Together Open Deep Research: Indizierte Deep Research-Berichte erstellen

Allgemeine Einführung

Open Deep Research ist ein Programm der Gemeinsam Ein vom KI-Team entwickeltes und offen zugängliches Recherchetool, das auf GitHub gehostet wird. Es erstellt detaillierte Forschungsberichte durch einen Multi-Agenten-KI-Workflow, der den menschlichen Forschungsprozess nachahmt. Benutzer geben einfach ein Forschungsthema ein, und das Tool plant, sucht und bewertet automatisch Informationen und schreibt einen Bericht mit Zitaten. Das Projekt unterstützt Python 3.12+ und erfordert die Konfiguration von API-Schlüsseln zur Nutzung externer Such- und Sprachmodellierungsdienste. Es eignet sich für die akademische Forschung, Marktanalysen und andere Szenarien, wobei der Schwerpunkt auf Open Source und Community-Erweiterung liegt. Jeder kann den Code kostenlos erhalten und ihn nach seinen Bedürfnissen anpassen.

Funktionsliste

• Erstellung einer umfassenden StudieAutomatische Erstellung von langen Forschungsberichten mit Zitaten auf der Grundlage der vom Benutzer eingegebenen Themen.
• Mehrstufige InformationssammlungSicherstellung der Qualität der Informationen durch die Phasen der Planung, Suche und Selbstreflexion.
• Überprüfung von Informationen aus mehreren QuellenUnterstützung von Websuchen über APIs wie Tavily, HuggingFace, etc. mit Quellenangaben.
• Flexible ArchitekturgestaltungBenutzer können Modelle, Suchwerkzeuge und Berichtsstrukturen an unterschiedliche Bedürfnisse anpassen.
• Unterstützung für multimodale AusgabeZusätzliche Inhalte wie Titelbilder, Podcasts usw. können bei der Berichterstellung automatisch erstellt werden.
• Open Source und gemeinschaftsorientiertDer Code ist vollständig quelloffen, so dass die Benutzer die Funktionen ändern und erweitern können.

Hilfe verwenden

Einbauverfahren

Um Open Deep Research zu verwenden, müssen Sie die Laufzeitumgebung lokal oder auf einem Server konfigurieren. Nachfolgend finden Sie die detaillierten Installationsschritte:

1. Überprüfung der Umweltanforderungen
   Stellen Sie sicher, dass Python 3.12 oder höher installiert ist. Eine virtuelle Umgebung wird empfohlen, um Abhängigkeitskonflikte zu vermeiden. Sie müssen auch Folgendes installieren uv(ein wenig mehr als pip (Schnelleres und effizienteres Werkzeug zur Paketverwaltung).

   curl -LsSf https://astral.sh/uv/install.sh | sh
   

2. Code-Repository klonen
   Klonen Sie den Projektcode lokal von GitHub:

   git clone https://github.com/togethercomputer/open_deep_research.git
   cd open_deep_research
   

3. Erstellen und Aktivieren einer virtuellen Umgebung
   ausnutzen uv Erstellen Sie eine virtuelle Umgebung und aktivieren Sie sie:

   uv venv --python=3.12
   source .venv/bin/activate
   

4. Installation von Abhängigkeiten
   Installieren Sie alle für Ihr Projekt erforderlichen Python-Pakete:

   uv pip install -r pyproject.toml
   uv lock --check
   

   Wenn Sie die LangGraph Evaluierung können optionale Abhängigkeiten installiert werden:

   uv pip install -e ".[with-open-deep-research]"
   

5. API-Schlüssel konfigurieren
   Das Projekt stützt sich auf externe Dienste wie Together AI, Tavily und HuggingFace für die Suche und die Inferenz von Sprachmodellen. Die folgenden Umgebungsvariablen müssen gesetzt werden:

   export TOGETHER_API_KEY=your_together_api_key
   export TAVILY_API_KEY=your_tavily_api_key
   export HUGGINGFACE_TOKEN=your_huggingface_token
   

   Oberbefehlshaber (Militär) your_together_api_key usw. werden durch den tatsächlichen API-Schlüssel ersetzt. Sie können auf der offiziellen Website des Dienstanbieters ein Konto registrieren und den Schlüssel erhalten.

6. Laufende Projekte
   Sobald die Installation abgeschlossen ist, starten Sie das Hauptprogramm, um die Forschungsaufgabe zu beginnen. Erstellen Sie zum Beispiel einen Bericht über "Ethik der künstlichen Intelligenz":

   python main.py --topic "人工智能伦理"
   

   Das Programm führt automatisch die Planung, Suche und Berichterstellung durch und speichert die Ergebnisse als Markdown-Datei.

Hauptfunktionen

Das Hauptmerkmal von Open Deep Research ist die automatische Erstellung von Forschungsberichten. Nachfolgend finden Sie die detaillierte Vorgehensweise:

1. Geben Sie ein Forschungsthema ein
   Der Benutzer gibt das Recherchethema über die Befehlszeile oder ein Skript an. Beispiel:

   python main.py --topic "气候变化的影响"
   

   Die Themen sollten so klar wie möglich sein, damit das Tool gezielte Berichte erstellen kann.

