人工智能大模型RAGAI Agent深度研究知识库【免费下载链接】deep-searcherOpen Source Deep Research Alternative to Reason and Search on Private Data. Written in Python.项目地址https://gitcode.com/gh_mirrors/de/deep-searcher点击查看免费下载导读DeepSearcher 是一个开源的深度研究Deep Research替代方案它将前沿大语言模型如 OpenAI o 系列、DeepSeek、Claude 4 Sonnet、Llama 4、QwQ 等与向量数据库Milvus、Zilliz Cloud 等组合起来在企业私有数据上完成搜索—评估—推理的闭环输出高准确率的答案与综合性报告。本文以仓库首页文档 docs/index.md 为主线结合 deepsearcher/configuration.py、deepsearcher/config.yaml、deepsearcher/cli.py 等源码系统讲解它的架构设计、安装方式、Python API 与 CLI 两种使用形态、五大模块LLM / Embedding / 向量库 / 文件加载器 / 网页爬虫的完整配置以及 REST 服务部署方案。读完本文你将能够在自己的私有数据上从零搭建一套可运行、可配置、可扩展的深度研究问答系统。DeepSearcher 的整体架构文档加载与网页抓取 → 文本切分与向量化 → 写入向量数据库 → 查询阶段由 LLM 驱动的 Agent 完成检索、评估与推理最终生成报告。一、项目定位面向私有数据的深度研究引擎DeepSearcher 的核心定位可以用一句话概括在保证数据安全的前提下最大化利用企业内部数据必要时再融合在线内容最终给出准确答案与综合报告。它非常适合企业知识管理、智能问答系统和信息检索类场景。从官方首页文档 docs/index.md 提炼出的五大关键能力如下能力说明私有数据搜索最大化利用企业内部数据并确保数据安全必要时融合在线内容以获得更准确的答案向量数据库管理支持 Milvus 及其他向量数据库支持数据分片Collection实现高效检索灵活的词嵌入Embedding兼容多种 embedding 模型可按需选择最优方案多 LLM 支持支持 DeepSeek、OpenAI 及多家大模型服务用于智能问答与内容生成文档加载器支持本地文件加载网页爬取能力持续增强中需要强调的是仓库源码中实际实现的模块远不止首页文档列出的这些。从 deepsearcher/llm、deepsearcher/embedding、deepsearcher/vector_db、deepsearcher/loader 四个目录可以看出LLM 侧已覆盖 OpenAI、DeepSeek、Anthropic、Gemini、GLM、Ollama、Azure、Bedrock、watsonx、Volcengine、SiliconFlow、PPIO、Novita、JiekouAI、TogetherAI、XAI、Aliyun 等十余家厂商向量库侧已实现 Milvus、Qdrant、AzureSearch、Oracle文件加载器包含 PDF、Text、JSON、Unstructured、Docling网页爬虫包含 FireCrawl、Crawl4AI、Jina、Docling。这些是撰写本文时仓库的真实状态后文配置部分会逐一给出用法。二、系统架构与查询工作流从源码看 Agent 路由在深入配置之前先理解 DeepSearcher 的查询引擎是如何组织起来的。入口函数位于 deepsearcher/online_query.py它的query(original_query, max_iter3)会调用全局默认搜索器configuration.default_searcher完成一次完整问答返回(答案字符串, 检索结果列表, 消耗的 token 数)三元组。全局默认搜索器在 deepsearcher/configuration.py 的init_config()中构建它并不是单个 RAG 模型而是一个RAGRouter 路由容器内部挂载了两个 AgentDeepSearch适合处理一般性、综合性的查询例如给定一个主题写一份报告/综述/文章其类描述直接写在源码describe_class装饰器中ChainOfRAG以链式推理的方式逐步检索与评估。RAGRouter见 deepsearcher/agent/rag_router.py每次查询时先让 LLM 根据各 Agent 的描述为当前问题选一个最合适的 Agent再交给该 Agent 执行。同时init_config()还会构建一个轻量的NaiveRAG见 deepsearcher/agent/naive_rag.py用于naive_retrieve()/naive_rag_query()这类不追求深度迭代的简单检索。以 DeepSearch 为例见 deepsearcher/agent/deep_search.py它的完整工作流是子问题分解根据原始问题拆分成至多 4 个子问题SUB_QUERY_PROMPT简单问题则保留原问题向量检索将各子问题向量化后在向量库中检索相关 chunk可选先经CollectionRouter路由到合适的 Collection相关性重排用RERANK_PROMPT让 LLM 逐条判定 chunk 是否对回答问题有帮助只回答 YES/NO反思迭代用REFLECT_PROMPT判断是否还需要继续搜索若需要则生成至多 3 条新搜索 query进入下一轮总轮数受max_iter限制若不需要则停止总结报告用SUMMARY_PROMPT基于原始问题、所有子问题与检索到的 chunk输出一份具体、详尽的答案或报告。