[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-666ghj--DeepSearchAgent-Demo":3,"tool-666ghj--DeepSearchAgent-Demo":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",152630,2,"2026-04-12T23:33:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":32,"env_os":90,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":98,"github_topics":79,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":102},7081,"666ghj\u002FDeepSearchAgent-Demo","DeepSearchAgent-Demo","从0实现一个简洁清晰的Deep Search Agent","DeepSearchAgent-Demo 是一款从零构建的轻量级深度搜索 AI 代理，旨在通过多轮自主搜索与反思机制，生成高质量的结构化研究报告。它解决了传统搜索工具信息碎片化、缺乏深度整合以及过度依赖重型框架导致难以定制的问题。\n\n这款工具特别适合开发者、研究人员及希望深入理解 AI Agent 内部运作原理的技术爱好者使用。其核心亮点在于“无框架”设计，不依赖 LangChain 等复杂库，代码简洁清晰，便于学习与二次开发。同时，它集成了 Tavily 搜索引擎与 DeepSeek、OpenAI 等主流大模型，采用独特的“反思循环”机制：在生成报告初稿后，系统会自动评估内容缺失并发起补充搜索，经过多轮迭代优化，确保最终输出的 Markdown 报告既全面又深入。\n\n除了支持命令行和 Python 编程调用外，DeepSearchAgent-Demo 还提供了友好的 Streamlit Web 界面，让用户无需配置环境即可直接输入课题获取研报。无论是用于技术调研、市场分析还是学术辅助，它都能帮助用户高效完成从信息检索到深度总结的全过程。","# Deep Search Agent\n\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9+-blue.svg)](https:\u002F\u002Fpython.org)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-green.svg)](LICENSE)\n[![DeepSeek](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLLM-DeepSeek-red.svg)](https:\u002F\u002Fplatform.deepseek.com\u002F)\n[![Tavily](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSearch-Tavily-yellow.svg)](https:\u002F\u002Ftavily.com\u002F)\n\n一个**无框架**的深度搜索AI代理实现，能够通过多轮搜索和反思生成高质量的研究报告。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F666ghj_DeepSearchAgent-Demo_readme_0ded27b093d3.png\" width=\"70%\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F666ghj_DeepSearchAgent-Demo_readme_8bab6070d7af.png\" width=\"70%\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F666ghj_DeepSearchAgent-Demo_readme_57711006d8ca.png\" width=\"70%\">\n\n## 特性\n\n- **无框架设计**: 从零实现，不依赖LangChain等重型框架\n- **多LLM支持**: 支持DeepSeek、OpenAI等主流大语言模型\n- **智能搜索**: 集成Tavily搜索引擎，提供高质量网络搜索\n- **反思机制**: 多轮反思优化，确保研究深度和完整性\n- **状态管理**: 完整的研究过程状态跟踪和恢复\n- **Web界面**: Streamlit友好界面，易于使用\n- **Markdown输出**: 美观的Markdown格式研究报告\n\n## 工作原理\n\nDeep Search Agent采用分阶段的研究方法：\n\n```mermaid\ngraph TD\n    A[用户查询] --> B[生成报告结构]\n    B --> C[遍历每个段落]\n    C --> D[初始搜索]\n    D --> E[生成初始总结]\n    E --> F[反思循环]\n    F --> G[反思搜索]\n    G --> H[更新总结]\n    H --> I{达到反思次数?}\n    I -->|否| F\n    I -->|是| J{所有段落完成?}\n    J -->|否| C\n    J -->|是| K[格式化最终报告]\n    K --> L[输出报告]\n```\n\n### 核心流程\n\n1. **结构生成**: 根据查询生成报告大纲和段落结构\n2. **初始研究**: 为每个段落生成搜索查询并获取相关信息\n3. **初始总结**: 基于搜索结果生成段落初稿\n4. **反思优化**: 多轮反思，发现遗漏并补充搜索\n5. **最终整合**: 将所有段落整合为完整的Markdown报告\n\n## 快速开始\n\n### 1. 环境准备\n\n确保您的系统安装了Python 3.9或更高版本：\n\n```bash\npython --version\n```\n\n### 2. 克隆项目\n\n```bash\ngit clone \u003Cyour-repo-url>\ncd Demo\\ DeepSearch\\ Agent\n```\n\n### 3. 安装依赖\n\n```bash\n# 激活虚拟环境（推荐）\nconda activate pytorch_python11  # 或者使用其他虚拟环境\n\n# 安装依赖\npip install -r requirements.txt\n```\n\n### 4. 