尧图网站建设 
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DeepSearcher 是一个开源的深度研究Deep Research工具用于在私有数据上执行检索、评估与推理其核心流程基于 LLM 与向量数据库如 Milvus的协同工作。本文以官方 pip 安装方式为主线覆盖虚拟环境准备、包安装、可选依赖、安装验证与安装后的首次查询配置并结合仓库源码pyproject.toml、deepsearcher/cli.py等说明底层实现帮助你在不改动源码的前提下快速搭建一套可用的 DeepSearcher 环境。适用场景与前置条件pip 安装方式pip install deepsearcher适合大多数希望直接使用 DeepSearcher、无需修改源码的用户。官方文档给出的前置条件如下Python 3.10 或更高版本这也是项目在 pyproject.toml 中声明的requires-python 3.10下限pip 包管理器随 Python 一同安装虚拟环境工具推荐使用用于隔离项目依赖避免污染系统 Python 环境。此外根据 安装总览 中的系统要求运行 DeepSearcher 还需要4GB RAM 以上推荐 8GB可用的互联网连接用于下载模型与依赖包首次安装依赖、拉取 embedding 模型或调用云端 LLM API 时都需要联网。说明本仓库当前pyproject.toml中deepsearcher的版本为0.0.2本文所有命令与配置均以仓库实际内容为准。分步安装创建虚拟环境并安装 DeepSearcher官方推荐的三步安装流程如下第一步创建虚拟环境在项目工作目录下执行python -m venv .venvvenv是 Python 标准库自带的虚拟环境工具无需额外安装。创建的.venv目录将包含独立的 Python 解释器与包目录后续安装的依赖全部落在该目录内。第二步激活虚拟环境不同操作系统的激活命令不同 Linux/macOSbash source .venv/bin/activate Windowsbash .venv\Scripts\activate激活成功后终端提示符前会出现(.venv)前缀表明当前 shell 正在使用虚拟环境中的 Python 与 pip。第三步安装 DeepSearcherpip install deepsearcher该命令会从 PyPI 拉取deepsearcher包及其核心依赖。根据 pyproject.toml 的dependencies声明核心依赖至少包括fastapi/uvicorn提供 HTTP 服务能力openaiOpenAI 兼容接口的 LLM 调用基础pymilvusMilvus 向量数据库客户端默认向量库pdfplumber、langchain-text-splitters、numpy、requests、termcolor、tqdm、argparse、firecrawl-py、ibm-watsonx-ai等。安装完成后deepsearcher命令即被注册到虚拟环境的bin/Scripts目录下——这是由 pyproject.toml 中的入口点声明deepsearcher deepsearcher.cli:main决定的意味着你可以直接使用deepsearcherCLI 工具。可选依赖按集成场景按需安装DeepSearcher 通过可选的extras支持多种第三方集成。官方文档给出的两种安装方式为集成场景安装命令说明Ollama本地 LLM 部署pip install deepsearcher[ollama]通过 Ollama 运行本地大模型实现离线/私有 LLM 推理全部可选依赖pip install deepsearcher[all]一次性安装所有可选集成实际上仓库在 pyproject.toml 中声明了远不止这两个 extras。除ollama依赖ollama0.4.8外还包括voyageaiVoyageAI 向量模型VoyageEmbeddinganthropicClaude 系列 LLMgoogleGemini LLM 与GeminiEmbeddinggoogle-genaiunstructured非结构化文档加载unstructured-ingest、unstructured[all-docs]zhipuai智谱 GLM LLM 与 EmbeddingoracledbOracle 向量数据库对应deepsearcher/vector_db/oracle.pyazure-searchAzure AI Search 向量库对应deepsearcher/vector_db/azure_search.pyboto3Amazon Bedrock LLM 与 EmbeddingtogetherTogether AI LLMqdrantQdrant 向量库 FastEmbedqdrant-client、fastembeddoclingDocling 文档解析Loader 与 Crawlercrawl4aiCrawl4AI 网页爬虫sentence-transformers本地 Sentence-Transformer Embeddingibm-watsonxIBM watsonx.ai LLM 与 Embedding。安装建议如果你是首次体验可先安装核心包并准备一个 OpenAI 兼容的 API Key当需要使用某个具体集成时再按需安装对应的 extras例如pip install deepsearcher[qdrant]或pip install deepsearcher[docling]避免一次性引入过多重型依赖。验证安装三种检查方式方式一Python 版本号检查官方示例官方文档提供了最直接的验证方式# Simple verification from deepsearcher import __version__ print(fDeepSearcher version: {__version__})该脚本会打印当前安装的 DeepSearcher 版本号本仓库对应0.0.2打印成功即说明包已正确导入。