此仓库托管 Pokee 最先进的 7B DeepResearch 智能体，该智能体整合了网络搜索与内容阅读能力，能够利用互联网上最新、最权威的信息回答复杂问题。

我们还提供一个 API，用于调用我们的专有深度研究智能体，其成本比 OpenAI、Gemini 和 Perplexity 低高达 75%。它能够生成内容详实、引用丰富的研究报告，无隐藏费用，且无需管理 API 密钥。（有关该 API 的更多信息，请访问 pokee.ai/deepresearch-preview）

PokeeResearch-7B 智能体

Pokee 最先进的 7B DeepResearch 智能体，利用网络搜索和内容阅读能力，结合互联网上最新的信息，解答复杂问题。

🚀 特性

• 多轮研究：执行迭代式网络搜索和内容分析
• 工具集成：无缝整合网络搜索、内容阅读和浏览工具
• 全面评估：涵盖多个问答数据集的基准测试评估
• 高性能：在复杂推理任务中表现卓越
• 可扩展架构：基于高效的 7B 参数模型构建，实现最佳性能

📋 要求

硬件

• 计算节点：我们在单块 80GB A100 GPU 上测试了代码（显存更少的 GPU 也可能适用，但我们尚未测试）。使用多块 GPU 可进一步加速推理。供参考，驱动版本为 570.133.20，CUDA 工具包版本为 12.8。

软件

• Docker：运行代码的环境将以 Docker 镜像的形式提供。

API 密钥

您需要以下 API 密钥：

• Serper API：用于网络搜索功能
• Jina API：用于网页内容读取和提取
• Gemini API：用于内容摘要和结果评估
• HuggingFace Token：用于从 HuggingFace 下载模型

🛠️ 快速入门

1. 环境设置

我们提供一个 Docker 镜像，方便部署：

docker pull verlai/verl:app-verl0.5-transformers4.55.4-sglang0.4.10.post2-mcore0.13.0-te2.2
docker create --runtime=nvidia --gpus all --net=host --shm-size="80g"  -v .:/workspace/ --name pokeeresearch verlai/verl:app-verl0.5-transformers4.55.4-sglang0.4.10.post2-mcore0.13.0-te2.2 sleep infinity
docker start pokeeresearch
docker exec -it pokeeresearch  bash
ssh-keygen -t ed25519 -C <USER_NAME>
# 将 /root/.ssh/id_ed25519.pub 复制到 GitHub SSH 密钥中
git clone git@github.com:Pokee-AI/PokeeResearchOSS.git --recursive
cd PokeeResearchOSS
pip install colorlog
pip install -U google-genai
hf auth login # 输入您的 HuggingFace 令牌，确保该令牌具有使用 Pokee AI 模型的权限
cd verl
pip install -e .
cd ..

在项目根目录下创建一个 .env 文件，并添加您的 API 密钥：

SERPER_API_KEY=your_serper_api_key_here
JINA_API_KEY=your_jina_api_key_here
GEMINI_API_KEY=your_gemini_api_key_here

2. 修改 run.sh 以使用多块 GPU（可选）

使用更多 GPU 运行实验会更快。默认情况下，实验仅使用一块 GPU。 如果您想使用更多 GPU，只需将 run.sh 中的

trainer.n_gpus_per_node=1 \

修改为

trainer.n_gpus_per_node=<NUM_GPUS_TO_USE> \

3. 运行基准测试评估

步骤 1：启动工具服务器

python start_tool_server.py \
--port <PORT_NUMBER> \ # 指定监听端口（默认 8888）
--enable-cache # 启用工具结果缓存（建议开启以节省 API 费用）

步骤 2：运行评估

打开一个新的终端窗口，然后运行实验。

docker exec -it pokeeresearch bash
cd PokeeResearchOSS
bash run.sh

评估详情：

• 数据集规模：1,228 个带有标准答案的问题
• 评估次数：每道题进行 4 次采样
• 指标：所有响应的平均准确率
• 评判模型：Gemini-2.5-Flash-lite
• 运行时间：在 8 块 80GB A100 GPU 上耗时 40–50 分钟。

