II-Researcher: глубокий поиск и пошаговое рассуждение для ответов на сложные вопросы

Общее введение

II-Researcher - это инструмент для исследования ИИ с открытым исходным кодом, разработанный командой Intelligent-Internet и размещенный на GitHub, предназначенный для глубокого поиска и сложных рассуждений, способный отвечать на сложные вопросы с помощью интеллектуального веб-поиска и многоступенчатого анализа. Выпущенный 27 марта 2025 года, проект поддерживает множество инструментов поиска и краулинга (например, Tavily, SerpAPI, Firecrawl) и интегрирует LiteLLM для вызова различных моделей ИИ. Пользователи могут получить код бесплатно и самостоятельно развернуть или модифицировать его, что подходит для исследователей, разработчиков и других людей, которым нужна эффективная обработка информации. Его суть заключается в открытом исходном коде, настраиваемости и асинхронной работе, что обеспечивает прозрачную поддержку исследований.

Список функций

• Интеллектуальный веб-поиск: через Tavily и SerpAPI для получения точной информации.
• Поиск и извлечение веб-страниц: поддержка Firecrawl, Browser, BS4 и других инструментов для извлечения содержимого.
• Многоступенчатые рассуждения: способность разложить проблему на части и шаг за шагом прийти к ответу.
• Настраиваемые модели: поддержка настройки LLM для различных задач (например, GPT-4o, DeepSeek).
• Асинхронные операции: повышение эффективности поиска и обработки.
• Генерируйте подробные ответы: предоставляйте исчерпывающие отчеты со ссылками.
• Настраиваемые конвейеры: пользователи могут настраивать процесс поиска и рассуждений.

Использование помощи

Процесс установки

Чтобы использовать II-Researcher, необходимо установить и настроить среду. Ниже перечислены конкретные шаги:

1. Клонирование кодовой базы
   Введите следующую команду в терминале, чтобы загрузить код:

git clone https://github.com/Intelligent-Internet/ii-researcher.git
cd ii-researcher

2. Установка зависимостей
   Для проекта требуется Python 3.7+. Выполните следующую команду для установки зависимостей:

pip install -e .

3. Установка переменных окружения
   Настройте необходимые ключи и параметры API. Пример:

export OPENAI_API_KEY="your-openai-api-key"
export TAVILY_API_KEY="your-tavily-api-key"
export SEARCH_PROVIDER="tavily"
export SCRAPER_PROVIDER="firecrawl"

Дополнительная конфигурация (для сжатия или вывода):

export USE_LLM_COMPRESSOR="TRUE"
export FAST_LLM="gemini-lite"
export STRATEGIC_LLM="gpt-4o"
export R_TEMPERATURE="0.2"

4. Запуск локального сервера моделей LiteLLM
   Установите LiteLLM:

pip install litellm

Создание файлов конфигурации litellm_config.yaml::

model_list:
- model_name: gpt-4o
litellm_params:
model: gpt-4o
api_key: ${OPENAI_API_KEY}
- model_name: r1
litellm_params:
model: deepseek-reasoner
api_key: ${OPENAI_API_KEY}
litellm_settings:
drop_params: true

Запустите сервер:

litellm --config litellm_config.yaml

По умолчанию запускается в http://localhost:4000.

5. Развертывание Docker (опционально)
   После настройки переменных окружения запустите его:

docker compose up --build -d

Адрес службы:

• Передняя часть:http://localhost:3000
• Внутренний API:http://localhost:8000
• LiteLLM:http://localhost:4000

Основные функции

Интеллектуальный глубокий поиск

• процедура::

1. Запустите его из командной строки:

python cli.py --question "AI如何改善教育质量？"

2. Система вызывает Tavily или SerpAPI для поиска и возврата результатов.

• Функциональное описание: Поддерживает поиск по нескольким источникам, подходит для решения сложных задач.

многоступенчатые рассуждения

• процедура::

1. Используйте модель вывода:

python cli.py --question "AI在教育中的优缺点" --use-reasoning --stream

2. Система пошагово анализирует и выдает заключения.

• Функциональное описание: Может решать задачи, требующие логических умозаключений.

веб-гусеница

• процедура::

1. настроить SCRAPER_PROVIDER="firecrawl" и ключ API.
2. Запустите задачу поиска для автоматического сканирования веб-содержимого.

• Функциональное описание: Поддерживает несколько инструментов для сбора информации для обеспечения полного содержания.

Использование веб-интерфейса

• процедура::

1. Запустите внутренний API:

python api.py

2. входить frontend папку, установите и запустите внешний модуль:

npm install
npm run dev

3. интервью http://localhost:3000, проблемы с вводом.

• Функциональное описание: Обеспечивает графический интерфейс для более интуитивного управления.

предостережение

• Для доступа к API необходимо стабильное сетевое соединение.
• Требования к аппаратному обеспечению: 8 ГБ ОЗУ для базовой функциональности, 16 ГБ+ и GPU рекомендуются для вывода больших моделей.
• Проверка журналов: проверьте журналы с помощью docker compose logs -f Проверьте состояние работы.
• Настройка таймаута: таймаут поиска по умолчанию 300 секунд, настраивается SEARCH_PROCESS_TIMEOUT.

Выполнив эти шаги, пользователи смогут легко развернуть и использовать II-Researcher для всего процесса - от поиска до вывода.

сценарий применения

1. научные исследования
   Исследователи могут использовать его для поиска литературы, анализа данных и создания отчетов.
2. развитие технологий
   Разработчики могут создавать специализированные инструменты поиска на основе фреймворка.
3. Учебные пособия
   Студенты могут использовать его для систематизации информации и ответов на вопросы.
4. анализ рынка
   Предприятия могут использовать его для сбора отраслевой информации и анализа тенденций.

QA

1. Является ли II-Researcher бесплатным?
   Да, это проект с открытым исходным кодом, и его код бесплатен для пользователей.
2. Нужна основа программирования?
   Требуются базовые знания операций на Python, но документация достаточно подробна, чтобы новички могли начать работу.
3. Поддерживает ли он китайский язык?
   Поддержка, настройка нужной модели и инструмента поиска для решения китайской задачи.
4. Каковы минимальные требования к оборудованию?
   8 ГБ оперативной памяти для работы базовых функций, 16 ГБ+ и GPU рекомендуются для больших задач.