配置API密钥\n\n项目根目录下已有`config.py`配置文件，请直接编辑此文件设置您的API密钥：\n\n```python\n# Deep Search Agent 配置文件\n# 请在这里填入您的API密钥\n\n# DeepSeek API Key\nDEEPSEEK_API_KEY = \"your_deepseek_api_key_here\"\n\n# OpenAI API Key (可选)\nOPENAI_API_KEY = \"your_openai_api_key_here\"\n\n# Tavily搜索API Key\nTAVILY_API_KEY = \"your_tavily_api_key_here\"\n\n# 配置参数\nDEFAULT_LLM_PROVIDER = \"deepseek\"\nDEEPSEEK_MODEL = \"deepseek-chat\"\nOPENAI_MODEL = \"gpt-4o-mini\"\n\nMAX_REFLECTIONS = 2\nSEARCH_RESULTS_PER_QUERY = 3\nSEARCH_CONTENT_MAX_LENGTH = 20000\nOUTPUT_DIR = \"reports\"\nSAVE_INTERMEDIATE_STATES = True\n```\n\n### 5. 开始使用\n\n现在您可以开始使用Deep Search Agent了！\n\n## 使用方法\n\n### 方式一：运行示例脚本\n\n**基本使用示例**：\n```bash\npython examples\u002Fbasic_usage.py\n```\n这个示例展示了最简单的使用方式，执行一个预设的研究查询并显示结果。\n\n**高级使用示例**：\n```bash\npython examples\u002Fadvanced_usage.py\n```\n这个示例展示了更复杂的使用场景，包括：\n- 自定义配置参数\n- 执行多个研究任务\n- 状态管理和恢复\n- 不同模型的使用\n\n### 方式二：Web界面\n\n启动Streamlit Web界面：\n```bash\nstreamlit run examples\u002Fstreamlit_app.py\n```\nWeb界面无需配置文件，直接在界面中输入API密钥即可使用。\n\n### 方式三：编程方式\n\n```python\nfrom src import DeepSearchAgent, load_config\n\n# 加载配置\nconfig = load_config()\n\n# 创建Agent\nagent = DeepSearchAgent(config)\n\n# 执行研究\nquery = \"2025年人工智能发展趋势\"\nfinal_report = agent.research(query, save_report=True)\n\nprint(final_report)\n```\n\n### 方式四：自定义配置（编程方式）\n\n如果需要在代码中动态设置配置，可以使用以下方式：\n\n```python\nfrom src import DeepSearchAgent, Config\n\n# 自定义配置\nconfig = Config(\n    default_llm_provider=\"deepseek\",\n    deepseek_model=\"deepseek-chat\",\n    max_reflections=3,           # 增加反思次数\n    max_search_results=5,        # 增加搜索结果数\n    output_dir=\"my_reports\"      # 自定义输出目录\n)\n\n# 设置API密钥\nconfig.deepseek_api_key = \"your_api_key\"\nconfig.tavily_api_key = \"your_tavily_key\"\n\nagent = DeepSearchAgent(config)\n```\n\n## 项目结构\n\n```\nDemo DeepSearch Agent\u002F\n├── src\u002F                          # 核心代码\n│   ├── llms\u002F                     # LLM调用模块\n│   │   ├── base.py              # LLM基类\n│   │   ├── deepseek.py          # DeepSeek实现\n│   │   └── openai_llm.py        # OpenAI实现\n│   ├── nodes\u002F                    # 处理节点\n│   │   ├── base_node.py         # 节点基类\n│   │   ├── report_structure_node.py  # 结构生成\n│   │   ├── search_node.py       # 搜索节点\n│   │   ├── summary_node.py      # 总结节点\n│   │   └── formatting_node.py   # 格式化节点\n│   ├── prompts\u002F                  # 提示词模块\n│   │   └── prompts.py           # 所有提示词定义\n│   ├── state\u002F                    # 状态管理\n│   │   └── state.py             # 状态数据结构\n│   ├── tools\u002F                    # 工具调用\n│   │   └── search.py            # 搜索工具\n│   ├── utils\u002F                    # 工具函数\n│   │   ├── config.py            # 配置管理\n│   │   └── text_processing.py   # 文本处理\n│   └── agent.py                 # 主Agent类\n├── examples\u002F                     # 使用示例\n│   ├── basic_usage.py           # 基本使用示例\n│   ├── advanced_usage.py        # 高级使用示例\n│   └── streamlit_app.py         # Web界面\n├── reports\u002F                      # 输出报告目录\n├── requirements.txt              # 依赖列表\n├── config.py                    # 配置文件\n└── README.md                    # 项目文档\n```\n\n## 代码结构\n\n```mermaid\ngraph TB\n    subgraph \"用户层\"\n        A[用户查询]\n        B[Web界面]\n        C[命令行接口]\n    end\n    \n    subgraph \"主控制层\"\n        D[DeepSearchAgent]\n    end\n    \n    subgraph \"处理节点层\"\n        