方式二CLI 入口验证由于 pip 安装后注册了deepsearcher命令行入口可以直接运行deepsearcher --help从 deepsearcher/cli.py 的源码可以看出CLI 提供了query与load两个子命令deepsearcher query your_query --max_iter 3对已加载的知识库发起查询--max_iter控制反思迭代次数默认 3deepsearcher load your_local_path_or_url --collection_name name --collection_desc desc从本地文件或网页 URL 加载知识相关参数还包括--batch_size默认 256、--force_new_collection等。如果你看到[Deprecated]提示说明使用了旧的--query/--load参数格式请按提示改用新的子命令格式。方式三初始化配置检查安装总览 还给出了一种结合配置对象的验证方式from deepsearcher.configuration import Configuration from deepsearcher.online_query import query # Initialize with default configuration config Configuration() print(DeepSearcher installed successfully!)Configuration()会读取包内自带的 deepsearcher/config.yaml 默认配置其构造函数逻辑位于 deepsearcher/configuration.pyload_config_from_yaml负责解析 YAML并初始化provide_settings、query_settings、load_settings三组配置。能顺利构建配置对象说明依赖与配置文件均就位。安装之后快速完成首次查询1. 准备 API Key 与模型配置DeepSearcher 默认使用 OpenAI 的 LLMo1-mini与 Embedding 模型text-embedding-ada-002因此最简单的方式是先在环境变量中设置OPENAI_API_KEY。默认配置见 deepsearcher/config.yamlprovide_settings: llm: provider: OpenAI config: model: o1-mini embedding: provider: OpenAIEmbedding config: model: text-embedding-ada-002如果你希望使用 DeepSeek、SiliconFlow、Ollama、Gemini 等其它提供商有两种途径修改配置文件编辑deepsearcher/config.yaml取消对应 provider 的注释代码中覆盖调用config.set_provider_config(...)详见 README 快速开始 与 LLM 配置文档、Embedding 配置文档。以代码覆盖为例config.set_provider_config(llm, OpenAI, {model: o1-mini}) config.set_provider_config(embedding, OpenAIEmbedding, {model: text-embedding-ada-002}) init_config(configconfig)init_config会通过ModuleFactory创建 LLM、Embedding、文件加载器、网页爬虫与向量库实例并组装RAGRouter内置DeepSearch与ChainOfRAG两个 agent以及NaiveRAG其实现同样位于 deepsearcher/configuration.py。2. 加载私有数据加载本地文件from deepsearcher.offline_loading import load_from_local_files load_from_local_files(paths_or_directoryyour_local_path)加载网页内容需要FIRECRAWL_API_KEY环境变量默认爬虫为FireCrawlCrawlerfrom deepsearcher.offline_loading import load_from_website load_from_website(urlswebsite_url)更完整的可运行示例可参考 examples/basic_example.py。3. 发起查询result query(Write a report about xxx.)query函数定义在 deepsearcher/online_query.py它会调用default_searcher.query(original_query, max_iter3)并返回答案、引用列表与消耗的 token 数。如果你只想做检索而不生成答案也可以使用同文件中的retrieve()、naive_retrieve()、naive_rag_query()等接口。与开发模式安装的对比与选型官方提供两种安装路径见 安装总览方式适合人群特点pip 安装本文大多数普通用户pip install deepsearcher一步到位不涉及源码修改开发模式贡献者 / 二次开发者克隆仓库后通过uv sync或pip install -e .[dev,all]安装便于修改代码与运行pytest tests/测试详细步骤见 开发模式安装文档。对绝大多数使用场景而言本文的 pip 方式已经足够只有当你想为 DeepSearcher 贡献代码或深度定制内部模块时才建议切换为开发模式。常见问题与排查思路python -m venv .venv失败确认 Python 版本 ≥ 3.10python --version并检查系统是否安装了python3-venv相关组件。