4. 查看结果

详细结果保存在 val_results/ 目录中：

• 原始问题及标准答案
• 智能体完整的调研轨迹
• 评判者的评估决策及理由

5. 整合研究线索

用户可以整合保存在 val_results/ 中的研究线索。为此，将 run_rts.sh 中的 xxxx.json 替换为 val_results/ 中的结果 JSON 文件。 然后运行 bash run_rts.sh。

6. 启动深度研究智能体应用

我们提供了基于 Gradio 的 CLI 应用程序和 GUI 应用程序。 两种应用程序都支持在本地或通过 vLLM 提供 LLM 服务。

vLLM 服务

为了使用 vLLM 服务，需要安装新的依赖项，这将改变现有软件包。因此，我们建议创建一个新的 Docker 容器，并按照第 1 步重新安装。启动并进入新容器后，执行以下操作：

# 我们建议使用 uv 来安装 vLLM。有关替代方案，请参阅 https://docs.vllm.ai/en/latest/getting_started/installation/index.html。
uv pip install vllm --torch-backend=auto --system
uv pip install httpx[http2] --system

然后，通过运行 bash serve_model.sh 启动 vLLM 服务器。

CLI 应用程序

❗️ 在使用 CLI 应用程序之前，您需要先启动工具服务器。为此，请运行 python start_tool_server.py --enable-cache。

我们提供了单次查询模式和交互式模式来使用 CLI 应用程序。

python cli_app.py # 交互式模式，持续监听查询直到用户终止
python cli_app.py --question <QUERY> # 单次查询模式，响应后即结束

一些附加选项包括：

• --verbose 打印中间步骤
• --serving-mode 指定模型服务模式（本地或 vllm，默认为本地）
• --max-turns 设置最大轮数（默认 10）

GUI 应用程序

首先，您需要安装 Gradio。

uv pip install --upgrade gradio --system

与 CLI 应用程序不同，您无需提前启动工具服务器。GUI 启动后，您将配置凭据并启动工具服务器。随后，应用程序会以子进程的形式启动工具服务器。通过以下命令启动 GUI 应用程序：

python gradio_app.py

一些附加选项包括：

• --serving-mode 指定模型服务模式（本地或 vllm，默认为本地）
• --port 指定 Gradio 应用程序运行的端口

📊 基准数据集

我们的基准数据集包含来自 10 个常见深度研究基准的数据：

• 125 个纯文本问题，随机选自：
  • TQ、NQ、HotpotQA、PopQA、Musique、2Wiki、Bamboogle、Browsecomp 和 HLE
• 103 个 GAIA 纯文本问题

这个多样化的数据集确保了对各种问题类型和领域的全面评估，从而为代理的能力提供稳健的衡量标准。

🏆 性能结果

方法	HLE	GAIA	BrowseComp	BAMBOOGLE	2WIKI	TQ	NQ	POPQA	MUSIQUE	HOTPOTQA
R1researcher	5.4	8.3	1.0	63.2	61.4	77.2	59.6	51.8	35.8	62.4
SearchR1	13.0	18.7	0.4	67.8	62.8	81.0	67.6	59.6	33.2	63.2
ZeroSearch	8.6	9.9	1.4	51.4	33.6	61.6	48.2	38.0	19.0	32.4
ASearcher	13.8	22.1	3.2	68.8	69.2	85.2	71.2	58.2	35.8	71
DeepResearcher	6.0	24.0	1.8	71	58.8	82.2	60.2	55.2	26.8	56.6
PokeeResearch	15.2	36.9	5.4	74.5	74.0	91.3	75.1	59.8	39.8	71.4
PokeeResearch-RTS	17.6	41.3	8.4	75.0	75.0	91.8	75.0	60.0	41.4	71.6

表 1：多个基准测试中的性能比较。PokeeResearch 代理在所有基准数据集上均取得了最先进的结果。对于每个问题，都会生成 4 个回答。代理预测的答案由 Gemini-2.5-Flash-lite 与真实答案进行比较，以确定正确性。表格中显示了按数据源划分的所有问题中 4 个回答的准确率。

