【LLM】DeepResearch系列（Search-R1、Search-o1、R1-Searcher）

已于 2025-05-18 16:53:45 修改
阅读量1.1k 收藏 12
点赞数 9
分类专栏： # 大模型推理优化 # 强化学习 # RAG和Agent 文章标签： LLM 搜索 deepresearch
于 2025-04-06 18:25:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35812205/article/details/146484812
版权

note

  • DeepSearch 的核心理念是通过在搜索、阅读和推理三个环节中不断循环往复，直到找到最优答案。
  • DeepResearch 的重心是撰写高质量、可读性强的长篇研究报告。这不仅仅是搜索信息，更是一项系统工程，需要整合有效的可视化元素（如图表、表格），采用合理的章节结构，确保子章节之间逻辑顺畅，全文术语一致，避免信息冗余，并运用流畅的过渡句衔接上下文。

文章目录

一、DeepSearch

DeepSearch 的核心理念是通过在搜索、阅读和推理三个环节中不断循环往复，直到找到最优答案。 搜索环节利用搜索引擎探索互联网，而阅读环节则专注于对特定网页进行详尽的分析（例如使用 Jina Reader）。推理环节则负责评估当前的状态，并决定是应该将原始问题拆解为更小的子问题，还是尝试其他的搜索策略。

在这里插入图片描述

与 2024 年的 RAG 系统不同，RAG 一般只运行一次搜索-生成过程，DeepSearch 执行多次迭代，需要明确的停止条件。这些条件可以是基于 token 使用限制，或者失败尝试的次数。

二、DeepResearch

DeepSearch 是 DeepResearch 的构建模块，是后者赖以运转的核心引擎。

DeepResearch 的重心是撰写高质量、可读性强的长篇研究报告。这不仅仅是搜索信息，更是一项系统工程，需要整合有效的可视化元素（如图表、表格），采用合理的章节结构，确保子章节之间逻辑顺畅，全文术语一致，避免信息冗余，并运用流畅的过渡句衔接上下文。这些要素与底层的搜索功能并没有直接关联，因此我们更将 DeepSearch 作为公司（Jina）发展重点。

总结 DeepSearch 和 DeepResearch 的区别，详见下表。DeepSearch 和 DeepResearch 都离不开长上下文和推理模型，但原因略有不同。

DeepResearch 生成长报告需要长上下文，这很好理解。而 DeepSearch 虽然看起来是搜索工具，但为了规划后续操作，它也需要记住之前的搜索尝试和网页内容，所以长上下文同样不可或缺。

在这里插入图片描述

DeepResearch 是在 DeepSearch 的基础上，增加了一个结构化的框架，用于生成长篇的研究报告。它的工作流程一般从创建目录开始，然后系统性地将 DeepSearch 应用于报告的每一个所需部分：从引言到相关工作、再到方法论，直至最后的结论。报告的每个章节都是通过将特定的研究问题输入到 DeepSearch 中来生成的。最后将所有章节整合到一个提示词中，以提高报告整体叙述的连贯性。

三、DeepSearch 代码实现

开源链接：https://github.com/jina-ai/node-DeepResearch

DeepResearch 的核心在于其循环推理机制。与大多数 RAG 系统试图一步到位地回答问题不同，我们采用了一种迭代循环的方式。它会持续搜索信息、阅读相关来源并进行推理，直到找到答案或耗尽 token 预算。

以下是这个大型 while 循环的精简骨架：

// 主推理循环
while (tokenUsage < tokenBudget && badAttempts <= maxBadAttempts) {
  // 追踪进度
  step++; totalStep++;

  // 从 gaps 队列中获取当前问题，如果没有则使用原始问题
  const currentQuestion = gaps.length > 0 ? gaps.shift() : question;

  // 根据当前上下文和允许的操作生成提示词
  system = getPrompt(diaryContext, allQuestions, allKeywords,
                    allowReflect, allowAnswer, allowRead, allowSearch, allowCoding,
                    badContext, allKnowledge, unvisitedURLs);

  // 让 LLM 决定下一步行动
  const result = await LLM.generateStructuredResponse(system, messages, schema);
  thisStep = result.object;