pip install deepsearcher下载缓慢或超时可换用国内 PyPI 镜像源例如pip install deepsearcher -i https://pypi.tuna.tsinghua.edu.cn/simple同时确保网络可以访问 PyPI。deepsearcher命令找不到多半是虚拟环境未激活或安装到了其它 Python 环境重新执行source .venv/bin/activateWindows 为.venv\Scripts\activate后再试。首次查询报错 / 无结果优先检查 LLM 与 Embedding 的 API Key 环境变量是否就位、模型名是否与所选提供商匹配以及向量库默认配置deepsearcher/config.yaml 中vector_db默认使用 Milvusuri: ./milvus.db即以本地文件模式运行无需额外部署 Milvus 服务。内存不足官方建议 4GB RAM 起步、8GB 更佳若本地 embedding 模型体积较大可改用 API 型 embedding如 OpenAIEmbedding以降低内存占用。小结通过本文你可以用三条命令创建虚拟环境 → 激活 →pip install deepsearcher完成 DeepSearcher 的安装再结合可选 extras 按需扩展 Ollama、Qdrant、Docling 等集成能力。安装后既可以通过deepsearcher query/deepsearcher load命令行快速体验也可以基于Configurationinit_configquery的 Python API 编写定制化查询脚本让 DeepSearcher 在私有数据上真正跑起来。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在 Zencoder 中安装并运行 Wren AI Skills从环境检查到首次查询的完整指南在 Zencoder 中安装并运行 Wren AI Skills从环境检查到首次查询的完整指南 Zencoder 是一款集成在 VS Code 与 JetBr后端人工智能AI Agent数据分析Lawnicons图标制作实战Figma工具使用与SVG导出技巧Lawnicons图标制作实战Figma工具使用与SVG导出技巧 Lawnicons是一个为Android启动器提供单色轮廓品牌图标的开源项目通过Figma移动开发Geocoder安装配置完整教程从环境准备到第一个查询Geocoder是PHP生态中最功能丰富的 地理编码库 为构建 地理感知应用 提供了强大的抽象层。通过本教程您将快速掌握 Geocoder安装配置 的完整流后端上一篇终极免费NCM解密工具ncmppGui完整使用教程下一篇WzComparerR2终极指南冒险岛游戏资源提取与可视化分析工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DeepSearcher pip 安装指南：从环境准备到首次查询的完整实操
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DeepSearcher 是一个开源的深度研究Deep Research工具用于在私有数据上执行检索、评估与推理其核心流程基于 LLM 与向量数据库如 Milvus的协同工作。本文以官方 pip 安装方式为主线覆盖虚拟环境准备、包安装、可选依赖、安装验证与安装后的首次查询配置并结合仓库源码pyproject.toml、deepsearcher/cli.py等说明底层实现帮助你在不改动源码的前提下快速搭建一套可用的 DeepSearcher 环境。适用场景与前置条件pip 安装方式pip install deepsearcher适合大多数希望直接使用 DeepSearcher、无需修改源码的用户。官方文档给出的前置条件如下Python 3.10 或更高版本这也是项目在 pyproject.toml 中声明的requires-python 3.10下限pip 包管理器随 Python 一同安装虚拟环境工具推荐使用用于隔离项目依赖避免污染系统 Python 环境。此外根据 安装总览 中的系统要求运行 DeepSearcher 还需要4GB RAM 以上推荐 8GB可用的互联网连接用于下载模型与依赖包首次安装依赖、拉取 embedding 模型或调用云端 LLM API 时都需要联网。说明本仓库当前pyproject.toml中deepsearcher的版本为0.0.2本文所有命令与配置均以仓库实际内容为准。分步安装创建虚拟环境并安装 DeepSearcher官方推荐的三步安装流程如下第一步创建虚拟环境在项目工作目录下执行python -m venv .venvvenv是 Python 标准库自带的虚拟环境工具无需额外安装。创建的.venv目录将包含独立的 Python 解释器与包目录后续安装的依赖全部落在该目录内。第二步激活虚拟环境不同操作系统的激活命令不同 Linux/macOSbash source .venv/bin/activate Windowsbash .venv\Scripts\activate激活成功后终端提示符前会出现(.venv)前缀表明当前 shell 正在使用虚拟环境中的 Python 与 pip。第三步安装 DeepSearcherpip install deepsearcher该命令会从 PyPI 拉取deepsearcher包及其核心依赖。根据 pyproject.toml 的dependencies声明核心依赖至少包括fastapi/uvicorn提供 HTTP 服务能力openaiOpenAI 兼容接口的 LLM 调用基础pymilvusMilvus 向量数据库客户端默认向量库pdfplumber、langchain-text-splitters、numpy、requests、termcolor、tqdm、argparse、firecrawl-py、ibm-watsonx-ai等。