这个迭代式深度研究正是 DeepSearcher 区别于普通单轮 RAG 的关键——max_iter控制反思迭代次数默认 3这也是查询质量与 token 开销之间的核心调节旋钮。三、安装pip 与开发模式uv两种方式官方首页文档提供了两种安装路径。方式一pip 安装建议使用 Python 3.10 创建并激活虚拟环境python -m venv .venv source .venv/bin/activate然后安装主包pip install deepsearcher如果用到可选依赖可以按需安装例如使用 Ollama 本地模型时pip install deepsearcher[ollama]方式二源码开发模式推荐 uv官方推荐使用uv进行更快、更可靠的安装。克隆仓库并进入目录后执行git clone https://github.com/zilliztech/deep-searcher.git cd deep-searcher uv sync source .venv/bin/activate开发环境的详细搭建与可选依赖安装说明可参考 CONTRIBUTING.md。安装完成后本仓库的 pyproject.toml 与 uv.lock 中列出的依赖会被一并解析锁定。四、Python 快速开始五分钟跑通加载 → 查询运行下面的示例前请先在环境变量中准备OPENAI_API_KEY如果更换了配置中的 LLM请同步准备对应厂商的 API Key。from deepsearcher.configuration import Configuration, init_config from deepsearcher.online_query import query config Configuration() # 在这里定制你的配置更多配置项见下文配置详解 config.set_provider_config(llm, OpenAI, {model: o1-mini}) config.set_provider_config(embedding, OpenAIEmbedding, {model: text-embedding-ada-002}) init_config(configconfig) # 加载你的本地数据 from deepsearcher.offline_loading import load_from_local_files load_from_local_files(paths_or_directoryyour_local_path) # 可选从网页加载需要环境变量 FIRECRAWL_API_KEY from deepsearcher.offline_loading import load_from_website load_from_website(urlswebsite_url) # 查询 result query(Write a report about xxx.) # 你的问题在这里这段代码背后对应两条流水线离线加载load_from_local_files()见 deepsearcher/offline_loading.py依次完成加载文件 → 切分 chunk → 批量向量化 → 写入向量库。函数还支持collection_name、collection_description、force_new_collection、chunk_size默认 1500、chunk_overlap默认 100、batch_size默认 256等参数路径可以是单个文件、多个文件或目录。在线查询query()走的是上文描述的 RAGRouter → DeepSearch / ChainOfRAG 迭代式深度研究流程。加载环节还有一个值得注意的实现细节文本切分使用了Sentence Window句子窗口策略。在 deepsearcher/loader/splitter.py 中先用RecursiveCharacterTextSplitter按chunk_size / chunk_overlap切分再对每个小片段的原文上下文各扩展 300 字符形成wider_text存入 chunk 元数据。查询生成答案时见 naive_rag.py 的query()优先使用wider_text而非孤立的 chunk 文本从而显著提升答案的上下文完整性。五、配置详解五类 Provider 全覆盖DeepSearcher 的一切模块配置都围绕统一 API 展开config.set_provider_config(feature, ProviderName, {参数: 值})其中feature属于五类llm、embedding、file_loader、web_crawler、vector_db。该 API 在 deepsearcher/configuration.py 的set_provider_config()中实现——它把 provider 名称与参数字典写入内存配置随后由init_config()通过ModuleFactory同文件 configuration.py按名称动态导入对应模块类并实例化。因此只要仓库中存在对应的实现类即可通过这个 API 直接切换无需改动任何业务代码。默认值可在 deepsearcher/config.yaml 中查看。5.1 LLM 配置LLMName可选值包括DeepSeek、OpenAI、XAI、SiliconFlow、Aliyun、PPIO、TogetherAI、Gemini、Ollama、Novita、JiekouAI以及仓库中已实现源码的Anthropic、AzureOpenAI、Bedrock、Volcengine、GLM、watsonx。Arguments dict是传给 LLM 类的参数字典模型名、api_key、base_url 等。