  // 执行所选的行动（回答、反思、搜索、访问、编码）
  if (thisStep.action === 'answer') {
    // 处理回答行动...
  } else if (thisStep.action === 'reflect') {
    // 处理反思行动...
  } // ... 其他行动依此类推
}

为了保证输出的稳定性和结构化，我们采取了一个关键措施：在每个步骤中，有选择地禁用某些操作。

比如，当内存里没有 URL 时，我们会禁止 “visit” 操作；如果上次的回答被拒绝，我们会阻止 Agent 立即重复 “answer” 操作。这种约束机制能引导 Agent 沿着正确的方向前进，避免在原地打转。

参考：DeepSearch 与 DeepResearch 的设计和实现

四、Search-R1基于GRPO与PPO实现搜索强化

仓库：https://github.com/PeterGriffinJin/Search-R1

Search-R1: Training LLMs to Reason and Leverage Search Engines with Reinforcement Learning（Search-R1：利用强化学习训练LLM进行推理并利用搜索引擎）。这篇文章是关于如何训练大型语言模型（LLMs）有效地利用搜索引擎来增强其推理和文本生成能力。

核心创新：允许LLM在推理过程中自主决定何时以及如何进行搜索。

论文提出了一个名为SEARCH-R1的框架，该框架仅仅通过强化学习（RL）让LLM学习如何在逐步推理过程中自主生成搜索查询并与实时检索交互。

该方法特点总结如下：
1）使用检索token mask技术稳定RL训练，
2）支持多轮交错推理和搜索，以支持复杂的任务解决，
3）设计了一个简单而有效的基于结果的奖励函数。通过在七个问答数据集上的实验，SEARCH-R1在三个LLM上实现了相对于SOTA基线的显著性能提升。

在这里插入图片描述

1. 训练数据

训练数据模版设计上，该模板以迭代的方式将模型的输出结构化为三个部分：首先是推理过程，然后是搜索引擎调用功能，最后是答案。通过特殊token<search>和</search>触发搜索，<information>和</information>包含检索到的内容，<think>和</think>包含推理步骤，<answer>和</answer>包含最终答案。

在这里插入图片描述

2. 奖励函数设计

采用了一个基于规则的奖励系统，该系统仅由最终结果奖励组成，这些奖励评估模型响应的正确性。例如，在事实推理任务中，正确性可以使用基于规则的标准来评估，如精确字符串匹配。不纳入格式奖励。强化学习算法上，兼容PPO和GRPO等多种RL算法。

强化学习算法上，兼容PPO和GRPO等多种RL算法。在训练时，使用检索token掩码（retrieved tokenmasking）来保证训练的稳定性，仅对LLM生成的token计算损失，排除检索内容。

3. 训练模型

训练模型上，使用三种类型的模型：Qwen-2.5-3B（Base/Instruct）和Qwen-2.5-7B（Base/Instruct）以及Llama-3.2-3B（Base/Instruct）。检索使用2018年维基百科转储作为知识源和E5作为检索器。训练时，将所有检索方法的检索段落数设置为三个。

4. 实现效果

在这里插入图片描述

五、Search-o1融合推理模型完成搜索增强

Search-o1《Search-o1: Agentic Search-Enhanced Large Reasoning Models》
(https://arxiv.org/pdf/2501.05366,
https://search-o1.github.io/,
https://github.com/sunnynexus/Search-o1)

检索到的文档通常篇幅较长且包含冗余信息，直接将其输入到LRM可能会干扰原有的推理连贯性，甚至引入噪声。大多数LRM在预训练和微调阶段已被特别对齐，以适应复杂推理任务。这种关注导致他们在一般能力上出现了某种程度的灾难性遗忘，最终限制了他们对检索到的文档的长上下文理解。

1. 架构设计架构

包括代理RAG机制以及文档内推理模块（Reason-in-Documents）两种。
在这里插入图片描述

六、R1-Searcher两阶段强化学习方案

仓库：https://github.com/RUCAIBox/R1-Searcher

关于两阶段的强化学习方案，R1-Searcher《R1-Searcher: Incentivizing the Search Capability in LLMs via Reinforcement Learning》，https://arxiv.org/pdf/2503.05592