E[ReportStructureNode\u003Cbr\u002F>报告结构生成]\n        F[FirstSearchNode\u003Cbr\u002F>初始搜索]\n        G[FirstSummaryNode\u003Cbr\u002F>初始总结]\n        H[ReflectionNode\u003Cbr\u002F>反思搜索]\n        I[ReflectionSummaryNode\u003Cbr\u002F>反思总结]\n        J[ReportFormattingNode\u003Cbr\u002F>报告格式化]\n    end\n    \n    subgraph \"LLM层\"\n        K[DeepSeekLLM]\n        L[OpenAILLM]\n        M[BaseLLM抽象类]\n    end\n    \n    subgraph \"工具层\"\n        N[Tavily搜索]\n        O[文本处理工具]\n        P[配置管理]\n    end\n    \n    subgraph \"状态管理层\"\n        Q[State状态对象]\n        R[Paragraph段落对象]\n        S[Research研究对象]\n        T[Search搜索记录]\n    end\n    \n    subgraph \"数据持久化\"\n        U[JSON状态文件]\n        V[Markdown报告]\n        W[日志文件]\n    end\n    \n    A --> D\n    B --> D\n    C --> D\n    \n    D --> E\n    D --> F\n    D --> G\n    D --> H\n    D --> I\n    D --> J\n    \n    E --> K\n    E --> L\n    F --> K\n    F --> L\n    G --> K\n    G --> L\n    H --> K\n    H --> L\n    I --> K\n    I --> L\n    J --> K\n    J --> L\n    \n    K --> M\n    L --> M\n    \n    F --> N\n    H --> N\n    \n    D --> O\n    D --> P\n    \n    D --> Q\n    Q --> R\n    R --> S\n    S --> T\n    \n    Q --> U\n    D --> V\n    D --> W\n    \n    style A fill:#e1f5fe\n    style D fill:#f3e5f5\n    style E fill:#fff3e0\n    style F fill:#fff3e0\n    style G fill:#fff3e0\n    style H fill:#fff3e0\n    style I fill:#fff3e0\n    style J fill:#fff3e0\n    style K fill:#e8f5e8\n    style L fill:#e8f5e8\n    style N fill:#fce4ec\n    style Q fill:#f1f8e9\n```\n\n## API 参考\n\n### DeepSearchAgent\n\n主要的Agent类，提供完整的深度搜索功能。\n\n```python\nclass DeepSearchAgent:\n    def __init__(self, config: Optional[Config] = None)\n    def research(self, query: str, save_report: bool = True) -> str\n    def get_progress_summary(self) -> Dict[str, Any]\n    def load_state(self, filepath: str)\n    def save_state(self, filepath: str)\n```\n\n### Config\n\n配置管理类，控制Agent的行为参数。\n\n```python\nclass Config:\n    # API密钥\n    deepseek_api_key: Optional[str]\n    openai_api_key: Optional[str] \n    tavily_api_key: Optional[str]\n    \n    # 模型配置\n    default_llm_provider: str = \"deepseek\"\n    deepseek_model: str = \"deepseek-chat\"\n    openai_model: str = \"gpt-4o-mini\"\n    \n    # 搜索配置\n    max_search_results: int = 3\n    search_timeout: int = 240\n    max_content_length: int = 20000\n    \n    # Agent配置\n    max_reflections: int = 2\n    max_paragraphs: int = 5\n```\n\n## 示例\n\n### 示例1：基本研究\n\n```python\nfrom src import create_agent\n\n# 快速创建Agent\nagent = create_agent()\n\n# 执行研究\nreport = agent.research(\"量子计算的发展现状\")\nprint(report)\n```\n\n### 示例2：自定义研究参数\n\n```python\nfrom src import DeepSearchAgent, Config\n\nconfig = Config(\n    max_reflections=4,        # 更深度的反思\n    max_search_results=8,     # 更多搜索结果\n    max_paragraphs=6          # 更长的报告\n)\n\nagent = DeepSearchAgent(config)\nreport = agent.research(\"人工智能的伦理问题\")\n```\n\n### 示例3：状态管理\n\n```python\n# 开始研究\nagent = DeepSearchAgent()\nreport = agent.research(\"区块链技术应用\")\n\n# 保存状态\nagent.save_state(\"blockchain_research.json\")\n\n# 稍后恢复状态\nnew_agent = DeepSearchAgent()\nnew_agent.load_state(\"blockchain_research.json\")\n\n# 