以下示例均来自官方首页文档统一整理如下各厂商 API Key 均通过对应环境变量注入也可在 config 字典中显式覆盖OpenAIconfig.set_provider_config(llm, OpenAI, {model: o1-mini})通义千问 Qwen3阿里云百炼需要环境变量DASHSCOPE_API_KEYconfig.set_provider_config(llm, Aliyun, {model: qwen-plus-latest})Qwen3OpenRouter 中转config.set_provider_config(llm, OpenAI, {model: qwen/qwen3-235b-a22b:free, base_url: https://openrouter.ai/api/v1, api_key: OPENROUTER_API_KEY})DeepSeek 官方需要环境变量DEEPSEEK_API_KEYconfig.set_provider_config(llm, DeepSeek, {model: deepseek-reasoner})DeepSeekSiliconFlow 推理服务需要环境变量SILICONFLOW_API_KEYconfig.set_provider_config(llm, SiliconFlow, {model: deepseek-ai/DeepSeek-R1})DeepSeek R1 / Llama 4TogetherAI需要环境变量TOGETHER_API_KEY并先执行pip install togetherconfig.set_provider_config(llm, TogetherAI, {model: deepseek-ai/DeepSeek-R1}) config.set_provider_config(llm, TogetherAI, {model: meta-llama/Llama-4-Scout-17B-16E-Instruct})XAI Grok需要环境变量XAI_API_KEYconfig.set_provider_config(llm, XAI, {model: grok-4-0709})Anthropic Claude需要环境变量ANTHROPIC_API_KEYconfig.set_provider_config(llm, Anthropic, {model: claude-sonnet-4-0})Google Gemini需要环境变量GEMINI_API_KEY并先执行pip install google-genaiconfig.set_provider_config(llm, Gemini, { model: gemini-2.0-flash })DeepSeekPPIO需要环境变量PPIO_API_KEYconfig.set_provider_config(llm, PPIO, {model: deepseek/deepseek-r1-turbo})Claude Sonnet 4.5Jiekou.AI需要环境变量JIEKOU_API_KEYconfig.set_provider_config(llm, JiekouAI, {model: claude-sonnet-4-5-20250929})Ollama本地先安装并启动本地 Ollama用ollama pull qwen3拉取模型可用ollama run qwen3直接对话测试Ollama 默认在http://localhost:11434提供 REST APIconfig.set_provider_config(llm, Ollama, {model: qwen3})火山引擎Volcengine需要环境变量VOLCENGINE_API_KEYconfig.set_provider_config(llm, Volcengine, {model: deepseek-r1-250120})GLM需要环境变量GLM_API_KEY并先执行pip install zhipuaiconfig.set_provider_config(llm, GLM, {model: glm-4-plus})Amazon Bedrock需要环境变量AWS_ACCESS_KEY_ID与AWS_SECRET_ACCESS_KEY并先执行pip install boto3config.set_provider_config(llm, Bedrock, {model: us.deepseek.r1-v1:0})IBM watsonx.ai需要环境变量WATSONX_APIKEY、WATSONX_URL、WATSONX_PROJECT_ID并先执行pip install ibm-watsonx-aiconfig.set_provider_config(llm, watsonx, {model: us.deepseek.r1-v1:0})提示小模型往往难以严格遵循 prompt 输出规定格式容易引发LLM 输出解析失败问题。官方建议优先使用大参数推理模型如 deepseek-r1 671b、OpenAI o 系列、Claude 4 sonnet作为你的 LLM。5.2 Embedding 配置EmbeddingModelName可选值包括MilvusEmbedding、OpenAIEmbedding、VoyageEmbedding、SiliconflowEmbedding、PPIOEmbedding、NovitaEmbedding、JiekouAIEmbedding仓库源码中还实现了BedrockEmbedding、GeminiEmbedding、OllamaEmbedding、VolcengineEmbedding、GLMEmbedding、FastEmbedEmbedding、WatsonXEmbedding、SentenceTransformerEmbedding等对应文件见 deepsearcher/embedding。