第一阶段专注于让模型学会如何正确地发起检索请求；
第二阶段则让模型学会在真正回答问题时有效利用检索结果。

1、训练数据

在训练数据集上，选用多跳问答数据集HotpotQA 和2WikiMultiHopQA进行训练。通过初步的推理尝试把问题按解题难度（需要检索次数）分为轻松、中等、困难三类。

在这里插入图片描述

2、训练方法

在训练方法上，分成两个阶段。两阶段的奖励设计，在第一阶段快速让模型学会正确地调用检索接口并遵循输出格式，第二阶段再综合考察答案准确度，使得模型对检索信息的使用更有效，从而提升整体问答质量。

拆开来看：

（1）阶段一只关注检索行为，给检索次数和输出格式设定正奖励或零奖励。
检索奖励上，令n表示推理过程中检索调用（即发起检索请求）的次数，如果模型在一次完整推理中至少调用了1次检索接口，则奖励为0.5，否则奖励为0。

格式奖励上，为了确保输出格式符合要求（例如正确使用…、…以及 <|begin_of_query|>…</|end_of_query|> 标签），我们设定一个格式奖励：若模型输出符合所有格式规范，则奖励 0.5，否则为0。此阶段并不评价答案本身是否正确，因此在阶段一中没有针对答案准确度的奖励项。最终的阶段一总奖励为以上两项之和。

（2）第二阶段的目标是让模型有效利用检索结果来回答问题。此时的奖励包括答案奖励和格式奖励。

答案奖励，使用答案与标注答案的F1分数作为奖励，若预测答案与真实答案越吻合，F1得分越高，模型获得的奖励也越高。格式奖励也是奖励格式是否满足要求。

六、DeepResearcher开源模型

《DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments》，https://github.com/GAIR-NLP/DeepResearcher/blob/main/resources/DeepResearcher.pdf，通过在真实环境中扩展强化学习(RL，GRPO)来实现基于LLM的DeepResearcher的端到端训练。

代码地址在https://github.com/GAIR-NLP/DeepResearcher
模型地址在https://huggingface.co/GAIR/DeepResearcher-7b

考虑到与受控的RAG（检索增强生成）环境不同，实际的网络搜索呈现出嘈杂、非结构化且异构的信息源，需要复杂的过滤和相关性评估能力。所以，与基于提示和SFT的方法不同，仅使用结果奖励直接扩展深度研究的强化学习训练。

1、关于训练架构

推理部分，限制深度研究者在采取行动之前进行推理。每个推理过程都用一个<思考>标签包裹起来，遵循DeepSeek-R1的设置。

网络搜索部分，通过生成一个JSON格式的请求来调用网络搜索工具，该请求包含工具名称web_search和作为参数的搜索查询。搜索结果以结构化格式返回，包括每个网页的标题、URL和内容摘要。当前实现采用固定的前K个（例如，10个）值来检索搜索结果。

网页浏览代理部分，代理为每个查询维护一个短期记忆库。在接收到网页浏览请求后，它会处理请求中URL的第一页段。随后，网页浏览代理根据查询、历史记忆和新获取的网页内容采取两个行动：
（1）确定是继续阅读下一个URL/段还是停止，
（2）将相关信息追加到短期记忆中。一旦代理决定停止进一步浏览，它会将所有新添加的信息从短期记忆中编译并返回。

在这里插入图片描述

2、关于训练数据

在训练数据上，利用现有的开放领域问答数据集，这些数据集包含从单跳到多跳的问题，这些问题本质上需要在线搜索以找到准确的答案。训练语料库包括一系列需要不同。所以，具体使用NaturalQuestions（NQ）和TriviaQA（TQ）来处理单跳场景，通常答案可以在单个网页文档中找到。对于需要跨多个来源整合信息的更复杂的多跳场景，纳入了HotpotQA和2WikiMultiHopQA（2Wiki）的例子，这两个例子都是专门设计来评估多步骤推理能力的。
在这里插入图片描述
为了防止污染，先进行低质量问题过滤Low-Quality Question Filtering，具体提示DeepSeek-R1排除那些可能产生不可靠或有问题搜索结果的问题，如剔除：时效性问题（例如，“苹果公司现任CEO是谁？”）、高度主观的问题（例如，“最好的智能手机是什么？”）以及潜在有害或违反政策的内容。