检查进度\nprogress = new_agent.get_progress_summary()\nprint(f\"研究进度: {progress['progress_percentage']}%\")\n```\n\n## 高级功能\n\n### 多模型支持\n\n```python\n# 使用DeepSeek\nconfig = Config(default_llm_provider=\"deepseek\")\n\n# 使用OpenAI\nconfig = Config(default_llm_provider=\"openai\", openai_model=\"gpt-4o\")\n```\n\n### 自定义输出\n\n```python\nconfig = Config(\n    output_dir=\"custom_reports\",           # 自定义输出目录\n    save_intermediate_states=True          # 保存中间状态\n)\n```\n\n## 常见问题\n\n### Q: 支持哪些LLM？\n\nA: 目前支持：\n- **DeepSeek**: 推荐使用，性价比高\n- **OpenAI**: GPT-4o、GPT-4o-mini等\n- 可以通过继承`BaseLLM`类轻松添加其他模型\n\n### Q: 如何获取API密钥？\n\nA: \n- **DeepSeek**: 访问 [DeepSeek平台](https:\u002F\u002Fplatform.deepseek.com\u002F) 注册获取\n- **Tavily**: 访问 [Tavily](https:\u002F\u002Ftavily.com\u002F) 注册获取（每月1000次免费）\n- **OpenAI**: 访问 [OpenAI平台](https:\u002F\u002Fplatform.openai.com\u002F) 获取\n\n获取密钥后，直接编辑项目根目录的`config.py`文件填入即可。\n\n### Q: 研究报告质量如何提升？\n\nA: 可以通过以下方式优化：\n- 增加`max_reflections`参数（更多反思轮次）\n- 增加`max_search_results`参数（更多搜索结果）\n- 调整`max_content_length`参数（更长的搜索内容）\n- 使用更强大的LLM模型\n\n### Q: 如何自定义提示词？\n\nA: 修改`src\u002Fprompts\u002Fprompts.py`文件中的系统提示词，可以根据需要调整Agent的行为。\n\n### Q: 支持其他搜索引擎吗？\n\nA: 当前主要支持Tavily，但可以通过修改`src\u002Ftools\u002Fsearch.py`添加其他搜索引擎支持。\n\n## 贡献\n\n欢迎贡献代码！请遵循以下步骤：\n\n1. Fork本项目\n2. 创建特性分支 (`git checkout -b feature\u002FAmazingFeature`)\n3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)\n4. 推送到分支 (`git push origin feature\u002FAmazingFeature`)\n5. 开启Pull Request\n\n## 许可证\n\n本项目采用MIT许可证 - 查看 [LICENSE](LICENSE) 文件了解详情。\n\n## 致谢\n\n- 感谢 [DeepSeek](https:\u002F\u002Fwww.deepseek.com\u002F) 提供优秀的LLM服务\n- 感谢 [Tavily](https:\u002F\u002Ftavily.com\u002F) 提供高质量的搜索API\n\n---\n\n如果这个项目对您有帮助，请给个Star！\n","# 深度搜索代理\n\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9+-blue.svg)](https:\u002F\u002Fpython.org)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-green.svg)](LICENSE)\n[![DeepSeek](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLLM-DeepSeek-red.svg)](https:\u002F\u002Fplatform.deepseek.com\u002F)\n[![Tavily](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSearch-Tavily-yellow.svg)](https:\u002F\u002Ftavily.com\u002F)\n\n一个**无框架**的深度搜索AI代理实现，能够通过多轮搜索和反思生成高质量的研究报告。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F666ghj_DeepSearchAgent-Demo_readme_0ded27b093d3.png\" width=\"70%\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F666ghj_DeepSearchAgent-Demo_readme_8bab6070d7af.png\" width=\"70%\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F666ghj_DeepSearchAgent-Demo_readme_57711006d8ca.png\" width=\"70%\">\n\n## 特性\n\n- **无框架设计**: 从零实现，不依赖LangChain等重型框架\n- **多LLM支持**: 支持DeepSeek、OpenAI等主流大语言模型\n- **智能搜索**: 集成Tavily搜索引擎，提供高质量网络搜索\n- **反思机制**: 多轮反思优化，确保研究深度和完整性\n- **状态管理**: 完整的研究过程状态跟踪和恢复\n- **Web界面**: Streamlit友好界面，易于使用\n- **Markdown输出**: 美观的Markdown格式研究报告\n\n## 工作原理\n\nDeep Search Agent采用分阶段的研究方法：\n\n```mermaid\ngraph TD\n    A[用户查询] --> B[生成报告结构]\n    B --> C[遍历每个段落]\n    C --> D[初始搜索]\n    D --> E[生成初始总结]\n    E --> F[反思循环]\n    F --> G[反思搜索]\n    G --> H[更新总结]\n    H --> I{达到反思次数?}\n    I -->|否| F\n    I -->|是| J{所有段落完成?