deep-searcher

在私有数据上,像专业研究员一样深度搜索并生成报告

开源 🏷️完全免费 🔧 仅开源项目,无在线服务,需自行部署 搜索知识 🍴 复刻 815 🐛 待处理 63 👀 关注 61
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 8387
维护状态 维护中
是否开源 开源
定价模式 🏷️完全免费 开源项目,Apache-2.0许可证,可免费使用和自行部署。

项目预览

deep-searcher 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类搜索知识
开发团队zilliztech
定价模式🏷️完全免费
价格说明开源项目,Apache-2.0许可证,可免费使用和自行部署。
访问状态🔧 仅开源项目,无在线服务,需自行部署
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型agent,agentic-rag,claude,deep-research,deepseek,deepseek-r1,grok,grok3,llama4,llm,milvus,openai,qwen3,rag,reasoning-models,vector-database,zilliz
GitHub 星标★ 8387
上线时间2025-02-08 00:00:00
代码更新2026-09-22
仓库体积17.4 MB
本站数据更新2026-11-09
维护状态维护中
收录时间2026-08-09
浏览次数1

项目介绍

deep-searcher 是一个开源的深度研究工具,旨在替代商业深度研究服务,专注于在私有数据上进行推理和搜索。它用 Python 编写,核心解决的是如何让用户像使用 Perplexity 或 ChatGPT 深度研究功能一样,但数据完全掌握在自己手中。它能够连接多种本地或私有数据源(如数据库、文件、网页等),通过多轮迭代的搜索-推理循环,深入挖掘信息并生成结构化的研究报告。其核心能力包括:智能查询分解、多源信息检索、上下文整合与推理、以及最终报告生成。它支持自定义数据源和模型,提供 API 和命令行接口,方便集成到现有工作流中。对于需要处理敏感数据或希望定制搜索逻辑的研究人员、分析师和开发者来说,这是一个灵活且可控的解决方案。

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

难度:入门 约 10 分钟 部署方式:库/依赖 6 步

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. 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. 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
  3. 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. 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. 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. 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

上一篇:reor

下一篇:R2R

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···

★ 819 2026-08-09
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.

★ 148 2026-08-09
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.

★ 430 2026-08-09
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···

★ 149 2026-08-09
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···

★ 4143 2026-08-09
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

★ 474 2026-10-02
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

★ 329 2026-08-09
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

★ 455 2026-08-09