OpenAI embedding需要环境变量OPENAI_API_KEYconfig.set_provider_config(embedding, OpenAIEmbedding, {model: text-embedding-3-small})OpenAI embeddingAzure 形态config.set_provider_config(embedding, OpenAIEmbedding, { model: text-embedding-ada-002, azure_endpoint: https://youraifoundry.openai.azure.com/, api_version: 2023-05-15 })PyMilvus 内置 embedding 模型模型名可填default、BAAI/bge-base-en-v1.5、BAAI/bge-large-en-v1.5、jina-embeddings-v3等实现细节见 deepsearcher/embedding/milvus_embedding.py使用 Jina 模型需要JINAAI_API_KEY并先执行pip install pymilvus.modelconfig.set_provider_config(embedding, MilvusEmbedding, {model: BAAI/bge-base-en-v1.5}) config.set_provider_config(embedding, MilvusEmbedding, {model: jina-embeddings-v3})VoyageAI需要环境变量VOYAGE_API_KEY并先执行pip install voyageaiconfig.set_provider_config(embedding, VoyageEmbedding, {model: voyage-3})Amazon Bedrock embedding需先执行pip install boto3config.set_provider_config(embedding, BedrockEmbedding, {model: amazon.titan-embed-text-v2:0})Novita AI embedding需要环境变量NOVITA_API_KEYconfig.set_provider_config(embedding, NovitaEmbedding, {model: baai/bge-m3})SiliconFlow embedding需要环境变量SILICONFLOW_API_KEYconfig.set_provider_config(embedding, SiliconflowEmbedding, {model: BAAI/bge-m3})火山引擎 embedding需要环境变量VOLCENGINE_API_KEYconfig.set_provider_config(embedding, VolcengineEmbedding, {model: doubao-embedding-text-240515})GLM embedding需要环境变量GLM_API_KEY并先执行pip install zhipuaiconfig.set_provider_config(embedding, GLMEmbedding, {model: embedding-3})Google Gemini embedding需要环境变量GEMINI_API_KEY并先执行pip install google-genaiconfig.set_provider_config(embedding, GeminiEmbedding, {model: text-embedding-004})Ollama embedding需先执行pip install ollamaconfig.set_provider_config(embedding, OllamaEmbedding, {model: bge-m3})PPIO embedding需要环境变量PPIO_API_KEYconfig.set_provider_config(embedding, PPIOEmbedding, {model: baai/bge-m3})Jiekou.AI embedding需要环境变量JIEKOU_API_KEYconfig.set_provider_config(embedding, JiekouAIEmbedding, {model: qwen/qwen3-embedding-8b})FastEmbed本地开源 embedding需先执行pip install fastembedconfig.set_provider_config(embedding, FastEmbedEmbedding, {model: intfloat/multilingual-e5-large})IBM watsonx.ai embedding需要环境变量WATSONX_APIKEY、WATSONX_URL、WATSONX_PROJECT_ID并先执行pip install ibm-watsonx-aiconfig.set_provider_config(embedding, WatsonXEmbedding, {model: ibm/slate-125m-english-rtrvr-v2}) config.set_provider_config(embedding, WatsonXEmbedding, {model: sentence-transformers/all-minilm-l6-v2})补充说明embedding 的向量维度dimension直接决定向量库 Collection 的建表维度。