}\n    J -->|否| C\n    J -->|是| K[格式化最终报告]\n    K --> L[输出报告]\n```\n\n### 核心流程\n\n1. **结构生成**: 根据查询生成报告大纲和段落结构\n2. **初始研究**: 为每个段落生成搜索查询并获取相关信息\n3. **初始总结**: 基于搜索结果生成段落初稿\n4. **反思优化**: 多轮反思，发现遗漏并补充搜索\n5. **最终整合**: 将所有段落整合为完整的Markdown报告\n\n## 快速开始\n\n### 1. 环境准备\n\n确保您的系统安装了Python 3.9或更高版本：\n\n```bash\npython --version\n```\n\n### 2. 克隆项目\n\n```bash\ngit clone \u003Cyour-repo-url>\ncd Demo\\ DeepSearch\\ Agent\n```\n\n### 3. 安装依赖\n\n```bash\n# 激活虚拟环境（推荐）\nconda activate pytorch_python11  # 或者使用其他虚拟环境\n\n# 安装依赖\npip install -r requirements.txt\n```\n\n### 4. 配置API密钥\n\n项目根目录下已有`config.py`配置文件，请直接编辑此文件设置您的API密钥：\n\n```python\n# Deep Search Agent 配置文件\n# 请在这里填入您的API密钥\n\n# DeepSeek API Key\nDEEPSEEK_API_KEY = \"your_deepseek_api_key_here\"\n\n# OpenAI API Key (可选)\nOPENAI_API_KEY = \"your_openai_api_key_here\"\n\n# Tavily搜索API Key\nTAVILY_API_KEY = \"your_tavily_api_key_here\"\n\n# 配置参数\nDEFAULT_LLM_PROVIDER = \"deepseek\"\nDEEPSEEK_MODEL = \"deepseek-chat\"\nOPENAI_MODEL = \"gpt-4o-mini\"\n\nMAX_REFLECTIONS = 2\nSEARCH_RESULTS_PER_QUERY = 3\nSEARCH_CONTENT_MAX_LENGTH = 20000\nOUTPUT_DIR = \"reports\"\nSAVE_INTERMEDIATE_STATES = True\n```\n\n### 5. 开始使用\n\n现在您可以开始使用Deep Search Agent了！\n\n## 使用方法\n\n### 方式一：运行示例脚本\n\n**基本使用示例**：\n```bash\npython examples\u002Fbasic_usage.py\n```\n这个示例展示了最简单的使用方式，执行一个预设的研究查询并显示结果。\n\n**高级使用示例**：\n```bash\npython examples\u002Fadvanced_usage.py\n```\n这个示例展示了更复杂的使用场景，包括：\n- 自定义配置参数\n- 执行多个研究任务\n- 状态管理和恢复\n- 不同模型的使用\n\n### 方式二：Web界面\n\n启动Streamlit Web界面：\n```bash\nstreamlit run examples\u002Fstreamlit_app.py\n```\nWeb界面无需配置文件，直接在界面中输入API密钥即可使用。\n\n### 方式三：编程方式\n\n```python\nfrom src import DeepSearchAgent, load_config\n\n# 加载配置\nconfig = load_config()\n\n# 创建Agent\nagent = DeepSearchAgent(config)\n\n# 执行研究\nquery = \"2025年人工智能发展趋势\"\nfinal_report = agent.research(query, save_report=True)\n\nprint(final_report)\n```\n\n### 方式四：自定义配置（编程方式）\n\n如果需要在代码中动态设置配置，可以使用以下方式：\n\n```python\nfrom src import DeepSearchAgent, Config\n\n# 自定义配置\nconfig = Config(\n    default_llm_provider=\"deepseek\",\n    deepseek_model=\"deepseek-chat\",\n    max_reflections=3,           # 增加反思次数\n    max_search_results=5,        # 增加搜索结果数\n    output_dir=\"my_reports\"      # 自定义输出目录\n)\n\n# 设置API密钥\nconfig.deepseek_api_key = \"your_api_key\"\nconfig.tavily_api_key = \"your_tavily_key\"\n\nagent = DeepSearchAgent(config)\n```\n\n## 项目结构\n\n```\nDemo DeepSearch Agent\u002F\n├── src\u002F                          # 核心代码\n│   ├── llms\u002F                     # LLM调用模块\n│   │   ├── base.py              # LLM基类\n│   │   ├── deepseek.py          # DeepSeek实现\n│   │   └── openai_llm.py        # OpenAI实现\n│   ├── nodes\u002F                    # 处理节点\n│   │   ├── base_node.py         # 节点基类\n│   │   ├── report_structure_node.py  # 结构生成\n│   │   ├── search_node.py       # 搜索节点\n│   │   ├── summary_node.py      # 总结节点\n│   │   └── formatting_node.py   # 格式化节点\n│   ├── prompts\u002F                  # 提示词模块\n│   │   └── prompts.py           # 所有提示词定义\n│   ├── state\u002F                    # 状态管理\n│   │   └── state.py             # 状态数据结构\n│   ├── tools\u002F                    # 工具调用\n│   │   └── search.py            # 搜索工具\n│   ├── utils\u002F                    # 工具函数\n│   │   ├── config.py            # 配置管理\n│   │   └── text_processing.py   # 文本处理\n│   └── agent.py                 # 主Agent类\n├── examples\u002F                     # 使用示例\n│   ├── basic_usage.py           # 基本使用示例\n│   ├── advanced_usage.py        # 高级使用示例\n│   └── streamlit_app.py         # Web界面\n├── reports\u002F                      # 输出报告目录\n├── requirements.txt              # 依赖列表\n├── config.py                    # 配置文件\n└── README.md                    # 项目文档\n```\n\n## 代码结构\n\n```mermaid\ngraph TB\n    subgraph \"用户层\"\n        A[用户查询]\n        B[Web界面]\n        C[命令行接口]\n    end\n    \n    subgraph \"主控制层\"\n        D[DeepSearchAgent]\n    end\n    \n    subgraph \"处理节点层\"\n        E[ReportStructureNode\u003Cbr\u002F>报告结构生成]\n        F[FirstSearchNode\u003Cbr\u002F>初始搜索]\n        G[FirstSummaryNode\u003Cbr\u002F>初始总结]\n        H[ReflectionNode\u003Cbr\u002F>反思搜索]\n        I[ReflectionSummaryNode\u003Cbr\u002F>反思总结]\n        J[ReportFormattingNode\u003Cbr\u002F>报告格式化]\n    end\n    \n    subgraph \"LLM层\"\n        K[DeepSeekLLM]\n        L[OpenAILLM]\n        M[BaseLLM抽象类]\n    end\n    \n    subgraph \"工具层\"\n        N[Tavily搜索]\n        O[文本处理工具]\n        P[配置管理]\n    end\n    \n    subgraph \"状态管理层\"\n        Q[State状态对象]\n        R[Paragraph段落对象]\n        S[Research研究对象]\n        T[Search搜索记录]\n    end\n    \n    subgraph \"数据持久化\"\n        U[JSON状态文件]\n        V[Markdown报告]\n        W[日志文件]\n    end\n    \n    A --> D\n    B --> D\n    C --> D\n    \n    D --> E\n    D --> F\n    D --> G\n    D --> H\n    D --> I\n    D --> J\n    \n    E --> K\n    E --> L\n    F --> K\n    F --> L\n    G --> K\n    G --> L\n    H --> K\n    H --> L\n    I --> K\n    I --> L\n    J --> K\n    J --> L\n    \n    K --> M\n    L --> M\n    \n    F --> N\n    H --> N\n    \n    D --> O\n    D --> P\n    \n    D --> Q\n    Q --> R\n    R --> S\n    S --> T\n    \n    Q --> U\n    D --> V\n    D --> W\n    \n    style A fill:#e1f5fe\n    style D fill:#f3e5f5\n    style E fill:#fff3e0\n    style F fill:#fff3e0\n    style G fill:#fff3e0\n    style H fill:#fff3e0\n    style I fill:#fff3e0\n    style J fill:#fff3e0\n    style K fill:#e8f5e8\n    style L fill:#e8f5e8\n    style N fill:#fce4ec\n    style Q fill:#f1f8e9\n```\n\n## API 参考\n\n### DeepSearchAgent\n\n主要的Agent类，提供完整的深度搜索功能。\n\n```python\nclass DeepSearchAgent:\n    def __init__(self, config: Optional[Config] = None)\n    def research(self, query: str, save_report: bool = True) -> str\n    def get_progress_summary(self) -> Dict[str, Any]\n    def load_state(self, filepath: str)\n    def save_state(self, filepath: str)\n```\n\n### 配置\n\n配置管理类，控制Agent的行为参数。