Auto-Deep-Research: colaboración multiagente para realizar búsquedas bibliográficas y generar informes de investigación

Introducción general

Auto-Deep-Research es una herramienta de IA de código abierto desarrollada por el Laboratorio de Inteligencia de Datos de la Universidad de Hong Kong (HKUDS) para ayudar a los usuarios a automatizar tareas de investigación en profundidad. Se basa en el marco AutoAgent y es compatible con diversos modelos de lenguaje de gran tamaño (LLM), como OpenAI, Anthropic, Deepseek y Deepseek. Grok etc., capaz de manejar complejas interacciones de datos de archivos y búsquedas en la web. A diferencia de las herramientas de alto coste que requieren una suscripción, como Deep Research de OpenAI, Auto-Deep-Research es completamente gratuita, y los usuarios sólo tienen que proporcionar su clave LLM API para utilizarla. Conocida por su alto rendimiento y flexibilidad, la herramienta ha obtenido buenos resultados en las pruebas comparativas GAIA y es adecuada para investigadores, desarrolladores o usuarios que necesiten una solución de investigación eficaz.

Lista de funciones

• Estudios automatizados en profundidadBúsqueda automática y cotejo de la información pertinente para generar informes detallados basados en los temas introducidos por el usuario.
• Compatibilidad con varios modelos: Compatible con una gran variedad de modelos lingüísticos, los usuarios pueden elegir el modelo adecuado según sus necesidades.
• Interacción de datos de archivos: Soporte para cargar y procesar imágenes, PDF, archivos de texto, etc. para mejorar las fuentes de datos para la investigación.
• arranque con una sola pulsación: Sin necesidad de configuraciones complejas, introduzca comandos sencillos para empezar a funcionar rápidamente.
• Capacidad de búsqueda en InternetCombinar recursos web y datos de medios sociales (por ejemplo, la Plataforma X) para ofrecer una información más completa.
• Código abierto y gratuitoSe proporciona el código fuente completo para que los usuarios puedan personalizar la funcionalidad o implantarla en un entorno local.

Utilizar la ayuda

Proceso de instalación

La instalación de Auto-Deep-Research es sencilla e intuitiva, y depende en gran medida de los entornos Python y Docker. Aquí están los pasos en detalle:

1. Preparación medioambiental

• Instalación de PythonAsegúrese de que Python 3.10 o posterior está instalado en su sistema. Recomendado conda Crear un entorno virtual:

  conda create -n auto_deep_research python=3.10  
  conda activate auto_deep_research

• Instalación de DockerComo la herramienta utiliza el entorno de ejecución de contenedores Docker, descargue e instale primero Docker Desktop, no es necesario extraer imágenes manualmente, la herramienta lo hará automáticamente.

2. Descargar el código fuente

• Clonar un repositorio GitHub localmente:

  git clone https://github.com/HKUDS/Auto-Deep-Research.git  
  cd Auto-Deep-Research
  

3. Instalación de dependencias

• Instale los paquetes Python necesarios ejecutando el siguiente comando en el directorio del proyecto:

  pip install -e .
  

4. Configurar la clave API

• En el directorio raíz del proyecto, copie el archivo de plantilla y edítelo:

  cp .env.template .env
  

• Abrir con un editor de texto .env introduzca la clave API del LLM según sea necesario, por ejemplo:

  OPENAI_API_KEY=your_openai_key  
  DEEPSEEK_API_KEY=your_deepseek_key  
  XAI_API_KEY=your_xai_key
  

  Nota: No todas las llaves son necesarias, sólo configure el modelo de llave que piensa utilizar.

5. Herramientas de puesta en marcha

• Introduzca el siguiente comando para iniciar Auto-Deep-Research:

  auto deep-research
  

• Configuraciones de parámetros opcionales, como especificar un nombre o modelo de contenedor:

  auto deep-research --container_name myresearch --COMPLETION_MODEL grok
  

Funciones principales

Estudios automatizados en profundidad

1. Introduzca un tema de investigaciónLa herramienta le pide que elija un tema de investigación, como "Inteligencia artificial en sanidad".
2. autoejecuciónLa herramienta analiza la información pertinente mediante búsquedas en Internet y modelos integrados sin intervención del usuario.
3. Generación de informes: Al finalizar, los resultados se enviarán al terminal en formato Markdown o se guardarán como un archivo que contiene la fuente y el análisis detallado.

Interacción de datos de archivos

1. Cargar archivos: Especifique la ruta del archivo en la línea de comandos, por ejemplo:

   auto deep-research --file_path ./my_paper.pdf
   

2. Tratamiento de datosLa herramienta analiza el contenido del PDF, la imagen o el texto y lo incorpora al estudio.
3. análisis combinadoLos datos de los archivos cargados se integran con los resultados de las búsquedas en Internet para ofrecer conclusiones más exhaustivas.

Selección de un gran modelo lingüístico

1. Ver modelos de soporteSoporte para OpenAI, Grok, Deepseek, etc. Consulte la documentación de LiteLLM para los nombres de los modelos.
2. Especificación de modelos: Añade parámetros al comando de inicio, por ejemplo:

   auto deep-research --COMPLETION_MODEL deepseek
   

3. prueba de funcionamientoAjuste las opciones para optimizar la experiencia en función del rendimiento del modelo y la capacidad de respuesta de la API.

Funciones destacadas

Experiencia One Touch Start

• En lugar de configurar manualmente una imagen Docker o parámetros complejos, basta con ejecutar el comando auto deep-researchLa herramienta extraerá automáticamente el entorno necesario y lo lanzará.
• Si es necesario personalizarlo, puede hacerse a través de la función --container_name Contenedores con nombre de parámetro para facilitar la gestión de varias instancias.

Búsqueda web e integración en redes sociales

• La herramienta tiene una función de búsqueda web integrada que rastrea automáticamente el contenido de la web. Si desea incorporar datos de la plataforma X, puede mencionar palabras clave en el tema de investigación y la herramienta intentará buscar entradas relevantes.
• Ejemplo: escriba "últimas tendencias en investigación sobre IA" y los resultados pueden contener enlaces a debates y blogs tecnológicos de X usuarios.

advertencia

• Seguridad de las claves APINo pongas .env El archivo se sube a un repositorio público para evitar revelar la clave.
• entorno de redAsegúrese de que Docker y las conexiones de red funcionan correctamente, ya que esto puede afectar a la función de extracción o búsqueda de imágenes.
• optimización del rendimientoSi el hardware local es limitado, se recomienda utilizar LLM basado en la nube para evitar la ejecución de grandes modelos que causan retraso.

Con estos pasos, los usuarios pueden empezar fácilmente a utilizar Auto-Deep-Research, una herramienta que proporciona un apoyo eficaz tanto para la investigación académica como para la exploración técnica.