Auto-Deep-Research: многоагентное взаимодействие для выполнения запросов к литературе и создания исследовательских отчетов

Общее введение

Auto-Deep-Research - это инструмент искусственного интеллекта с открытым исходным кодом, разработанный Лабораторией интеллектуальных данных Гонконгского университета (HKUDS), чтобы помочь пользователям автоматизировать задачи глубокого исследования. Он построен на базе фреймворка AutoAgent и поддерживает различные большие языковые модели (LLM), такие как OpenAI, Anthropic, Deepseek и Grok и т. д., способные обрабатывать сложные взаимодействия с файловыми данными и веб-поиск. В отличие от дорогостоящих инструментов, требующих подписки, таких как OpenAI's Deep Research, Auto-Deep-Research полностью бесплатен, и для его использования пользователям достаточно предоставить свой ключ LLM API. Известный своей высокой производительностью и гибкостью, инструмент показал отличные результаты в бенчмарках GAIA и подходит для исследователей, разработчиков и пользователей, которым нужно эффективное решение для исследований.

Список функций

• Автоматизированные углубленные исследования: Автоматический поиск и сопоставление необходимой информации для создания подробных отчетов на основе тем, введенных пользователем.
• Поддержка нескольких моделей: Совместимость с различными крупными языковыми моделями, пользователи могут выбрать подходящую модель в соответствии со своими потребностями.
• Взаимодействие с файловыми данными: Поддержка загрузки и обработки изображений, PDF-файлов, текстовых файлов и т. д. для расширения источников данных для исследований.
• запуск одним нажатием: Нет необходимости в сложной настройке, введите простые команды, чтобы быстро приступить к работе.
• Возможность веб-поиска: Объедините веб-ресурсы и данные социальных сетей (например, Platform X), чтобы получить более полную информацию.
• С открытым исходным кодом и бесплатно: Предоставляется полный исходный код, чтобы пользователи могли настроить функциональность или развернуть в локальной среде.

Использование помощи

Процесс установки

Установка Auto-Deep-Research проста и интуитивно понятна и в значительной степени опирается на среды Python и Docker. Ниже приведены подробные шаги:

1. Подготовка окружающей среды

• Установка Python: Убедитесь, что в вашей системе установлен Python 3.10 или более поздней версии. Рекомендуемый conda Создайте виртуальную среду:

  conda create -n auto_deep_research python=3.10  
  conda activate auto_deep_research

• Установка Docker: Поскольку инструмент использует контейнерную среду выполнения Docker, пожалуйста, сначала скачайте и установите Docker Desktop, не нужно извлекать образы вручную, инструмент сделает это автоматически.

2. Загрузка исходного кода

• Клонируйте репозиторий GitHub локально:

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

3. Установка зависимостей

• Установите необходимые пакеты Python, выполнив следующую команду в каталоге проекта:

  pip install -e .
  

4. Настройте ключ API

• В корневом каталоге проекта скопируйте файл шаблона и отредактируйте его:

  cp .env.template .env
  

• Откройте в текстовом редакторе .env файла, заполните API-ключ LLM, как требуется, например:

  OPENAI_API_KEY=your_openai_key  
  DEEPSEEK_API_KEY=your_deepseek_key  
  XAI_API_KEY=your_xai_key
  

  Примечание: Не все ключи являются обязательными, просто настройте модель ключа, который вы планируете использовать.

5. инструменты для запуска

• Введите следующую команду, чтобы запустить Auto-Deep-Research:

  auto deep-research
  

• Необязательные конфигурации параметров, например, указание имени контейнера или модели:

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

Основные функции

Автоматизированные углубленные исследования

1. Укажите тему исследования: При запуске инструмент предлагает выбрать тему исследования, например "Искусственный интеллект в здравоохранении".
2. автовыполнение: Инструмент анализирует релевантную информацию с помощью веб-поиска и встроенных моделей без вмешательства пользователя.
3. Создание отчетов: По окончании работы результаты будут выведены на терминал в формате Markdown или сохранены в виде файла с исходным текстом и подробным анализом.

Взаимодействие с файловыми данными

1. Загрузка файлов: Укажите путь к файлу в командной строке, например:

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

2. Обработка данных: Инструмент анализирует PDF-файл, изображение или текст и включает их в исследование.
3. комбинированный анализ: Данные загруженных файлов интегрированы с результатами веб-поиска для получения более полных выводов.

Выбор большой языковой модели

1. Просмотр моделей поддержки: Поддержка OpenAI, Grok, Deepseek и т.д. Названия конкретных моделей см. в документации LiteLLM.
2. Определение моделей: Добавьте параметры к команде запуска, например:

   auto deep-research --COMPLETION_MODEL deepseek
   

3. эксплуатационное испытание: Настройте выбор для оптимизации работы с учетом производительности модели и отзывчивости API.

Основные функции

Запуск одним касанием

• Вместо того чтобы вручную настраивать образ Docker или сложные параметры, просто запустите auto deep-researchИнструмент автоматически подберет необходимое окружение и запустит его.
• Если требуется настройка, это можно сделать с помощью --container_name Параметрические именованные контейнеры для удобства управления несколькими экземплярами.

Веб-поиск и интеграция с социальными сетями

• В инструмент встроена функция веб-поиска, которая автоматически просматривает веб-контент. Если вы хотите включить данные с платформы X, вы можете указать ключевые слова в теме исследования, и инструмент попытается найти соответствующие сообщения.
• Например: введите "последние тенденции в исследованиях ИИ", и в результатах могут появиться ссылки на обсуждения и технологические блоги пользователей X.

предостережение

• Безопасность ключей API: Не ставьте .env Файл загружается в публичное хранилище, чтобы избежать раскрытия ключа.
• сетевое окружение: Убедитесь, что Docker и сетевые соединения работают правильно, так как это может повлиять на извлечение образа или функциональность поиска.
• оптимизация производительности: Если локальное оборудование ограничено, рекомендуется использовать облачный LLM, чтобы избежать запуска больших моделей, вызывающих задержки.

Выполнив эти действия, пользователи смогут легко начать работу с Auto-Deep-Research - инструментом, который обеспечивает эффективную поддержку как академических исследований, так и технических изысканий.