\n\n```python\nclass Config:\n    # API密钥\n    deepseek_api_key: Optional[str]\n    openai_api_key: Optional[str] \n    tavily_api_key: Optional[str]\n    \n    # 模型配置\n    default_llm_provider: str = \"deepseek\"\n    deepseek_model: str = \"deepseek-chat\"\n    openai_model: str = \"gpt-4o-mini\"\n    \n    # 搜索配置\n    max_search_results: int = 3\n    search_timeout: int = 240\n    max_content_length: int = 20000\n    \n    # Agent配置\n    max_reflections: int = 2\n    max_paragraphs: int = 5\n```\n\n## 示例\n\n### 示例1：基本研究\n\n```python\nfrom src import create_agent\n\n# 快速创建Agent\nagent = create_agent()\n\n# 执行研究\nreport = agent.research(\"量子计算的发展现状\")\nprint(report)\n```\n\n### 示例2：自定义研究参数\n\n```python\nfrom src import DeepSearchAgent, Config\n\nconfig = Config(\n    max_reflections=4,        \u002F\u002F 更深度的反思\n    max_search_results=8,     \u002F\u002F 更多搜索结果\n    max_paragraphs=6          \u002F\u002F 更长的报告\n)\n\nagent = DeepSearchAgent(config)\nreport = agent.research(\"人工智能的伦理问题\")\n```\n\n### 示例3：状态管理\n\n```python\n# 开始研究\nagent = DeepSearchAgent()\nreport = agent.research(\"区块链技术应用\")\n\n\u002F\u002F 保存状态\nagent.save_state(\"blockchain_research.json\")\n\n\u002F\u002F 稍后恢复状态\nnew_agent = DeepSearchAgent()\nnew_agent.load_state(\"blockchain_research.json\")\n\n\u002F\u002F 检查进度\nprogress = new_agent.get_progress_summary()\nprint(f\"研究进度: {progress['progress_percentage']}%\")\n```\n\n## 高级功能\n\n### 多模型支持\n\n```python\n\u002F\u002F 使用DeepSeek\nconfig = Config(default_llm_provider=\"deepseek\")\n\n\u002F\u002F 使用OpenAI\nconfig = Config(default_llm_provider=\"openai\", openai_model=\"gpt-4o\")\n```\n\n### 自定义输出\n\n```python\nconfig = Config(\n    output_dir=\"custom_reports\",           \u002F\u002F 自定义输出目录\n    save_intermediate_states=True          \u002F\u002F 保存中间状态\n)\n```\n\n## 常见问题\n\n### Q: 支持哪些LLM？\n\nA: 目前支持：\n- **DeepSeek**: 推荐使用，性价比高\n- **OpenAI**: GPT-4o、GPT-4o-mini等\n- 可以通过继承`BaseLLM`类轻松添加其他模型\n\n### Q: 如何获取API密钥？\n\nA: \n- **DeepSeek**: 访问 [DeepSeek平台](https:\u002F\u002Fplatform.deepseek.com\u002F) 注册获取\n- **Tavily**: 访问 [Tavily](https:\u002F\u002Ftavily.com\u002F) 注册获取（每月1000次免费）\n- **OpenAI**: 访问 [OpenAI平台](https:\u002F\u002Fplatform.openai.com\u002F) 获取\n\n获取密钥后，直接编辑项目根目录的`config.py`文件填入即可。\n\n### Q: 研究报告质量如何提升？\n\nA: 可以通过以下方式优化：\n- 增加`max_reflections`参数（更多反思轮次）\n- 增加`max_search_results`参数（更多搜索结果）\n- 调整`max_content_length`参数（更长的搜索内容）\n- 使用更强大的LLM模型\n\n### Q: 如何自定义提示词？\n\nA: 修改`src\u002Fprompts\u002Fprompts.py`文件中的系统提示词，可以根据需要调整Agent的行为。\n\n### Q: 支持其他搜索引擎吗？\n\nA: 当前主要支持Tavily，但可以通过修改`src\u002Ftools\u002Fsearch.py`添加其他搜索引擎支持。\n\n## 贡献\n\n欢迎贡献代码！请遵循以下步骤：\n\n1. Fork本项目\n2. 创建特性分支 (`git checkout -b feature\u002FAmazingFeature`)\n3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)\n4. 推送到分支 (`git push origin feature\u002FAmazingFeature`)\n5. 开启Pull Request\n\n## 许可证\n\n本项目采用MIT许可证 - 查看 [LICENSE](LICENSE) 文件了解详情。\n\n## 致谢\n\n- 感谢 [DeepSeek](https:\u002F\u002Fwww.deepseek.com\u002F) 提供优秀的LLM服务\n- 感谢 [Tavily](https:\u002F\u002Ftavily.com\u002F) 提供高质量的搜索API\n\n---\n\n如果这个项目对您有帮助，请给个Star！","# DeepSearchAgent-Demo 快速上手指南\n\nDeep Search Agent 是一个无框架的深度搜索 AI 代理，能够通过多轮搜索和反思生成高质量的研究报告。本指南将帮助您快速在本地部署并运行该工具。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Windows, macOS 或 Linux\n*   **Python 版本**: 3.9 或更高版本\n*   **API 密钥**: 您需要准备以下服务的 API Key（可在代码配置或 Web 界面中填入）：\n    *   **LLM**: DeepSeek (推荐) 或 OpenAI\n    *   **搜索引擎**: Tavily\n\n检查 Python 版本：\n```bash\npython --version\n```\n\n## 2. 安装步骤\n\n### 第一步：克隆项目\n将项目代码下载到本地：\n```bash\ngit clone \u003Cyour-repo-url>\ncd Demo\\ DeepSearch\\ Agent\n```\n\n### 第二步：创建并激活虚拟环境\n推荐使用 `conda` 或 `venv` 隔离环境。