MindSearch

? Papel | Manifestación

Inglés | 简体中文

7.30._pequeño.mp4

MindSearch: la imitación de la mente humana genera un buscador de IA profundo

? Registro de cambios

• 2024/11/05: ? ¡MindSearch ahora está implementado en Puyu! ¿Probarlo?
  • Se refactorizó el módulo del agente basado en Lagent v0.5 para un mejor rendimiento en concurrencia.
  • Se mejoró la interfaz de usuario para incorporar la búsqueda simultánea de múltiples consultas.

⚽️ Crea tu propia búsqueda mental

Paso 1: Instalación de dependencias

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

Paso 2: Configurar variables de entorno

Antes de configurar la API, debe configurar las variables de entorno. Cambie el nombre del archivo .env.example a .env y complete los valores requeridos.

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

Paso 3: Configurar la API MindSearch

Configurar el servidor FastAPI.

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

• --lang : idioma del modelo, en para inglés y cn para chino.

• --model_format : formato del modelo.

  • internlm_server para InternLM2.5-7b-chat con el servidor local. (InternLM2.5-7b-chat se ha optimizado mejor para chino).
  • gpt4 para GPT4. Si desea utilizar otros modelos, modifique los modelos.

• --search_engine : Motor de búsqueda.

  • DuckDuckGoSearch motor de búsqueda para DuckDuckGo.
  • BingSearch para el motor de búsqueda Bing.
  • BraveSearch para el motor de API web de búsqueda Brave.
  • GoogleSearch para el motor API de búsqueda web Google Serper.
  • TencentSearch para el motor API de búsqueda de Tencent.

  Configure la clave API de su motor de búsqueda web como la variable de entorno WEB_SEARCH_API_KEY a menos que esté utilizando DuckDuckGo o TencentSearch que requiere una identificación secreta como TENCENT_SEARCH_SECRET_ID y una clave secreta como TENCENT_SEARCH_SECRET_KEY .

• --asy : implementa agentes asincrónicos.

Paso 4: Configurar la interfaz de MindSearch

Proporcionando las siguientes interfaces frontales,

• Reaccionar

Primero configure la URL de backend para el proxy Vite.

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

Los detalles se pueden encontrar en React.

• Gradio

python frontend/mindsearch_gradio.py

• iluminado

streamlit run frontend/mindsearch_streamlit.py

Cambiar API de búsqueda web

Para utilizar un tipo diferente de API de búsqueda web, modifique el atributo searcher_type en searcher_cfg ubicado en mindsearch/agent/__init__.py . Las API de búsqueda web actualmente admitidas incluyen:

• GoogleSearch
• DuckDuckGoSearch
• BraveSearch
• BingSearch
• TencentSearch

Por ejemplo, para cambiar a Brave Search API, deberá configurarlo de la siguiente manera:

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

? Usando el backend sin frontend

Para los usuarios que prefieren interactuar directamente con el backend, utilice el script backend_example.py . Este script demuestra cómo enviar una consulta al backend y procesar la respuesta.

python backend_example.py

Asegúrese de haber configurado las variables de entorno y que el backend se esté ejecutando antes de ejecutar el script.

? Depurar localmente

python -m mindsearch.terminal

Licencia

Este proyecto se publica bajo la licencia Apache 2.0.

Citación

Si encuentra útil este proyecto en su investigación, considere citar:

 @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}
}

Nuestros Proyectos

Explore nuestra investigación adicional sobre modelos de lenguaje grandes, centrándose en agentes LLM.

• Lagent: un marco ligero para crear agentes basados ​​en LLM
• AgentFLAN: un enfoque innovador para construir y capacitar con conjuntos de datos de agentes de alta calidad (hallazgos de ACL 2024)
• T-Eval: un punto de referencia de evaluación detallada de la utilización de herramientas (ACL 2024)