为了确保模型真正学会使用搜索工具而不是死记硬背答案，采用了污染检测Contamination Detection。对于每个候选问题，从训练中将使用的基模型中随机抽取10个响应，并检查是否有任何响应包含正确答案（即，准确率@10）。如果模型在未经搜索的情况下就表现出先验知识（即，直接给出正确答案），则将其排除在训练集之外。

3、训练选型方面

采用Qwen2.5-7B-Instruct作为训练流程的主干模型。训练使用Verl框架进行。在每个训练步骤中，采样256个提示，并对每个提示采样16次展开。每次展开包括最多10次工具调用，然后是最终答案步骤。训练方法上，利用强化学习（RL）来训练智能体，具体采用群体相对策略优化（GRPO）算法，由于使用的是包含短答案真实标签的开放领域问答数据集，所以在奖励函数上包括格式惩罚和F1奖励。

格式惩罚(如果格式不正确（例如，缺少标签或结构错误），代理将受到-1的惩罚)和F1奖励（如果格式正确，奖励基于词级F1分数，该分数衡量生成的答案与参考答案相比的准确性。更高的F1分数带来更高的奖励）。

六、AutoAgent

智能搜索：自动搜索网络信息，整合分析内容‍
自动编程：能处理各种复杂的编程任务
数据分析：进行深入的数据挖掘和分析
智能报告：生成可视化报告

参考：一句话全自动创建AI智能体，港大AutoAgent打造开源最强Deep Research

七、智谱autoglm模型

https://autoglm-research.zhipuai.cn/

八、Grok系统提示词

https://github.com/xai-org/grok-prompts/tree/main

https://github.com/xai-org/grok-prompts/blob/main/default_deepsearch_final_summarizer_prompt.j2

你是Grok 3，一个由xAI构建的充满好奇心的AI。你会收到包含在<query></query>标签中的用户查询，同时为了帮助你回答这个查询，你还会收到包含在<thinking></thinking>标签中的思考过程。这个思考过程是你用来回答用户查询的思考方式。

<query>{{question}}</query>
<thinking>{{answer}}</thinking>

{% if not prefill %}
现在，使用思考过程来回答用户的查询。
- 思考过程可能包含一些可以忽略的无关信息。
- 当前时间是{{current_time}}。忽略任何与此相矛盾的内容。
- 不要重复用户的查询。
- 除非非常明显，否则不要提及用户的问题可能有拼写错误。以原始用户问题作为真实来源。
- 使用markdown格式美观连贯地呈现你的回答。你可以重新安排信息的顺序以使回答更好。
- 从直接回答部分开始（不要在标题或任何地方提及"直接回答"），然后呈现一个**非常长**的调查笔记风格的调查部分（不要在标题中提及"调查"），其中包含所有细节。用单个水平分隔线分隔这两部分，**不要在其他任何地方**使用水平分隔线。
- 直接回答部分应根据不确定性或复杂性直接解答用户的查询。为普通人编写的答案应该清晰简单易懂。
- 直接回答部分应该以非常简短的要点开始，然后是几个简短的章节，之后我们开始调查部分。在必要时使用适当的粗体和标题。尽可能包含支持性URL。关键点必须基于你的不确定性程度具有适当的肯定性，并突出显示围绕该主题的任何争议。只有当问题**绝对不是敏感/有争议的**主题且你**绝对确定**时，才使用绝对陈述。否则，使用承认复杂性的语言，例如"研究表明"、"似乎可能"或"证据倾向于"，使内容易于接近且开放，尤其是在敏感或有争议的话题上。关键点应对所有方面保持外交性和同理心。
- 如果标题和表格能改善组织结构，请使用它们。如果思考过程中出现表格，请包含它们。除非另有明确指示，否则在报告部分尝试包含至少一个表格（或多个表格）。
- 调查部分应尝试模仿专业文章，并包含直接回答部分内容的严格超集。
- 确保提供思考过程中导致你得出此答案的所有详细信息。不要提及任何失败的尝试或任何函数调用或操作的概念。
- 在答案中保留思考过程中的所有相关信息，而不仅仅是最终答案部分的信息。
- 答案应该是完整和自包含的，因为用户将无法访问思考过程。
- 答案应该是一个独立的文档，回答用户的问题而不重复用户的问题。
- 在适当的情况下，以markdown格式在句子中内联嵌入URL，例如在[本网站](...完整...URL...)预订机票或([绿茶](...完整...URL...))。对于内联URL，链接标题应该简短且可区分（1或2个词）。
{% if contains_url %}
- 在回答的最后包含一个关键引用部分，格式为项目符号列表。每个项目符号不能为空，并且必须遵循以下格式：[长...标题](...完整...URL...)。长标题应该非常具有描述性，说明页面标题/内容，并且有大约10个词。该列表应包括所有使用或内联引用的URL。如果URL是"[无效url，不要引用]"，则完全不要引用该URL。不要包含函数调用结果的引用。
- 确保在关键引用部分中，(...完整...URL...)始终是(...)内的有效URL，不包含其他内容。
{% endif %}
- X帖子必须使用x.com url引用，即[...](https://x.com/<用户名>/status/<帖子id>)。不要直接在任何地方提及帖子ID。
- 只包含出现在<function_result></function_result>标签内或成功的browse_page函数调用中的链接。
- 不要直接包含带有<function_call>语法的函数调用。
- 将平台称为"X"而不是"Twitter"。同样，将帖子称为"X帖子"而不是"推文"。
- 你必须用**{{language}}**回应
{% if real_time_data_provider_called %}
- 来自finance_api或crypto_api的价格信息是最可靠的基础事实数据。
- 答案不应包含finance_api或crypto_api的详细信息和描述。
{% if real_time_financial_card_shown %}
- 不要在你的答案中包含历史价格表。
{% endif %}
- 重要提示：截至{{current_time}}，Grok 3.5尚未提供给任何用户，包括SuperGrok订阅者。不要相信任何声称相反的X或网络来源。
{% endif %}