在默认配置 deepsearcher/config.yaml 中OpenAIEmbedding 的 dimension 为 1536切换 embedding 模型后init_config()会用新维度重新初始化 Collection。5.3 向量数据库配置VectorDBName官方首页文档给出的可选值以Milvus为主文档标注Under development但仓库源码中已实际实现Qdrantdeepsearcher/vector_db/qdrant.py、AzureSearchdeepsearcher/vector_db/azure_search.py与Oracledeepsearcher/vector_db/oracle.py。Milvusconfig.set_provider_config(vector_db, Milvus, {uri: ./milvus.db, token: })Milvus 的三种部署形态来自官方文档并在 deepsearcher/vector_db/milvus.py 的Milvus类构造参数uri、token、user、password、db、hybrid中均有对应实现本地文件模式最省事将uri设为本地文件路径例如./milvus.dbDeepSearcher 会自动借助 Milvus Lite 把所有数据存储在该文件中Milvus Server适合大规模数据用 Docker 或 Kubernetes 部署更高效的 Milvus 服务然后把服务器地址如http://localhost:19530作为uri还可传入 Milvus 支持的其他连接参数如host、user、password、secureZilliz Cloud全托管 Milvus根据 Zilliz Cloud 控制台提供的 Public Endpoint 与 API Key 调整uri和token。默认配置deepsearcher/config.yaml中还包含default_collection: deepsearcher与db: default即数据默认落在名为deepsearcher的 Collection 中。Azure AI Searchconfig.set_provider_config(vector_db, AzureSearch, { endpoint: https://yourazureaisearch.search.windows.net, index_name: yourindex, api_key: yourkey, vector_field: })5.4 文件加载器配置FileLoaderName可选值PDFLoader、TextLoader、UnstructuredLoader官方文档标注 Under development仓库中还实现了JsonFileLoader与DoclingLoader见 deepsearcher/loader/file_loader。Unstructured支持 API 与本地两种模式API 模式设置环境变量UNSTRUCTURED_API_KEY与UNSTRUCTURED_API_URL本地模式不设置上述环境变量即可走本地处理。config.set_provider_config(file_loader, UnstructuredLoader, {})安装要求pip install unstructured-ingest # 安装 ingest 管道 pip install unstructured[all-docs] # 支持所有文档格式 pip install unstructured[pdf] # 仅 PDF 等特定格式当前支持的本地文件类型以pdf为主仍在持续开发中。Docling需要pip install docling支持格式以 Docling 官方文档为准config.set_provider_config(file_loader, DoclingLoader, {})仓库中的 examples/load_and_crawl_using_docling.py 提供了 Docling 加载与爬取的完整可运行示例。5.5 网页爬虫配置WebCrawlerName可选值FireCrawlCrawler、Crawl4AICrawler、JinaCrawler仓库中另有DoclingCrawler。FireCrawl需要环境变量FIRECRAWL_API_KEYconfig.set_provider_config(web_crawler, FireCrawlCrawler, {})可运行示例见 examples/load_website_using_firecrawl.py。Crawl4AI首次使用需先执行crawl4ai-setup并pip install crawl4ai可通过browser_config定制浏览器行为无头模式、代理、视口等config.set_provider_config(web_crawler, Crawl4AICrawler, {browser_config: {headless: True, verbose: True}})Jina Reader需要环境变量JINA_API_TOKEN或JINAAI_API_KEYconfig.set_provider_config(web_crawler, JinaCrawler, {})Docling 爬虫需要pip install doclingconfig.set_provider_config(web_crawler, DoclingCrawler, {})六、Python CLI 模式不写代码也能加载与查询CLI 入口实现在 deepsearcher/cli.py包含load与query两个子命令。