MindSearch
v0.1.0
?纸|演示
英语 | 简体中文
git clone https://github.com/InternLM/MindSearch
cd MindSearch
pip install -r requirements.txt
在设置API之前,您需要配置环境变量。将.env.example
文件重命名为.env
并填写所需的值。
mv .env.example .env
# Open .env and add your keys and model configurations
设置 FastAPI 服务器。
python -m mindsearch.app --lang en --model_format internlm_server --search_engine DuckDuckGoSearch --asy
--lang
:模型的语言, en
为英语, cn
为中文。
--model_format
:模型的格式。
internlm_server
用于与本地服务器进行 InternLM2.5-7b-聊天。 (InternLM2.5-7b-chat针对中文进行了更好的优化。)gpt4
为 GPT4。如果您想使用其他型号,请修改型号--search_engine
:搜索引擎。
DuckDuckGoSearch
DuckDuckGo 的搜索引擎。BingSearch
用于必应搜索引擎。BraveSearch
用于 Brave 搜索 Web API 引擎。GoogleSearch
用于 Google Serper 网络搜索 api 引擎。TencentSearch
搜索 腾讯搜索 API 引擎。请将您的网络搜索引擎 API 密钥设置为WEB_SEARCH_API_KEY
环境变量,除非您使用的是DuckDuckGo
,或需要密钥 ID 为TENCENT_SEARCH_SECRET_ID
且密钥为TENCENT_SEARCH_SECRET_KEY
的TencentSearch
。
--asy
:部署异步代理。
提供以下前端接口,
首先配置Vite代理的后端URL。
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
详细信息可以在React中找到
python frontend/mindsearch_gradio.py
streamlit run frontend/mindsearch_streamlit.py
要使用不同类型的 Web 搜索 API,请修改位于mindsearch/agent/__init__.py
的searcher_cfg
中的searcher_type
属性。目前支持的网络搜索 API 包括:
GoogleSearch
DuckDuckGoSearch
BraveSearch
BingSearch
TencentSearch
例如,要更改为 Brave Search API,您可以按如下方式配置它:
BingBrowser (
searcher_type = 'BraveSearch' ,
topk = 2 ,
api_key = os . environ . get ( 'BRAVE_API_KEY' , 'YOUR BRAVE API' )
)
对于喜欢直接与后端交互的用户,请使用backend_example.py
脚本。该脚本演示了如何向后端发送查询并处理响应。
python backend_example.py
在执行脚本之前,请确保您已设置环境变量并且后端正在运行。
python -m mindsearch.terminal
该项目是在 Apache 2.0 许可证下发布的。
如果您发现该项目对您的研究有用,请考虑引用:
@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}
}
探索我们对大型语言模型的其他研究,重点关注 LLM 代理。