详解DeepSearcher，可本地部署的深度研究框架

一文读懂 DeepSearcher：架构、原理与应用全解析。

微信搜索关注《AI科技论谈》

近期，OpenAI 的深度研究成果引发 AI 领域广泛关注，不少类似工具相继推出，如 Perplexity Deep Research、Hugging Face 的 Open DeepResearch 等。这些工具虽然架构和方法有差异，但都想通过反复研究网页或内部文档，输出一份详实、有条理的报告。而且，这些工具的底层智能体都能自动思考中间步骤该怎么做。

今天给大家介绍的是 Zilliz 的开源项目 DeepSearcher。DeepSearcher 融入查询路由、条件执行流等创新概念，支持网页爬取，以 Python 库和命令行工具呈现，功能丰富，能处理多源文档，还可配置嵌入模型和向量数据库。尽管它还不够复杂，但在智能体增强检索生成（RAG）技术方面表现亮眼，推动了人工智能应用发展。

推理模型依赖 “推理扩展” 提升输出质量，频繁调用大语言模型导致推理带宽成为瓶颈。我们采用 SambaNova 定制硬件上的 DeepSeek - R1 推理模型，其输出速度比对手快一倍（见图示）。

SambaNova Cloud 为 Llama 3.x、Qwen2.5 和 QwQ 等开源模型提供推理服务，基于 RDU 定制芯片运行，该芯片专为高效推理生成式 AI 模型设计，能降本增效，更多详情可前往官网查看（https://sambanova.ai/technology/sn40l-rdu-ai-chip）。

1 DeepSearcher架构

DeepSearcher 架构将研究流程分为定义/细化问题、研究、分析、综合四步，且步骤间相互重叠，协同增效。下文会逐步介绍每个步骤，并重点说明DeepSearcher的改进之处。

1.1 定义和细化问题：深度挖掘查询核心

以“《辛普森一家》随时间发生了哪些变化？”为例，DeepSearcher会将其拆解为多个子查询：

• 从首播到现在，其文化影响和社会意义是如何演变的？

• 不同季之间，在角色发展、幽默风格和叙事方式上发生了哪些变化？

• 动画风格和制作技术是如何随时间变化的？

• 在播出期间，受众群体、观众反响和收视率发生了哪些变化？

DeepSearcher的特别之处在于，研究和细化问题的界限不固定。初始分解后，研究过程会按需对问题再细化，灵活调整研究方向，精准挖掘信息，为后续工作筑牢根基。

1.2 研究和分析

将查询分解为子查询后，智能体的研究部分就开始了。大致来说，这部分包含四个步骤：路由、搜索、反思和条件重复。

路由

我们的数据库包含来自不同来源的多个表或集合。如果能将语义搜索限制在与当前查询相关的来源上