6.1 加载数据deepsearcher load your_local_path_or_url # 加载到指定 Collection deepsearcher load your_local_path_or_url --collection_name your_collection_name --collection_desc your_collection_description从本地文件加载deepsearcher load /path/to/your/local/file.pdf # 一次加载多个文件 deepsearcher load /path/to/your/local/file1.pdf /path/to/your/local/file2.md从 URL 加载需要先在环境变量中设置FIRECRAWL_API_KEYdeepsearcher load https://www.wikiwand.com/en/articles/DeepSeekload子命令的完整参数对应 cli.py参数默认值说明load_path必填一个或多个本地文件路径或 URL--batch_size256加载知识时向量化的批量大小--collection_name无数据写入的目标 Collection 名称--collection_desc无Collection 的描述--force_new_collectionFalse设为 True 时每次加载都先删除原 Collection 再新建CLI 内部会按http前缀自动区分 URL 与本地文件URL 交给load_from_website()本地文件交给load_from_local_files()。6.2 查询deepsearcher query Write a report about xxx.query子命令支持--max_iter默认 3用于控制反思迭代的最大轮数。查询结束后 CLI 会彩色打印最终答案并逐条列出检索引用chunk 文本前 60 字符与来源 reference。6.3 帮助信息deepsearcher --help deepsearcher load --help deepsearcher query --help注意早期的--query/--load写法已弃用cli.py 会打印弃用提示并退出请使用上面的子命令语法。七、部署YAML 配置 FastAPI 服务7.1 通过 config.yaml 配置模块除了 Python API还可以直接修改 deepsearcher/config.yaml 完成全部模块的默认配置。例如在llm一节中写入你的OPENAI_API_KEY或在embedding一节切换 embedding 模型。该文件的三段结构分别是provide_settingsllm / embedding / file_loader / web_crawler / vector_db 五类 provider 及其参数字典文件内已内置 OpenAI、DeepSeek、SiliconFlow、PPIO、JiekouAI、TogetherAI、AzureOpenAI、Ollama、Novita 等多份 LLM 注释示例以及 MilvusEmbedding、VoyageEmbedding、BedrockEmbedding、GeminiEmbedding、FastEmbedEmbedding 等 embedding 注释示例query_settings.max_iter查询反思迭代上限默认 3load_settingschunk_size: 1500与chunk_overlap: 100即加载时的切分粒度。7.2 启动 FastAPI 服务主脚本 main.py 会启动一个 FastAPI 服务默认监听localhost:8000python main.py启动后即可在浏览器打开http://localhost:8000/docs访问 Swagger 交互式 API 文档点击 Try it out 填入参数即可直接调用接口。从 main.py 的源码可以看到内置的四个端点端点方法功能/set-provider-config/POST动态设置某个 feature 的 provider 与参数Body 为{feature, provider, config}并立即重新init_config/load-files/POST加载本地文件/目录支持paths、collection_name、collection_description、batch_size/load-website/POST加载网页支持urls及上述同名参数/query/GET查询参数original_query与max_iterge1服务端还支持通过--enable-cors开启全来源 CORS默认关闭python main.py --enable-cors八、常见问题FAQQ1为什么解析 LLM 输出格式会失败 / 如何选择 LLMA1小模型难以严格遵循 prompt 生成期望的响应通常会导致格式解析问题。更稳妥的做法是使用大参数推理模型如 deepseek-r1 671b、OpenAI o 系列、Claude 4 sonnet作为你的 LLM。Q2报错OSError: We couldnt connect to https://huggingface.co to load this file ... GPTCache/paraphrase-albert-small-v2 ...