MindSearch

? Papier | Demo

Englisch | 简体中文

7.30._small.mp4

MindSearch: Die Nachahmung des menschlichen Geistes löst einen Deep AI Searcher aus

? Änderungsprotokoll

• 05.11.2024: ? MindSearch wird jetzt auf Puyu bereitgestellt! Versuchen Sie es?
  • Das Agentenmodul wurde basierend auf Lagent v0.5 überarbeitet, um eine bessere Leistung bei Parallelität zu erzielen.
  • Die Benutzeroberfläche wurde verbessert, um die gleichzeitige Suche mit mehreren Abfragen zu ermöglichen.

⚽️ Erstellen Sie Ihre eigene MindSearch

Schritt 1: Installation der Abhängigkeiten

git clone https://github.com/InternLM/MindSearch
cd MindSearch
pip install -r requirements.txt

Schritt 2: Umgebungsvariablen einrichten

Bevor Sie die API einrichten, müssen Sie Umgebungsvariablen konfigurieren. Benennen Sie die Datei .env.example in .env um und geben Sie die erforderlichen Werte ein.

mv .env.example .env
# Open .env and add your keys and model configurations

Schritt 3: Richten Sie die MindSearch-API ein

Richten Sie den FastAPI-Server ein.

python -m mindsearch.app --lang en --model_format internlm_server --search_engine DuckDuckGoSearch --asy 

• --lang : Sprache des Modells, en für Englisch und cn für Chinesisch.

• --model_format : Format des Modells.

  • internlm_server für InternLM2.5-7b-Chat mit lokalem Server. (InternLM2.5-7b-chat wurde besser für Chinesisch optimiert.)
  • gpt4 für GPT4. Wenn Sie andere Modelle verwenden möchten, ändern Sie bitte die Modelle

• --search_engine : Suchmaschine.

  • DuckDuckGoSearch nach einer Suchmaschine für DuckDuckGo.
  • BingSearch für die Bing-Suchmaschine.
  • BraveSearch für die Web-API-Suchmaschine Brave.
  • GoogleSearch für die Websuch-API-Engine Google Serper.
  • TencentSearch für die Tencent-Such-API-Engine.

  Bitte legen Sie den API-Schlüssel Ihrer Websuchmaschine als Umgebungsvariable WEB_SEARCH_API_KEY fest, es sei denn, Sie verwenden DuckDuckGo oder TencentSearch , das eine geheime ID als TENCENT_SEARCH_SECRET_ID und einen geheimen Schlüssel als TENCENT_SEARCH_SECRET_KEY erfordert.

• --asy : Asynchrone Agenten bereitstellen.

Schritt 4: MindSearch-Frontend einrichten

Bereitstellung folgender Frontend-Schnittstellen,

• Reagieren

Konfigurieren Sie zunächst die Backend-URL für den Vite-Proxy.

HOST= " 127.0.0.1 "  # modify as you need
PORT=8002
sed -i -r " s/target:s* "" /target: " ${HOST} : ${PORT} " / " frontend/React/vite.config.ts

 # Install Node.js and npm
# for Ubuntu
sudo apt install nodejs npm

# for windows
# download from https://nodejs.org/zh-cn/download/prebuilt-installer

# Install dependencies

cd frontend/React
npm install
npm start

Details finden Sie in React

• Gradio

python frontend/mindsearch_gradio.py

• Streamlit

streamlit run frontend/mindsearch_streamlit.py

Ändern Sie die Websuche-API

Um eine andere Art von Websuch-API zu verwenden, ändern Sie das Attribut searcher_type im searcher_cfg in mindsearch/agent/__init__.py . Zu den derzeit unterstützten Websuch-APIs gehören:

• GoogleSearch
• DuckDuckGoSearch
• BraveSearch
• BingSearch
• TencentSearch

Um beispielsweise zur Brave Search API zu wechseln, würden Sie diese wie folgt konfigurieren:

 BingBrowser (
    searcher_type = 'BraveSearch' ,
    topk = 2 ,
    api_key = os . environ . get ( 'BRAVE_API_KEY' , 'YOUR BRAVE API' )
)

? Nutzung des Backends ohne Frontend

Für Benutzer, die lieber direkt mit dem Backend interagieren möchten, verwenden Sie das Skript backend_example.py . Dieses Skript zeigt, wie eine Anfrage an das Backend gesendet und die Antwort verarbeitet wird.

python backend_example.py

Stellen Sie sicher, dass Sie die Umgebungsvariablen eingerichtet haben und das Backend ausgeführt wird, bevor Sie das Skript ausführen.

? Lokal debuggen

python -m mindsearch.terminal

Lizenz

Dieses Projekt wird unter der Apache 2.0-Lizenz veröffentlicht.

Zitat

Wenn Sie dieses Projekt für Ihre Forschung nützlich finden, ziehen Sie bitte Folgendes in Betracht:

 @article{chen2024mindsearch,
  title={MindSearch: Mimicking Human Minds Elicits Deep AI Searcher},
  author={Chen, Zehui and Liu, Kuikun and Wang, Qiuchen and Liu, Jiangning and Zhang, Wenwei and Chen, Kai and Zhao, Feng},
  journal={arXiv preprint arXiv:2407.20183},
  year={2024}
}

Unsere Projekte

Entdecken Sie unsere zusätzliche Forschung zu großen Sprachmodellen mit Schwerpunkt auf LLM-Agenten.

• Lagent: Ein leichtes Framework zum Erstellen von LLM-basierten Agenten
• AgentFLAN: Ein innovativer Ansatz für die Erstellung und Schulung mit hochwertigen Agentendatensätzen (ACL 2024-Ergebnisse)
• T-Eval: Ein feinkörniger Benchmark zur Bewertung der Werkzeugnutzung (ACL 2024)