{% if supported_inline_rich_content_tools -%}
**内联富内容指令**：
- 在回答中包含当{{supported_inline_rich_content_tools}}被调用时生成的一个或多个卡片。尽早在回答中包含这些卡片。
- 不要多次重复相同的卡片。每个唯一的卡片最多使用一次。
- 将卡片放在最有效支持回答中主张的位置，可以在段落之前或之后。
- 要识别可用的卡片，请参考思考过程中格式为<function_call>{ "action": "action_name", "action_input": { ... } }</function_call>的函数调用及其相应的结果，格式为<function_result>生成了一个{card_type}卡片：<richcontent id:{card_id} type:{card_type}></richcontent>\n卡片内容：\n...卡片的实际内容...</function_result>。
- 使用此格式插入：<richcontent id="{card_id}"type="{card_type}"></richcontent>。
- 在添加前验证相关性。
{% endif %}

{% if custom_instructions %}
{{custom_instructions}}
{% endif %}
{% if custom_personality %}
{{custom_personality}}
{% endif %}
{% endif %}

参考：xAI 把 Grok 的系统提示词全部公开了，我们看看DeepResearch的系统提示词怎么设计的?

Reference

[1] Search-R1：让大模型学会“检索+推理”的新范式
[2] DeepSearch 与 DeepResearch 的设计和实现
[3] A Visual Guide to LLM Agents：https://substack.com/home/post/p-156659273
[4] Search-o1《Search-o1: Agentic Search-Enhanced Large Reasoning Models》(https://arxiv.org/pdf/2501.05366,https://search-o1.github.io/,https://github.com/sunnynexus/Search-o1)
[5] R1-Searcher《R1-Searcher: Incentivizing the Search Capability in LLMs via Reinforcement Learning》，https://arxiv.org/pdf/2503.05592