怎么办A2这主要源于对 Hugging Face 的访问异常可能是网络或权限问题可尝试以下两种方法网络问题——设置代理添加镜像环境变量export HF_ENDPOINThttps://hf-mirror.com权限问题——设置个人 tokenexport HUGGING_FACE_HUB_TOKENxxxxQ3DeepSearcher 无法在 Jupyter notebook 中运行A3安装nest_asyncio并在 notebook 开头加入如下代码块pip install nest_asyncioimport nest_asyncio nest_asyncio.apply()九、模块支持清单与评估官方首页文档还整理了一份完整的模块支持清单结合仓库源码目录可归纳如下Embedding 模型开源 embeddingMilvus 内置、OpenAIOPENAI_API_KEY、VoyageAIVOYAGE_API_KEY、Amazon BedrockAWS_ACCESS_KEY_ID/AWS_SECRET_ACCESS_KEY、FastEmbed、PPIOPPIO_API_KEY、Novita AINOVITA_API_KEY、IBM watsonx.aiWATSONX_APIKEY/WATSONX_URL/WATSONX_PROJECT_ID、Jiekou.AIJIEKOU_API_KEY等源码见 deepsearcher/embeddingLLMOpenAI、DeepSeek、XAI Grok、Anthropic Claude、SiliconFlow、PPIO、TogetherAI、Google Gemini、Ollama、Novita AI、IBM watsonx.ai、Jiekou.AI、阿里云、火山引擎、GLM、Azure OpenAI 等源码见 deepsearcher/llm文档加载器本地文件PDF/txt/md loader、Unstructured、Docling网页爬虫FireCrawl、Jina Reader、Crawl4AI、Docling源码见 deepsearcher/loader向量数据库Milvus 与 Zilliz Cloud全托管 Milvus、Qdrant源码见 deepsearcher/vector_db。评估方面仓库提供了 evaluation 目录其中 evaluation/evaluate.py 与 evaluation/eval_config.yaml 是评测入口与配置evaluation/jev_stopping子目录包含针对不同停止策略的完整评测实验含 100 条样本的run_full100.py运行脚本、replay_results.py结果回放、plot_comparison.py绘图等evaluation/plot_results中提供了max_iter与平均 token 用量、错误数、召回率之间的关系图。由此可见查询轮数max_iter与答案质量、token 成本之间的权衡是 DeepSearcher 官方重点评测的维度这也是我们在实际部署时需要针对自己的数据集调优的关键参数。十、未来规划根据官方首页文档项目后续计划包括增强网页爬取能力、支持更多向量数据库如 FAISS 等、增加更多大模型接入以及提供 RESTful API 接口该项已完成即上文第七节的 FastAPI 服务。本项目以 Apache-2.0 协议开源见 LICENSE欢迎贡献。小结DeepSearcher 的价值在于把深度研究所需的子问题分解、迭代检索、相关性重排、反思与总结全部交给 LLM 驱动同时通过统一配置层将 LLM、Embedding、向量库、加载器、爬虫五类模块解耦使企业可以围绕私有数据快速搭建定制化的深度研究问答系统。无论是用 Python API、CLI 还是 FastAPI 服务核心都是先加载与向量化数据再迭代式深度查询这两步调优时优先关注max_iter与 embedding / LLM 的选型即可。赞分享人工智能大模型RAGAI Agent深度研究知识库【免费下载链接】deep-searcherOpen Source Deep Research Alternative to Reason and Search on Private Data. Written in Python.项目地址https://gitcode.com/gh_mirrors/de/deep-searcher点击查看免费下载相关推荐DeepSearcher 实战指南基于向量库与深度推理大模型的私有数据 Deep Search 系统DeepSearcher 实战指南基于向量库与深度推理大模型的私有数据 Deep Search 系统 本文以 DeepSearcher 官方 README 为人工智能大模型RAGAI Agent深度研究知识库generative-ai-for-beginners 实战用 RAG 与向量数据库把私有数据锚定到 LLM 应用generative ai for beginners 实战用 RAG 与向量数据库把私有数据锚定到 LLM 应用 本文基于 generative ai fo教程人工智能大模型generative-ai-for-beginners 第 15 课实战用 RAG 与向量数据库把私有数据「接地」到 LLMgenerative ai for beginners 第 15 课实战用 RAG 与向量数据库把私有数据「接地」到 LLM 本文基于 generative教程人工智能大模型上一篇旧机顶盒刷Armbian7×24小时家庭服务器改造实战下一篇DeepChat i18n 正确性契约单一语言清单、翻译资源约束与自动化回归防护创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考