Deep Research Web UI: ИИ-помощник, поддерживающий многоязычные глубокие исследования

Общее введение

Deep Research Web UI - это инструмент с открытым исходным кодом, основанный на технологии искусственного интеллекта и помогающий пользователям проводить глубокие итеративные исследования по любой теме. Он сочетает в себе мощь поисковых систем, веб-ползунков и крупномасштабных языковых моделей, чтобы обеспечить эффективное исследование с помощью интуитивно понятного веб-интерфейса. Пользователи могут легко вводить темы исследований, получать доступ к подробным аналитическим отчетам и экспортировать результаты в формате Markdown или PDF. Инструмент поддерживает многоязычный поиск, а процесс исследования визуализируется в виде древовидной структуры, что дает пользователям четкое представление о пути исследования ИИ. Он также совместим с широким спектром моделей ИИ и предлагает варианты развертывания Docker для индивидуальных пользователей и разработчиков, чтобы быстро использовать его в своей локальной среде.

Это веб-интерфейс для https://github.com/dzhng/deep-research, который содержит несколько улучшений и исправлений.

Список функций

• Функция глубокого исследования: Постепенное углубление в заданные темы с помощью итеративного поиска, управляемого искусственным интеллектом, для получения исчерпывающей аналитики.
• Визуализация древовидной структуры: Графическое представление процесса исследования, помогающее пользователям отслеживать ход рассуждений и сбора информации ИИ.
• Поддержка многоязычного поиска: Поддержка поиска на английском и других языках для удовлетворения глобальных потребностей в исследованиях.
• Функция экспорта отчетов: Созданный отчет об исследовании можно экспортировать в формат Markdown или PDF для удобства сохранения и обмена.
• Совместимость моделей: Использование общих слов подсказок, поддержка нескольких производителей моделей ИИ, отсутствие необходимости полагаться на специальные расширенные функции.
• Интеграция сетевого поиска: Встроенный поисковый сервис Tavily обеспечивает 1000 бесплатных поисков актуальной веб-информации в месяц.
• Поддержка развертывания DockerРазвертывание локально с помощью одной команды, что позволяет техническим пользователям настраивать свои среды.
• Потоковый ответКонтент, созданный искусственным интеллектом, отображается в режиме реального времени, что повышает эффективность взаимодействия с пользователем.

Использование помощи

Процесс установки

Deep Research Web UI предлагает как развертывание Docker, так и ручную установку, вот подробные шаги:

Метод 1: развертывание Docker (рекомендуется)

1. Подготовка среды::
   • Убедитесь, что на вашем компьютере установлен Docker. Если нет, скачайте и установите его с сайта Docker.
   • Чтобы проверить, правильно ли работает Docker, введите в терминалеdocker --versionЕсли вы видите номер версии, это означает успех.
2. проект клонирования::
   • Откройте терминал и введите следующую команду, чтобы клонировать репозиторий:

     git clone https://github.com/AnotiaWang/deep-research-web-ui.git
     cd deep-research-web-ui
     

3. Создание и запуск контейнеров Docker::
   • Соберите образ, выполнив следующую команду в каталоге проекта:

     docker build -t deep-research-web .
     

   • После завершения сборки запустите контейнер:

     docker run -p 3000:3000 --name deep-research-web -d deep-research-web
     

   • -p 3000:3000указывает, что порт 3000 в контейнере сопоставлен с портом 3000 локально.-dУказывает на работу в фоновом режиме.
4. интерфейс доступа::
   • Откройте браузер и введитеhttp://localhost:3000Если вы хотите посмотреть интерфейс Deep Research Web UI, вы можете сделать это, перейдя по следующей ссылке.