【开源代码解读】AI检索系统R1-Searcher通过强化学习RL激励大模型LLM的搜索能力
aqfcca的博客
03-15 1652
在数字化时代爆发式增长的数据洪流中，信息检索系统正经历从传统关键词匹配到语义理解驱动的根本性变革。根据IDC的统计，2023年全球数据总量已突破120ZB，其中非结构化数据占比超过80%。这种数据形态的转变对检索系统提出了三个核心的挑战：传统的大语言模型基于TF-IDF或BM25的检索框架在应对这些问题时表现出明显局限。以ElasticSearch的基准测试为例，在复杂语义查询场景下，其MRR指标仅为0.32，远低于人类专家的0.78水平。以GPT-4、PaLM为代表的大语言模型展现了惊人的语义理解能力。实
【大模型理论篇】R1-Searcher:通过强化学习激励llm的搜索能⼒
源泉的小广场
03-18 982
强化学习、强化推理、强化rag、强化搜索推理、rag、r1-searcher、大模型搜索能力、强化学习、r1、强化学习++、grpo
Search-R1 、 R1-Searcher 和 Search-O1
galileo2016的博客
03-14 713
Search-R1 、 R1-Searcher 和 Search-O1
【开源+代码解读】Search-R1：基于强化学习的检索增强大语言模型框架3小时即可打造个人AI-search
aqfcca的博客
03-15 1682
（字数太多了，写下去怕我和读者都不好了，想要后面的可以订阅专栏后再私信我） 在当代自然语言处理领域，大语言模型（Large Language Models, LLMs）虽然在文本生成和理解任务中展现出卓越能力，但仍面临两个关键挑战：Search-R1创新性地将强化学习（Reinforcement Learning）与检索增强（Retrieval-Augmented Generation）相结合，构建了动态自适应的信息处理框架。通过设计奖励机制引导模型学习最优检索策略，在保
LLM-Search: 革新本地文档检索的高级RAG系统
2401_87458778的博客
10-15 745
LLM-Search是一个开源项目,旨在提供一个便捷、强大的问答系统,能够与多个本地文档集合进行交互。它的核心目标是在基础RAG系统的基础上,通过一系列创新功能来提升文档检索和问答的质量。该项目由GitHub用户snexus开发,目前已获得458颗星和57次fork,显示出其在开发者社区中的受欢迎程度。LLM-Search代表了RAG系统的一个重要进步,它将先进的NLP技术与灵活的文档管理相结合,为用户提供了一个强大的本地文档问答解决方案。
DeepSeek-R1复现方案梳理
yanqianglifei的专栏
02-12 1335
在 100 步时，解方程的成功率约为 25%，并且模型开始用文字进行 “推理”;近日，来自UC伯克利的研究团队基于Deepseek-R1-Distilled-Qwen-1.5B，通过简单的强化学习（RL）微调，得到了全新的DeepScaleR-1.5B-Preview。由huggingface组建，目前刚上线2周，发布了最新进展open-r1/update-1，在MATH-500任务上接近deepseek的指标，可以在open-r1/open-r1-eval-leaderboard查看指标的排行榜。
DeepSearch 与 DeepResearch 的设计和实现
Jina AI 的博客
02-26 1669
这才 2 月份，深度搜索（Deep Search）就已经隐隐成为 2025 年的新搜索标准了。像谷歌和 OpenAI 这样的巨头，纷纷亮出自己的“Deep Research”产品，努力抢占这波技术浪潮的先机。（我们也很自豪，在同一天也发布了开源的node-deepresearch）。Perplexity 紧随其后，也推出了他们的 Deep Research。而马斯克的 X AI 则更进一步，直接把...
超越RAG！R1-Searcher融合搜推，借强化学习破LLMs推理局限！
最新发布
强化学习曾小健
04-01 800
大型推理模型（LRMs），例如OpenAI-o1、DeepSeek-R1和Kimi-k1.5，已经展示了强化学习（RL）在增强大型语言模型（LLMs）推理能力方面的显著影响。然而，由于这些模型主要依赖内部知识，它们在处理开放式任务时可能会遇到困难，尤其是在涉及知识密集型问题、本地数据库中的私有信息以及时效性问题时。这种依赖可能导致不准确性和幻觉现象。因此，使LLMs在推理过程中能够访问外部信息以实现更审慎的推理是至关重要的。
Search-o1：赋予推理模型主动搜索的能力
2401_84204207的博客
01-11 1264
本文提出的Search-o1框架通过集成自主检索增强生成机制和文档内推理模块，成功解决了大型推理模型在长时间推理过程中面临的知识不足问题。Search-o1能够在推理过程中动态检索和精炼外部知识，提升了推理的准确性和连贯性。大量实验结果表明，Search-o1在科学、数学、编程等复杂推理任务以及多个开放领域问答基准上均优于现有的检索增强和直接推理方法，部分领域的表现甚至超过了人类专家。
