到“按薄弱点刷题”再切到“听段音频复习”，上下文不用重讲，因为本来就是一个 session 的不同入口，不是十个拼起来的小应用。
撑起“私教”两个字的是掌握路径（Mastery Path）：出题、评分、归因，把错题扔进题库，变式题进重练名单，再回来重排下一步学什么、难度加多少。v1.6.15（10 月 19 日）的更新说明里，“学习路径改动可复核”“评估分组”“记忆有边界”排在前面——词不好听，但这正是“它凭什么替你决定明天学什么”的答案。
要看清它跟“套壳”的距离，看记忆就够。L1 是每条轨迹，L2 是表层摘要，L3 是综合，Memory Graph 把 L2 的事实指回 L1 证据，把 L3 的结论指回参与它的那些面。实际用起来就是——它说“你在傅里叶变换的相位上薄”，你能点开看是哪几道题、哪几段原文让你薄。记忆这件事之前拆过 Graphiti 的时序知识图谱，DeepTutor 走的是另一条路：先把“你”做成可审的结构，再谈个性化。
知识库引擎它不押注：LlamaIndex、PageIndex、GraphRAG、LightRAG（含远程 Server）、自建 WeKnora、Kiwix 的 ZIM 离线包、Obsidian vault 都能接，解析器也能换——不替用户选边。
它还能把 Claude Code、Codex、Grok CLI、Hermes 当子 agent 拉进来真跑，输出流进 Activity 面板；自己装的 skill、MCP 也能挂。挂别人的技能包前最好先过一遍——前阵子刚有人统计出 26.1% 带漏洞（SkillSpector 拆包验毒）。
二、Anatomy：不画示意图，先给概念发明一台真在工作的机器
Anatomy 10 月 8 日建仓，21,534 星、1,745 fork、MIT，作者 wheresryan22。按第三方周榜（10 月 20–25 日）它一周涨了 5,097 星。
定位很窄：一个 Claude skill，也吃 Codex、OpenCode、Antigravity、MiniMax Code。一行装：npx skills add wheresryan22/anatomy -g，不要 API key，不用 npm install，整套 kit 只用 Node 内置模块。
方法才是它值钱的地方。你让它解释 token bucket 限流，它不画漏斗加箭头，而是发明一台真在工作的东西：缓存 key 命中才干活，就做一把弹子锁，每根弹子对上锁芯才转；一个 GPU context 服务 16 个 canvas，就做一台龙门绘图仪，一个打印头依次跑 16 个孔位。然后拆成几十个实心零件、四档明暗、等距相机，配标题、提示、实时读数，拖动悬停会动，最后自己放大看每一个接缝。
我翻仓库时最服的是自检那段。kit/audit.mjs 证明几何是对的：没有管子穿模、每个端点都落在支座上、每一处遮挡按深度顺序画；scripts/lines.mjs 把任何一条画到半空就断的线直接判失败；capture.mjs 和 drive.mjs 在无头 Chrome 里截特写和慢放接触表，而 SKILL.md 明写要 Claude 读自己出的每一张 PNG。这跟“AI 画了张好看的图”是两件事，它给的是可验证：哪根管子在哪个坐标、有没有穿模、端点有没有落空，都能被脚本证伪。
形态分三档：SVG 是主干，WebGL 做同一相机下的着色器（火焰、水波、纸面焦散），3D 还是 beta——转盘那个例子约 90 个零件，拖一下逐帧重投影重新打光。
三、实话
DeepTutor 的代价是功能面宽到吓人：十个模式、十来个 IM 渠道、七八种 RAG 引擎、多用户隔离。第一次装完的人八成都卡在 provider 和 embedding/search 的选型上——它不是开箱即用的产品，是一套要自己配的框架。而且掌握路径的上限就是题库质量：教材喂得烂、题出得水，路排得再漂亮也是错的路。它替你做调度，不替你学。
Anatomy 的代价更直接：慢，且挑题材。一次出图要好几分钟，Raptor 那个例子几分钟，3D 轨道审计 30 个零件要 15 到 20 分钟；380 个零件的压力测试在 1440px 宽、机器还满载时只有 20fps。它的 Limits 写得很清楚：不是图表库，没有坐标轴、没有数据系列；画机器、仪表、工具、家具，不画人，也不画精确地图。你让它解释一段业务流程或一个数据结构，出来的东西会很勉强。
还有个信号：它最后一次 push 是 10 月 18 日，之后十天没动代码，星还在涨。技能类项目的热度和代码活跃度早就脱钩了，看榜时心里要有数。
选型其实不冲突：想要一个长期跟着你、记得住半年学习轨迹的，DeepTutor；想一次把某个原理讲到别人忘不掉、还能自己验证画得对不对的，Anatomy。
两者真正的共同点不是“AI 又能干什么了”，是都给自己造了个能验的东西。DeepTutor 拿题验学生，Anatomy 拿几何审计验自己。