安装完成后deepsearcher命令即被注册到虚拟环境的bin/Scripts目录下——这是由 pyproject.toml 中的入口点声明deepsearcher deepsearcher.cli:main决定的意味着你可以直接使用deepsearcherCLI 工具。可选依赖按集成场景按需安装DeepSearcher 通过可选的extras支持多种第三方集成。官方文档给出的两种安装方式为集成场景安装命令说明Ollama本地 LLM 部署pip install deepsearcher[ollama]通过 Ollama 运行本地大模型实现离线/私有 LLM 推理全部可选依赖pip install deepsearcher[all]一次性安装所有可选集成实际上仓库在 pyproject.toml 中声明了远不止这两个 extras。除ollama依赖ollama0.4.8外还包括voyageaiVoyageAI 向量模型VoyageEmbeddinganthropicClaude 系列 LLMgoogleGemini LLM 与GeminiEmbeddinggoogle-genaiunstructured非结构化文档加载unstructured-ingest、unstructured[all-docs]zhipuai智谱 GLM LLM 与 EmbeddingoracledbOracle 向量数据库对应deepsearcher/vector_db/oracle.pyazure-searchAzure AI Search 向量库对应deepsearcher/vector_db/azure_search.pyboto3Amazon Bedrock LLM 与 EmbeddingtogetherTogether AI LLMqdrantQdrant 向量库 FastEmbedqdrant-client、fastembeddoclingDocling 文档解析Loader 与 Crawlercrawl4aiCrawl4AI 网页爬虫sentence-transformers本地 Sentence-Transformer Embeddingibm-watsonxIBM watsonx.ai LLM 与 Embedding。安装建议如果你是首次体验可先安装核心包并准备一个 OpenAI 兼容的 API Key当需要使用某个具体集成时再按需安装对应的 extras例如pip install deepsearcher[qdrant]或pip install deepsearcher[docling]避免一次性引入过多重型依赖。验证安装三种检查方式方式一Python 版本号检查官方示例官方文档提供了最直接的验证方式# Simple verification from deepsearcher import __version__ print(fDeepSearcher version: {__version__})该脚本会打印当前安装的 DeepSearcher 版本号本仓库对应0.0.2打印成功即说明包已正确导入。方式二CLI 入口验证由于 pip 安装后注册了deepsearcher命令行入口可以直接运行deepsearcher --help从 deepsearcher/cli.py 的源码可以看出CLI 提供了query与load两个子命令deepsearcher query your_query --max_iter 3对已加载的知识库发起查询--max_iter控制反思迭代次数默认 3deepsearcher load your_local_path_or_url --collection_name name --collection_desc desc从本地文件或网页 URL 加载知识相关参数还包括--batch_size默认 256、--force_new_collection等。如果你看到[Deprecated]提示说明使用了旧的--query/--load参数格式请按提示改用新的子命令格式。方式三初始化配置检查安装总览 还给出了一种结合配置对象的验证方式from deepsearcher.configuration import Configuration from deepsearcher.online_query import query # Initialize with default configuration config Configuration() print(DeepSearcher installed successfully!)Configuration()会读取包内自带的 deepsearcher/config.yaml 默认配置其构造函数逻辑位于 deepsearcher/configuration.pyload_config_from_yaml负责解析 YAML并初始化provide_settings、query_settings、load_settings三组配置。能顺利构建配置对象说明依赖与配置文件均就位。安装之后快速完成首次查询1. 准备 API Key 与模型配置DeepSearcher 默认使用 OpenAI 的 LLMo1-mini与 Embedding 模型text-embedding-ada-002因此最简单的方式是先在环境变量中设置OPENAI_API_KEY。默认配置见 deepsearcher/config.yamlprovide_settings: llm: provider: OpenAI config: model: o1-mini embedding: provider: OpenAIEmbedding config: model: text-embedding-ada-002如果你希望使用 DeepSeek、SiliconFlow、Ollama、Gemini 等其它提供商有两种途径修改配置文件编辑deepsearcher/config.yaml取消对应 provider 的注释代码中覆盖调用config.set_provider_config(...)