\n\n**使用 Conda:**\n```bash\nconda create -n deepsearch python=3.9\nconda activate deepsearch\n```\n\n**使用 venv:**\n```bash\npython -m venv venv\n# Windows\nvenv\\Scripts\\activate\n# macOS\u002FLinux\nsource venv\u002Fbin\u002Factivate\n```\n\n### 第三步：安装依赖\n安装项目所需的 Python 包。\n*(注：如遇下载缓慢，可添加国内镜像源参数，如 `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n```bash\npip install -r requirements.txt\n```\n\n### 第四步：配置 API 密钥\n项目根目录下已有 `config.py` 文件，请使用文本编辑器打开并填入您的密钥：\n\n```python\n# config.py\n\n# DeepSeek API Key (推荐)\nDEEPSEEK_API_KEY = \"your_deepseek_api_key_here\"\n\n# OpenAI API Key (可选)\nOPENAI_API_KEY = \"your_openai_api_key_here\"\n\n# Tavily 搜索 API Key\nTAVILY_API_KEY = \"your_tavily_api_key_here\"\n\n# 默认使用 DeepSeek 模型\nDEFAULT_LLM_PROVIDER = \"deepseek\"\n```\n\n## 3. 基本使用\n\n您可以通过以下三种方式快速启动工具：\n\n### 方式一：运行示例脚本（最快体验）\n直接运行预设的研究任务，查看控制台输出的研究报告：\n```bash\npython examples\u002Fbasic_usage.py\n```\n\n### 方式二：启动 Web 界面（推荐）\n启动基于 Streamlit 的图形化界面，无需修改配置文件，可直接在网页中输入 API Key 和研究主题：\n```bash\nstreamlit run examples\u002Fstreamlit_app.py\n```\n运行后，浏览器会自动打开本地服务地址，您可以在界面中输入查询（例如：\"2025 年人工智能发展趋势”），系统将自动执行多轮搜索与反思并生成报告。\n\n### 方式三：编程调用\n在您自己的 Python 脚本中集成该 Agent：\n\n```python\nfrom src import DeepSearchAgent, load_config\n\n# 加载配置\nconfig = load_config()\n\n# 创建 Agent 实例\nagent = DeepSearchAgent(config)\n\n# 执行研究任务\nquery = \"量子计算的发展现状\"\nfinal_report = agent.research(query, save_report=True)\n\n# 打印结果\nprint(final_report)\n```\n\n生成的 Markdown 格式报告默认保存在项目根目录的 `reports\u002F` 文件夹中。","某科技咨询公司的分析师需要在半天内为重要客户输出一份关于\"2025 年全球量子计算商业化落地路径”的深度研究报告，要求数据详实、逻辑严密且覆盖最新行业动态。\n\n### 没有 DeepSearchAgent-Demo 时\n- **信息搜集碎片化**：分析师需手动在多个搜索引擎反复切换关键词，耗时数小时筛选低质网页，难以确保信息的全面性与时效性。\n- **深度挖掘不足**：面对复杂议题，人工很难自发进行多轮“搜索 - 反思 - 再搜索”的闭环，导致报告往往停留在表面现象，缺乏对技术瓶颈和产业链深层逻辑的剖析。\n- **结构整合困难**：将零散的搜索结果整理成逻辑连贯的大纲并撰写初稿极易出错，常出现段落间逻辑断层或关键数据遗漏，反复修改耗费大量精力。\n- **过程不可追溯**：研究过程依赖个人笔记，一旦中途打断或需要调整方向，之前的搜索状态和思路难以恢复，协作效率低下。\n\n### 使用 DeepSearchAgent-Demo 后\n- **智能全量检索**：DeepSearchAgent-Demo 自动集成 Tavily 引擎，根据查询生成结构化大纲，并针对每个段落自动执行多轮高精度搜索，瞬间聚合全球最新权威信源。\n- **自主反思深化**：内置的反思机制让代理能像资深专家一样自我审视，主动发现初稿中的逻辑漏洞或信息缺失，自动发起补充搜索并优化总结，确保洞察深度。\n- **自动化报告生成**：从大纲构建到最终 Markdown 格式输出全流程自动化，直接生成结构清晰、引证规范的高质量研报草稿，分析师仅需做最后润色。\n- **状态全程可控**：完整的状态管理功能支持研究过程随时暂停与恢复，所有中间搜索数据和思考路径均被记录，便于团队复盘或二次迭代。\n\nDeepSearchAgent-Demo 通过将繁琐的信息搜集与逻辑推演自动化，把分析师从低效的“搬运工”解放为高价值的“决策者”，实现了深度研究效率的质的飞跃。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F666ghj_DeepSearchAgent-Demo_0ded27b0.png","666ghj","BaiFu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002F666ghj_c351297d.jpg","Do what you love, and love what you do.","BUPT, Shanda","Shanghai, China","hangjiang@bupt.edu.cn",null,"https:\u002F\u002Fgithub.com\u002F666ghj",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1166,291,"2026-04-12T16:42:04","MIT","未说明",{"notes":92,"python":93,"dependencies":94},"该项目为无框架设计，不依赖 PyTorch、TensorFlow 等重型深度学习框架或本地大模型，主要通过 API 调用 DeepSeek、OpenAI 和 Tavily 服务。因此对本地 GPU 和内存无特殊高要求，普通办公电脑即可运行。需配置相应的 API Key 才能使用。推荐使用 conda 或 venv 创建虚拟环境安装依赖。","3.9+",[95,96,97],"streamlit","requests (推测，用于 API 调用)","typing (推测，用于类型提示)",[35,13],"2026-03-27T02:49:30.150509","2026-04-13T17:42:54.794245",[],[]]