项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 8387
使用教程
环境要求
- Python 3.10(README 推荐版本)
- 已安装 git,可克隆 GitHub 仓库
- 已安装 uv(开发模式安装依赖时使用)
- 准备所选 LLM 提供方的 API Key(如 OPENAI_API_KEY)
安装与启动步骤
-
1克隆仓库
把 deep-searcher 源码拉到本地并进入项目目录,需已安装 git。
git clone https://github.com/zilliztech/deep-searcher.git && cd deep-searcher -
2创建虚拟环境
使用 pip 方式安装时,先用 Python 3.10 创建并激活虚拟环境。
python -m venv .venv source .venv/bin/activate -
3uv 安装依赖
开发模式推荐:安装 uv 后同步项目依赖,再激活生成的 .venv。
uv sync source .venv/bin/activate -
4设置 API Key
按所选模型把密钥写入环境变量,demo 默认识别 OPENAI_API_KEY。
export OPENAI_API_KEY=sk-xxxxxxxx -
5编写配置脚本
指定 llm 与 embedding 提供方及模型名,再调用 init_config 完成初始化。
from deepsearcher.configuration import Configuration, init_config from deepsearcher.online_query import query config = Configuration() config.set_provider_config("llm", "OpenAI", {"model": "o1-mini"}) config.set_provider_config("embedding", "OpenAIEmbedding", {"model": "text-embedding-ada-002"}) init_config(config=config) -
6安装可选依赖
仅当使用 TogetherAI 或 Gemini 时才需补装对应包,其他提供方跳过此步。
pip install together pip install google-genai
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
OPENAI_API_KEY | 是 | OpenAI 模型的 API Key,通过环境变量提供 | sk-xxxxxxxx |
llm | 是 | LLM 提供方与模型,可选 DeepSeek、OpenAI、Ollama 等 | "OpenAI", {"model": "o1-mini"} |
embedding | 是 | 向量化模型提供方与模型名 | "OpenAIEmbedding", {"model": "text-embedding-ada-002"} |
base_url | 否 | 自定义模型接口地址,用于 OpenRouter 等中转服务 | https://openrouter.ai/api/v1 |
api_key | 否 | 在配置字典中直接指定密钥(对应中转服务变量名) | OPENROUTER_API_KEY |
如何确认成功
运行配置脚本无报错,导入 deepsearcher 与 init_config 成功即表示环境与密钥配置可用。
常见问题
Q:不想用 OpenAI,可以换别的模型吗?
A:可以。README 支持 DeepSeek、Anthropic、XAI、Aliyun、SiliconFlow、PPIO、TogetherAI、Gemini、Ollama 等,切换后需准备对应环境变量,如 DEEPSEEK_API_KEY、DASHSCOPE_API_KEY。
Q:使用 TogetherAI 或 Gemini 时报缺少模块?
A:这两个提供方需要额外依赖,分别执行 pip install together 与 pip install google-genai 后再运行。
Q:如何完全本地运行模型?
A:安装并启动 Ollama(默认接口 http://localhost:11434),执行 ollama pull qwen3 拉取模型,再把 llm 配置为 "Ollama", {"model": "qwen3"}。
Q:用 OpenRouter 上的 Qwen3 怎么配置?
A:把 llm 设为 "OpenAI",参数中写 model 为 qwen/qwen3-235b-a22b:free,并补充 base_url 为 https://openrouter.ai/api/v1 与对应 api_key。
注意事项
- README 推荐 Python 3.10,开发模式优先使用 uv 安装依赖。
- 密钥建议通过环境变量传入,不要硬编码进代码或提交到仓库。
- 切换到非 OpenAI 模型时,务必同时更换 llm 配置与对应的 API Key 环境变量。
核心亮点
- 支持连接多种私有数据源(数据库、文件、网页),数据不出本地
- 采用多轮迭代搜索-推理机制,能深入挖掘信息而非单次查询
- 提供 Python API 和 CLI,易于集成到自动化工作流中
不足之处
- 文档/社区待观察
- 依赖外部LLM API,可能产生额外成本
适用场景
- 企业内网知识库的深度调研和报告生成
- 研究人员对私有文献或实验数据进行系统性分析
- 开发者构建定制化的AI搜索代理或RAG应用
替代项目
OpenDeepResearch、STORM、gpt-researcher
同类项目推荐
rag
开源
用NVIDIA官方蓝图,快速搭出生产级RAG流水线
This NVIDIA RAG blueprint serves as a reference solution for a foundational Retrieva···
perplexed
开源
用开源代码,快速搭建你自己的 AI 搜索问答应用
Open-source Perplexity app.
anythingllm-docs
开源
把私有知识库接入大模型,快速搭建专属 AI 问答助手
Documentation of AnythingLLM by Mintplex Labs Inc.
document-chat-system
开源
上传文档,直接对话提问,AI秒回答案
Open-source document chat platform with semantic search, RAG (Retrieval Augmented Ge···
telegram-search
开源
一键导出Telegram聊天,用AI语义搜索找回任何记忆
导出并模糊搜索 Telegram 聊天记录 | Export and fuzzy search your Telegram chat histor···
alpha_agentic_search
开源
给 RAG 加上分层记忆,多轮问答不再失忆
Alpha Agentic Search — 分层记忆 RAG 检索问答系统
go-rag
开源
用 Go 快速搭建私有知识库问答系统,开箱即用
基于eino+gf+vue实现知识库的rag
awesome-rag
开源
一站式收藏 RAG 精华资源,快速上手检索增强生成
A curated list of retrieval-augmented generation (RAG) in large language models
Awesome-RAG
开源
一站式收藏 RAG 精华资源,快速上手少走弯路
