MindSearch

? Papier | Démo

Anglais | 简体中文

7h30._small.mp4

MindSearch : imiter l'esprit humain suscite une recherche approfondie par l'IA

? Journal des modifications

• 05/11/2024 : ? MindSearch est désormais déployé sur Puyu ! Essayez-le ?
  • Refactorisation du module agent basé sur Lagent v0.5 pour de meilleures performances en simultanéité.
  • Amélioration de l'interface utilisateur pour intégrer la recherche multi-requêtes simultanée.

⚽️ Créez votre propre MindSearch

Étape 1 : Installation des dépendances

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

Étape 2 : configurer les variables d'environnement

Avant de configurer l'API, vous devez configurer les variables d'environnement. Renommez le fichier .env.example en .env et remplissez les valeurs requises.

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

Étape 3 : Configurer l'API MindSearch

Configurez le serveur FastAPI.

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

• --lang : langue du modèle, en pour l'anglais et cn pour le chinois.

• --model_format : format du modèle.

  • internlm_server pour InternLM2.5-7b-chat avec serveur local. (InternLM2.5-7b-chat a été mieux optimisé pour le chinois.)
  • gpt4 pour GPT4. si vous souhaitez utiliser d'autres modèles, veuillez modifier les modèles

• --search_engine : Moteur de recherche.

  • DuckDuckGoSearch pour le moteur de recherche pour DuckDuckGo.
  • BingSearch pour le moteur de recherche Bing.
  • BraveSearch pour le moteur API Web de recherche Brave.
  • GoogleSearch pour le moteur API de recherche Web Google Serper.
  • TencentSearch pour le moteur API de recherche Tencent.

  Veuillez définir la clé API de votre moteur de recherche Web comme variable d'environnement WEB_SEARCH_API_KEY , sauf si vous utilisez DuckDuckGo ou TencentSearch qui nécessite un identifiant secret comme TENCENT_SEARCH_SECRET_ID et une clé secrète comme TENCENT_SEARCH_SECRET_KEY .

• --asy : déployer des agents asynchrones.

Étape 4 : Configurer l'interface MindSearch

Fournir les interfaces frontend suivantes,

• Réagir

Configurez d’abord l’URL du backend pour le 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

Les détails peuvent être trouvés dans React

• Gradio

python frontend/mindsearch_gradio.py

• Rationalisé

streamlit run frontend/mindsearch_streamlit.py

Modifier l'API de recherche sur le Web

Pour utiliser un autre type d'API de recherche Web, modifiez l'attribut searcher_type dans searcher_cfg situé dans mindsearch/agent/__init__.py . Les API de recherche Web actuellement prises en charge incluent :

• GoogleSearch
• DuckDuckGoSearch
• BraveSearch
• BingSearch
• TencentSearch

Par exemple, pour passer à l'API Brave Search, vous devez la configurer comme suit :

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

? Utiliser le backend sans frontend

Pour les utilisateurs qui préfèrent interagir directement avec le backend, utilisez le script backend_example.py . Ce script montre comment envoyer une requête au backend et traiter la réponse.

python backend_example.py

Assurez-vous d'avoir configuré les variables d'environnement et que le backend est en cours d'exécution avant d'exécuter le script.

? Déboguer localement

python -m mindsearch.terminal

Licence

Ce projet est publié sous la licence Apache 2.0.

Citation

Si vous trouvez ce projet utile dans votre recherche, pensez à citer :

 @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}
}

Nos projets

Explorez nos recherches supplémentaires sur les grands modèles de langage, en vous concentrant sur les agents LLM.

• Lagent : un framework léger pour créer des agents basés sur LLM
• AgentFLAN : une approche innovante pour la construction et la formation avec des ensembles de données d'agents de haute qualité (ACL 2024 Findings)
• T-Eval : un référentiel d'évaluation fine de l'utilisation des outils (ACL 2024)