引用

@article{pokee2025deepresearch,
  title={PokeeResearch: Effective Deep Research via
          Reinforcement Learning from AI Feedback and Robust Reasoning Scaffold},
  author={Yi Wan* and Jiuqi Wang* and Liam Li
          and Jinsong Liu and Ruihao Zhu and Zheqing Zhu},
  journal={Pokee AI Technical Report},
  year={2025},
  url={https://arxiv.org/pdf/2510.15862}
}

📄 许可证

本项目采用 Apache 2.0 许可证授权——详情请参阅 LICENSE 文件。

📞 支持

如有任何问题或需要支持，请在此仓库中提交一个问题。

PokeeResearch-7B 快速上手指南

PokeeResearch-7B 是一款先进的深度研究智能体，具备联网搜索和内容阅读能力，能够利用最新的在线信息回答复杂问题。本指南将帮助中国开发者快速部署并运行该模型。

环境准备

硬件要求

• GPU: 推荐单卡 80GB A100（显存较小的 GPU 可能可用但未测试）。支持多卡加速推理。
• 驱动版本: 570.133.20
• CUDA 版本: 12.8

软件依赖

• Docker: 用于构建隔离的运行环境。
• API Keys: 需提前申请以下服务的密钥：
  • Serper API: 用于网页搜索
  • Jina API: 用于网页内容读取与提取
  • Gemini API: 用于内容总结与结果评估
  • HuggingFace Token: 用于下载模型（需拥有访问 Pokee AI 模型的权限）

安装步骤

1. 拉取并启动 Docker 容器

使用官方提供的镜像快速搭建环境：

docker pull verlai/verl:app-verl0.5-transformers4.55.4-sglang0.4.10.post2-mcore0.13.0-te2.2
docker create --runtime=nvidia --gpus all --net=host --shm-size="80g"  -v .:/workspace/ --name pokeeresearch verlai/verl:app-verl0.5-transformers4.55.4-sglang0.4.10.post2-mcore0.13.0-te2.2 sleep infinity
docker start pokeeresearch
docker exec -it pokeeresearch  bash

2. 克隆代码与安装依赖

在容器内执行以下命令配置 SSH 密钥、克隆仓库并安装 Python 依赖：

ssh-keygen -t ed25519 -C <USER_NAME>
# 请将生成的 /root/.ssh/id_ed25519.pub 公钥添加到你的 GitHub SSH Keys 中
git clone git@github.com:Pokee-AI/PokeeResearchOSS.git --recursive
cd PokeeResearchOSS
pip install colorlog
pip install -U google-genai
hf auth login # 输入你的 HuggingFace Token
cd verl
pip install -e .
cd ..

3. 配置 API 密钥

在项目根目录创建 .env 文件，填入申请的密钥：

SERPER_API_KEY=your_serper_api_key_here
JINA_API_KEY=your_jina_api_key_here
GEMINI_API_KEY=your_gemini_api_key_here

(可选) 多卡加速配置：若需使用多张 GPU，编辑 run.sh 文件，将 trainer.n_gpus_per_node=1 修改为实际显卡数量，例如 trainer.n_gpus_per_node=4。

基本使用

使用前需先启动工具服务器，然后选择命令行（CLI）或图形界面（GUI）模式运行。

第一步：启动工具服务器

在容器终端中运行：

python start_tool_server.py \
--port 8888 \
--enable-cache

注：--enable-cache 可缓存搜索结果以节省 API 额度，强烈建议开启。

第二步：运行智能体

方式 A：命令行交互 (CLI)

保持上述工具服务器运行，新开一个终端进入容器，执行：

交互式模式（持续对话）：

python cli_app.py

单次查询模式：

python cli_app.py --question "2025 年人工智能领域的最新突破有哪些？"

常用参数：

• --verbose: 打印中间思考步骤
• --max-turns: 设置最大搜索轮次（默认 10）
• --serving-mode: 指定服务模式 (local 或 vllm)

方式 B：图形界面 (GUI)

无需预先启动工具服务器，GUI 会自动管理。首先安装 Gradio：

uv pip install --upgrade gradio --system

启动应用：

python gradio_app.py

启动后在浏览器访问显示的地址，即可在界面中配置密钥并开始对话。

(进阶) 若需使用 vLLM 加速推理，建议新建容器重新安装依赖：

uv pip install vllm --torch-backend=auto --system
uv pip install httpx[http2] --system
bash serve_model.sh