MindSearch 深度搜索器

这个 Agent 能做什么，适合哪些场景？

MindSearch 是一个基于 LLM 的多代理网页搜索框架，目标是构建类似 Perplexity.ai Pro 和 SearchGPT 的搜索体验。它以 FastAPI 服务形式运行，并可用 --asy 启动异步代理。后端可配置 InternLM 本地服务或 GPT4 格式模型，并支持 DuckDuckGo、Bing、Brave、Google Serper 与腾讯搜索。项目提供 React、Gradio 和 Streamlit 三种前端选择，其中更新后的 UI 用于呈现同时进行的多查询搜索。也可通过 backend_example.py 直接调用运行中的后端并处理响应。

先复制 .env.example 为 .env，并填写模型及搜索服务配置；随后运行 python -m mindsearch.app --lang en --model_format internlm_server --search_engine DuckDuckGoSearch --asy 启动 FastAPI 服务。服务根据 --lang 选择英文或中文模型设置，根据 --model_format 使用 internlm_server 或 gpt4 格式，并按 --search_engine 选择网页检索提供方。除 DuckDuckGo 外，搜索服务通常需要 WEB_SEARCH_API_KEY；腾讯搜索需要 TENCENT_SEARCH_SECRET_ID 与 TENCENT_SEARCH_SECRET_KEY。用户可通过 React、Gradio、Streamlit 前端提交查询，或运行 backend_example.py 向后端发送查询并处理返回响应。若要更换搜索 API，可修改 mindsearch/agent/__init__.py 中 searcher_cfg 的 searcher_type。

1. 需要在自托管环境中为英文或中文查询部署多代理网页搜索服务的团队。
2. 已运行 InternLM2.5-7b-chat 本地服务，且希望把它接入网页检索流程的开发者。
3. 拥有 Brave、Bing、Google Serper 或腾讯搜索凭据，并需要切换检索提供方的应用开发者。
4. 想用 React 界面展示多条查询同时搜索过程的前端团队。
5. 希望用 backend_example.py 将现有 FastAPI 后端接入自有客户端的工程师。

如何安装或部署这个 Agent？

git clone https://github.com/InternLM/MindSearch
cd MindSearch
pip install -r requirements.txt
mv .env.example .env

编辑 .env 填入所需模型与搜索配置。使用除 DuckDuckGo 以外的搜索服务时，设置 WEB_SEARCH_API_KEY；腾讯搜索则设置 TENCENT_SEARCH_SECRET_ID 和 TENCENT_SEARCH_SECRET_KEY。React 前端还需要安装 Node.js 和 npm，并在 frontend/React 中运行 npm install。

如何使用这个 Agent？

启动后端：

python -m mindsearch.app --lang en --model_format internlm_server --search_engine DuckDuckGoSearch --asy

可将 --lang 改为 cn，将模型格式改为 gpt4；也可选择 BingSearch、BraveSearch、GoogleSearch 或 TencentSearch。后端启动后，运行 python backend_example.py 发送查询。可选前端包括 python frontend/mindsearch_gradio.py、streamlit run frontend/mindsearch_streamlit.py，或在配置 Vite 代理后于 frontend/React 运行 npm start。本地调试可运行 python -m mindsearch.terminal。

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

最近版本

来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。

1. v0.1.0 2024-11-05
   发布说明摘录

   An open-source AI Search Engine Framework with Perplexity.ai Pro performance Technical Report: https://arxiv.org/abs/2407.20183 Search engines provide extensive and the latest web information but often fail to tailor search results to align with complex human intentions. Inspired by the remarkable progress of Large Language Models (LLMs), recent works enhance search engines with LLMs. However, these methods still obtain unsatisfying performance due to three critical problems: …

   在 GitHub 查看 ↗

常见问题