Метод 2: Ручная установка

1. Установка Node.js::
   • Убедитесь, что в вашей системе установлен Node.js (рекомендуется версия 16 или выше), который можно загрузить и установить с официального сайта Node.js.
   • Проверка установки: клеммный входnode -vЕсли номер версии отображается, это означает, что работа выполнена успешно.
2. Клонирование и установка зависимостей::
   • После клонирования репозитория перейдите в каталог проекта:

     git clone https://github.com/AnotiaWang/deep-research-web-ui.git
     cd deep-research-web-ui
     

   • Установите зависимость:

     npm install
     

3. Начальные услуги::
   • Введите следующую команду, чтобы запустить веб-службу:

     npm run dev
     

   • После успешного запуска браузер получает доступ кhttp://localhost:3000Доступно.

Настройка ключа API

• Получить ключ API Tavily::
  • Посетите сайт Tavily, чтобы зарегистрировать аккаунт, получить ключ API и получить 1000 бесплатных поисковых запросов в месяц.
  • В корневом каталоге проекта создайте файл.envдобавьте следующее:

    TAVILY_API_KEY=你的Tavily密钥
    

• Конфигурация модели искусственного интеллекта::
  • По умолчанию поддерживается модель DeepSeek R1, если вы хотите использовать другие модели (например, OpenAI), вам нужно добавить новую модель в.envДополнительная настройка ключа API и имени модели, например, в:

    OPENAI_API_KEY=你的OpenAI密钥
    OPENAI_MODEL=gpt-4
    

  • Сохраните и перезапустите службу, чтобы конфигурация вступила в силу.

Основные функции

1. Проведение углубленных исследований

• перейти::
  1. Перейдите в основной интерфейс и введите тему исследования в поле ввода, например, "Искусственный интеллект в здравоохранении".
  2. Нажмите кнопку "Начать исследование", и искусственный интеллект начнет итеративный поиск и анализ релевантного контента.
  3. Процесс исследования отображается в режиме реального времени, содержит поисковые запросы и ссылки на посещенные страницы.
• Основные функции::
  • Итеративное углублениеИИ генерирует более конкретные подпроблемы на основе первоначальных результатов и продолжает копать глубже. Например, от "Искусственного интеллекта" до "Диагностики ИИ".
  • потоковый вывод: Результаты исследования шаг за шагом показывают, что нет необходимости ждать завершения всего процесса.

2. Визуализация дерева

• перейти::
  1. По мере исследования в правой части интерфейса отображается древовидная диаграмма с узлами, представляющими каждый этап исследования ИИ.
  2. Щелкните по узлу, чтобы увидеть конкретные страницы поиска и источника для этого шага.
• Основные функции::
  • визуальное слежение: Древовидная структура наглядно показывает путь исследования и помогает пользователям понять логику ИИ.
  • Поддержка нескольких языковДревовидные диаграммы помогают представить процесс исследования на английском или других языках.

3. Экспортные исследования

• перейти::
  1. Когда исследование будет завершено, нажмите кнопку "Экспорт".
  2. Выберите формат (Markdown или PDF), и система сгенерирует отчет с подробным анализом и ссылками на источники.
  3. Загрузите файл в локальную сеть, чтобы можно было легко следить за ним или делиться им.
• Основные функции::
  • Богатый формат: Markdown подходит для редактирования техническими пользователями, а PDF - для обмена официальными документами.
  • отслеживаемый: Ссылки автоматически включаются в отчет, чтобы гарантировать достоверность информации.

Советы и рекомендации

• Оптимизация исследовательских темВвод конкретной и четко определенной темы (например, "Последние достижения в области квантовых вычислений") дает более точные результаты.
• Настройка глубины поиска: Если результаты недостаточно глубоки, можно добавить к исходным данным такие ключевые слова, как "подробный анализ" или "последние данные".
• Переключение на несколько языков: Укажите язык перед темой (например, "English: AI trends"), чтобы переключить язык поиска.
• Проверка квот API: Бесплатная версия Tavily рассчитана на 1 000 поисковых запросов в месяц, и когда она закончится, вам придется ждать обновления в следующем месяце или переходить на платную версию.

Выполнив эти действия, пользователи смогут быстро приступить к работе с Deep Research Web UI, будь то академические исследования, анализ отрасли или изучение интересов - все это можно эффективно сделать с помощью данного инструмента.