详见 README 快速开始 与 LLM 配置文档、Embedding 配置文档。以代码覆盖为例config.set_provider_config(llm, OpenAI, {model: o1-mini}) config.set_provider_config(embedding, OpenAIEmbedding, {model: text-embedding-ada-002}) init_config(configconfig)init_config会通过ModuleFactory创建 LLM、Embedding、文件加载器、网页爬虫与向量库实例并组装RAGRouter内置DeepSearch与ChainOfRAG两个 agent以及NaiveRAG其实现同样位于 deepsearcher/configuration.py。2. 加载私有数据加载本地文件from deepsearcher.offline_loading import load_from_local_files load_from_local_files(paths_or_directoryyour_local_path)加载网页内容需要FIRECRAWL_API_KEY环境变量默认爬虫为FireCrawlCrawlerfrom deepsearcher.offline_loading import load_from_website load_from_website(urlswebsite_url)更完整的可运行示例可参考 examples/basic_example.py。3. 发起查询result query(Write a report about xxx.)query函数定义在 deepsearcher/online_query.py它会调用default_searcher.query(original_query, max_iter3)并返回答案、引用列表与消耗的 token 数。如果你只想做检索而不生成答案也可以使用同文件中的retrieve()、naive_retrieve()、naive_rag_query()等接口。与开发模式安装的对比与选型官方提供两种安装路径见 安装总览方式适合人群特点pip 安装本文大多数普通用户pip install deepsearcher一步到位不涉及源码修改开发模式贡献者 / 二次开发者克隆仓库后通过uv sync或pip install -e .[dev,all]安装便于修改代码与运行pytest tests/测试详细步骤见 开发模式安装文档。对绝大多数使用场景而言本文的 pip 方式已经足够只有当你想为 DeepSearcher 贡献代码或深度定制内部模块时才建议切换为开发模式。常见问题与排查思路python -m venv .venv失败确认 Python 版本 ≥ 3.10python --version并检查系统是否安装了python3-venv相关组件。pip install deepsearcher下载缓慢或超时可换用国内 PyPI 镜像源例如pip install deepsearcher -i https://pypi.tuna.tsinghua.edu.cn/simple同时确保网络可以访问 PyPI。deepsearcher命令找不到多半是虚拟环境未激活或安装到了其它 Python 环境重新执行source .venv/bin/activateWindows 为.venv\Scripts\activate后再试。首次查询报错 / 无结果优先检查 LLM 与 Embedding 的 API Key 环境变量是否就位、模型名是否与所选提供商匹配以及向量库默认配置deepsearcher/config.yaml 中vector_db默认使用 Milvusuri: ./milvus.db即以本地文件模式运行无需额外部署 Milvus 服务。内存不足官方建议 4GB RAM 起步、8GB 更佳若本地 embedding 模型体积较大可改用 API 型 embedding如 OpenAIEmbedding以降低内存占用。小结通过本文你可以用三条命令创建虚拟环境 → 激活 →pip install deepsearcher完成 DeepSearcher 的安装再结合可选 extras 按需扩展 Ollama、Qdrant、Docling 等集成能力。安装后既可以通过deepsearcher query/deepsearcher load命令行快速体验也可以基于Configurationinit_configquery的 Python API 编写定制化查询脚本让 DeepSearcher 在私有数据上真正跑起来。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在 Zencoder 中安装并运行 Wren AI Skills从环境检查到首次查询的完整指南在 Zencoder 中安装并运行 Wren AI Skills从环境检查到首次查询的完整指南 Zencoder 是一款集成在 VS Code 与 JetBr后端人工智能AI Agent数据分析Lawnicons图标制作实战Figma工具使用与SVG导出技巧Lawnicons图标制作实战Figma工具使用与SVG导出技巧 Lawnicons是一个为Android启动器提供单色轮廓品牌图标的开源项目通过Figma移动开发Geocoder安装配置完整教程从环境准备到第一个查询Geocoder是PHP生态中最功能丰富的 地理编码库 为构建 地理感知应用 提供了强大的抽象层。通过本教程您将快速掌握 Geocoder安装配置 的完整流后端上一篇终极免费NCM解密工具ncmppGui完整使用教程下一篇WzComparerR2终极指南冒险岛游戏资源提取与可视化分析工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考