2. Planungsphase
   Das Tool verwendet zunächst ein Sprachmodell (z. B. Claude oder GPT), um eine Berichtsgliederung zu erstellen. Der Benutzer hat die Wahl, die Standardgliederung zu akzeptieren oder manuell eine benutzerdefinierte Struktur zu erstellen. Eine benutzerdefinierte Struktur könnte zum Beispiel so aussehen:

   {
   "title": "气候变化影响研究",
   "sections": ["引言", "环境影响", "经济影响", "社会影响", "结论"]
   }
   

   Wird als JSON-Datei gespeichert und in der Befehlszeile angegeben:

   python main.py --topic "气候变化的影响" --structure custom_structure.json
   

3. Informationsbeschaffung und Validierung
   Das Werkzeug wird durch den Tavily Die API führt eine Websuche durch, um Webinhalte zum Thema zu erhalten. Bei jeder Suchrunde reflektiert das System über sich selbst, bewertet die Qualität der Informationen und stellt Folgefragen. Lautet die Suchanfrage beispielsweise "Umweltauswirkungen des Klimawandels", kann das System Unterfragen wie "spezifische Daten zum Anstieg des Meeresspiegels" stellen. Die Suchergebnisse werden automatisch entdoppelt und die wichtigsten Informationen werden extrahiert.
4. Erstellung von Berichten
   Das System organisiert die gesammelten Informationen in einem Bericht im Markdown-Format, einschließlich Titel, Kapitel, Einleitung, Hauptteil und Referenzen. Der Bericht unterstützt eine mehrsprachige Ausgabe. Der Standardbericht wird in Englisch erstellt, und der Benutzer kann den Bericht so konfigurieren, dass er chinesische oder andere Sprachversionen erzeugt.
5. Multimodale Erweiterungen
   Das Tool unterstützt die Erstellung von Titelbildern und Audio-Podcasts, die den Bericht begleiten. Das Bild wird mit einem Bilderzeugungsmodell wie DALL-E erstellt und der Podcast wird von einem Text-to-Speech-Dienst erzeugt. Für diese Funktionen ist eine zusätzliche API-Konfiguration erforderlich, zum Beispiel:

   export DALLE_API_KEY=your_dalle_api_key
   

   Nach der Erstellung werden die Bild- und Audiodateien im Ausgabeverzeichnis gespeichert.

Featured Function Bedienung

• Zusammenarbeit zwischen mehreren Agenten
  Open Deep Research verwendet einen Multi-Agenten-Workflow, der in einen Planungsagenten, einen Suchagenten und einen Schreibagenten unterteilt ist. Die Benutzer können das Verhalten der Agenten über Konfigurationsdateien anpassen, indem sie zum Beispiel die Suchtiefe festlegen:

  python main.py --topic "人工智能伦理" --max_search_depth 3
  

  Mit dem obigen Befehl wird die Anzahl der Suchiterationen auf 3 erhöht, um detailliertere Informationen zu erhalten.

• Erweiterung der Gemeinschaft
  Da es sich um ein Open-Source-Projekt handelt, können die Nutzer das Code-Repository um neue Funktionen erweitern. Zum Beispiel können sie eine neue Such-API (wie Google Custom Search) integrieren oder weitere Sprachmodelle unterstützen. Nachdem Sie den Code geändert haben, führen Sie den Installationsbefehl erneut aus, damit er wirksam wird.

caveat

• Stellen Sie sicher, dass die Netzwerkverbindungen stabil sind und dass Suche und Modellableitung auf externen APIs beruhen.
• API-Schlüssel müssen ordnungsgemäß gespeichert werden, um ein Auslaufen zu verhindern.
• Wenn Sie einen Abhängigkeitskonflikt feststellen, versuchen Sie ein Upgrade uv oder führen Sie das Projekt mit Docker aus.

Anwendungsszenario

1. akademische Forschung
   Studierende und Forscher können mit Open Deep Research schnell eine Literaturübersicht oder einen Forschungshintergrundbericht erstellen. Geben Sie zum Beispiel "recent advances in quantum computing" ein, und das Tool durchsucht akademische Datenbanken und Webressourcen, um einen detaillierten Bericht mit Zitaten zu erstellen.
2. Marktanalyse
   Wirtschaftsanalysten können das Tool nutzen, um Branchentrends zu untersuchen. Geben Sie zum Beispiel "Electric Vehicle Market Forecast 2025" ein, und das Tool sammelt Marktdaten, Nachrichten und Berichte, um ein strukturiertes Analysedokument zu erstellen.
3. Bildung und Ausbildung
   Lehrkräfte können Unterrichtsmaterialien für den Kurs vorbereiten. Geben Sie z. B. "Grundlagen der Python-Programmierung" ein, und das Tool erstellt einen Lehrplan mit Tutorials, Beispielcode und Ressourcen.
4. Erstellung von Inhalten
   Autoren von Inhalten können schnell auf Inspiration oder Hintergrundinformationen zugreifen. Geben Sie z. B. "Die Zukunft des Metaverse" ein, und das Tool erstellt einen Bericht mit technologischen Trends und sozialen Auswirkungen auf das Schreiben.

QA

1. Welche Sprachmodelle werden von Open Deep Research unterstützt?
   Die Modelle von Together AI, OpenAI und HuggingFace werden standardmäßig unterstützt. Benutzer können andere Modelle über Konfigurationsdateien hinzufügen, wie z. B. DeepSeek Oder Claude.
2. Muss ich für die Nutzung bezahlen?
   Das Projekt selbst ist kostenlos, aber abhängige API-Dienste (z. B. Tavily, Together AI) erfordern eine Zahlung für Schlüssel. Die Nutzer können zwischen einem kostenlosen alternativen Dienst oder einem lokalen Modell wählen.
3. Wie kann die Qualität der Berichterstattung verbessert werden?
   Suchtiefe erhöhen (--max_search_depth) oder ein leistungsfähigeres Sprachmodell (z. B. GPT-4) verwenden. Eine detaillierte Beschreibung des Themas kann ebenfalls dazu beitragen, genauere Berichte zu erstellen.
4. Kann es offline verwendet werden?
   Derzeit ist eine Internetverbindung erforderlich, um auf die Such- und Modell-APIs zuzugreifen. In Zukunft werden möglicherweise lokale Modelle unterstützt, die vollständig offline laufen.