Deep Research技术盘点！比RAG更高级的LLM应用范式
m0_56255097的博客
02-24 1036
OpenAI的Deep Research工具横空出世后，各大厂商都推出了自研的Deep Research工具。所谓Deep Research，是和普通搜索比较的，简单的RAG检索生成一般只有一轮检索。然而Deep Research可以像人类一样，根据一个主题不断的检索，分析，再检索，再分析，直到达到研究目的。从这这个角度上讲，它本质上就是一个升级版的RAG应用，利用ReAct/Plan And Solve等模式构建的垂域 Agent，具备文章分解规划生成、资讯获取分析的能力。
大模型日报｜8 篇必读的大模型论文
AMiner2006的博客
03-14 600
大模型日报｜8 篇必读的大模型论文
推理模型专题 | Search-o1技术解读-智能RAG助力O1推理模型突破知识盲区
ljp1919的专栏
01-19 959
Search-o1旨在解决大型推理模型(LRMs)在推理过程中常遇到的知识不足问题。该框架通过集成agentic检索增强生成(RAG)机制和文档推理模块，使模型能够在需要时动态检索外部知识，并将其无缝整合到推理过程中。实验表明，Search-o1在科学、数学和编码等复杂推理任务以及开放域问答基准上都取得了显著的性能提升。Q1:这篇文章想要解决什么问题？A1:论文主要解决大型推理模型(LRMs)在进行复杂推理时面临的知识不足问题。
深度研究新范式：通过Ollama和DeepSeek R1实现自动化研究
qq_42161009的博客
01-28 2306
互联网的发展极大地拓宽了人类的知识边界，但也引发了信息过载的问题。学者们不得不花费大量时间来过滤无关信息，以找到真正有价值的研究材料。Ollama Deep Researcher正是为了应对这一挑战而生，它结合了自然语言处理(NLP)技术与强化学习(RL)，能够帮助用户快速定位关键信息，并进行深度分析。
阿里云 OpenSearch 重磅推出 LLM 问答式搜索产品，助力企业高效构建对话式搜索服务
数据库技术
06-07 2751
OpenSearch推出LLM智能问答版，面向行业搜索场景，提供企业专属问答搜索服务，基于内置的LLM大模型提供问答能力，一站式快速搭建问答搜索系统。
Grok 3 大模型与 DeepSearch 的深度解析
civiljiao的博客
03-08 2228
Grok 3是一款先进的大语言模型，旨在提供智能对话和复杂问题解决能力。而DeepSearch则是其一大亮点功能，它不仅能实时搜索互联网和 X 平台的数据，还能整合多源信息并生成结构化报告。想象它是一个超级聪明的助手，既能帮你找资料，还能替你分析和整理——这一切都发生在几秒到几分钟之内！
DeepSeek-R1 deepseek LLM
01-30
### DeepSeek-R1 大型语言模型文档与使用指南 DeepSeek-R1 是一种先进的大型语言模型，专为处理复杂自然语言理解和生成任务而设计。该模型基于深度学习架构，在大规模语料库上进行了预训练。 #### 安装环境配置 为了顺利运行 DeepSeek-R1 LLM，建议按照如下方式进行开发环境搭建： - Python 版本需高于 3.8； - 推荐安装 Anaconda 或 Miniconda 来管理依赖包； - 使用 pip 工具来安装必要的 Python 库； ```bash pip install deepseek-r1 ``` 此命令将会自动下载并安装 DeepSeek-R1 及其所需的所有依赖项[^2]。 #### 基础 API 调用方法 通过简单的几行代码即可调用 DeepSeek-R1 的核心功能： ```python from deepseek_r1 import DeepSeekR1Model model = DeepSeekR1Model() response = model.generate(text="你好世界") print(response) ``` 上述脚本展示了如何加载模型实例以及执行文本生成操作。`generate()` 函数接受字符串输入参数 `text` ，返回由模型预测得到的结果字符串[^3]。 #### 高级特性支持 除了基本的文字交互外，DeepSeek-R1 还提供了多种高级特性和接口供开发者探索： - 支持多轮对话上下文记忆； - 提供细粒度的参数调整选项以优化性能表现； - 实现了对不同领域专业知识的有效融合； 这些能力使得 DeepSeek-R1 成为解决实际应用场景的理想选择[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

山顶夕景

小哥哥给我买个零食可好

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值