Deep Search Lighting

Deep Search Lightning

一款面向大模型的轻量级纯网络搜索解决方案，支持多引擎聚合搜索、深度反思和结果评估。在网络搜索与深度研究之间取得平衡，并提供无需框架的实现，方便开发者集成。

✨ 为什么选择 deepsearch_lightning？

网络搜索是大模型的一项常见功能，但传统方案存在一些局限：

• 搜索结果质量和反思效果有限
• 需要强大的模型和付费搜索引擎
• 小模型往往难以适应工具调用模式
• 不同规模的模型对上下文的理解可能不稳定

Deep Search Lighting 提供：

• 无需框架的实现，不受限制
• 使用免费 API，同时保持良好的查询质量
• 可调节深度参数，在速度和结果之间取得平衡
• 反思机制，让模型自行评估
• 支持各种规模的模型，包括小模型

[实验规划]：

• 简化设计，不进行网页解析或文本分块
• 正在考虑添加经过 RL 训练的小型召回模型

✨ 功能

• 多引擎聚合搜索：

  • ✅ Baidu（免费）
  • ✅ DuckDuckGo（免费，但需要 VPN）
  • ✅ Bocha（需要 API 密钥）
  • ✅ Tavily（需要注册密钥）

• 反思策略和可控评估

• 适用于所有大模型的自定义管道

• 兼容 OpenAI 风格的 API

• 纯模型源代码，便于集成

• 内置 MCP 服务支持

📺 演示

🔄 管道

🚀 快速开始

1. 安装

    conda create -n deepsearch_lightning python==3.11
    conda activate deepsearch_lightning
    pip install -r requirements.txt
    # Optional: For langchain support
    pip install -r requirements_langchain.txt

🔧配置

1. 将 .env.examples 重命名为 .env
2. 填写模型信息（目前支持 OpenAI 风格的 API）
3. 默认启用 Baidu 搜索，可根据需要配置其他引擎

🚀 运行

        1. test case
                python test_demo.py
        2. streamlit demo
                streamlit run streamlit_app.py
        3. run mcp server
                python mcp_server.py 
                python langgraph_mcp_client.py

规划

🧪 验证经过 RL 训练的小型召回问答模型
🧪 改进策略
🧪 实现多 Agent 框架

🙌 欢迎提出想法，参与贡献！通过 [Issues] 或 [Pull Requests] 参与项目。

许可证

本仓库采用 Apache-2.0 License 许可。