教你本地复现Deep Research:DeepSeek R1+ LangChain+Milvus

清华大学出品DeepSeek第四版:DeepSeek + DeepResearch 让科研像聊天一样简单(附下载链接) DeepSeek + DeepResearch 让科研像聊天一样简单(附下载链接) 阅读详情
AI摘要

本文介绍了如何通过DeepSeek R1、LangChain和Milvus本地部署一个类似Deep Research的系统。首先分析了Deep Research的优势和局限性,然后详细阐述了本地部署方案的步骤和结果展示,并对大模型+向量数据库的未来应用前景进行了展望。文章还提供了学习大模型技术的路线图和实战案例,帮助读者系统掌握大模型技术。

不久前,OpenAI 新推出了一项名叫 Deep Research(深度研究) 的功能,迅速风靡全球。

我们可以将其理解为大模型+超级搜索+研究助理的三合一。在这项功能里,用户输入查询问题后,只需要选择 Deep Research 选项,OpenAI o3 就能自动查找分析数百优质在线资源,并对其进行综合整理并加工,为用户生成一份具备专业分析师水准的综合报告。不仅内容生成更加详实,而且也更加精确可靠,足以替代普通人几小时甚至几十天的工作量。

01

Deep Research 因何风靡?

与普通搜索引擎相比,Deep Research优势一在于更专业,降低搜寻与内容评估成本。

它可以同时链接互联网、企业知识库、数据库等多种信息来源,并对其进行内容质量评估,优先展示那些相对高质量、高可靠性的内容,极大降低后续内容筛选付出的时间与精力。在这背后,Deep Research 可能在专有数据上进行了训练,并使用了端到端的强化学习等多种微调方法。

优势二则在于更精准的理解与生成内容的能力。

传统搜索主要依赖关键词匹配进行检索,无法理解用户查询以及召回内容的语义。Deep Research可以精准理解用户提问之外,并精准理解查询的网页内容,并帮助用户对要点、亮点进行提炼。在这背后,主要是由于Deep Research 迭代了基础模型,即基于即将发布的 OpenAI o3 推理模型,可以基于推理来搜索、解释和分析大量文本。

优势三则是更加的专业,结果一步到位。

基于规划、反思和记忆,Deep Research能执行多步骤任务,且会根据实时信息调整已有输出,生成结果结构清晰,省去了用户做drity work的时间。此外, Deep Research不仅能生成回答,还会根据我们自定义的输出格式、风格以及结构,生成专业报告。比如,其官方给出的案例中,通过Deep Research功能,OpenAI o3 可以自动查询过去十年GDP排名前十的发达国家以及发展中国家不同手机系统的普及率,并将其完整呈现在一张表格之中。

相应的, Deep Research在完成一些金融、科学、工程复杂任务过程中,具备绝对优势,不过,内容生成时间也会更久(大约数十分钟)。

02

为什么Deep Research 不是针对中国用户及企业的最优解?

Deep Research很好,但美中不足的是,OpenAI 不向中国大陆提供服务之外,Deep Research目前仅向订阅了 OpenAI 每月 200 美元 ChatGPT Pro 计划的用户提供,成本不低。

更重要的是,Deep Research 要想降低幻觉,依旧依赖本地知识库,然而对于大部分企业级用户来说,数据安全是条红线。

那么要如何解这个问题?本地部署是最佳解决方案。

对于国内用户,我们比较推荐DeepSeek R1 + LangChain+Milvus这个方案替代 Deep Research。

这个方案的优势有三:

1、相比OpenAI ,DeepSeek R1在使用 成本上更低, 与此同时,DeepSeek R1在中文任务上的表现更加符合国内用户的需求。

2、更高的灵活性,更低的门槛, 这是一个松耦合的结构设计,我们可以根据需求轻松切换不同的大语言模型等底层配置。

3、更安全,通过本地部署支持亿级数据的高性能检索的Milvus,提升效率的同时,避免了企业隐私数据泄露的问题。

03

DeepSeek R1 + LangChain+Milvus部署方案

备注:为了降低部署难度,本篇文章仅做思路展示,并采用一些相对低门槛的“低配版”选型,比如:

  • 开源的DeepSeek R1,我们会使用经过蒸馏并量化为 4 bit的版本,以方便我们在本地运行。
  • 为方便展示,我们不再对推理模型进行额外微调,Agent 也不会回溯或调整方向。
  • 囿于本地资源,查询范围,我们框定在 Wikipedia 页面,只执行单独的 RAG 查询(暂时不对全网数据进行搜寻)。
  • 查找范围上,本篇只限定文本数据,不将图像、PDF 等数据纳入考量。

如果您对详细过程或部署质量有更高要求,欢迎关注我们后续的系列解读文章,并扫描文末二维码交流。

以下是详细的部署思路与流程:

第一步:定义/优化问题

首先,我们需要基于用户给出的问题,让推理模型对其进行优化,从而让问题表达得更具体、清晰。

也就是说,我们的第一步是重写提示并将其分拆成若干子查询或子问题,这一方面,可以发挥我们基础模型Deepseek R1在推理方面的专长,将其拆解为简单的 JSON 结构化输出。

以下是 DeepSeek 优化问题“演员阵容如何随时间变化?”的推理过程:

<think>
Alright, so I need to break down the question "How has the cast changed over time?" related to the evolution of The Simpsons. Let me think about what aspects are involved here.

First, I know that the cast has changed a lot, but I need to figure out the intermediate questions to approach this. The main question is about changes in the cast over time, so I should consider different areas that contribute to this change.

I guess the first sub-question would be about the original cast members. Who were the main voices and how did they evolve? Then, there might be new cast additions over the years, so another sub-question about that.

Also, some original voice actors have left, so I should include a sub-question about departures. Then, new voice actors joining would be another point.

The show has been popular for a long time, so recurring roles changing might be another aspect. Additionally, the role of the show in society might have influenced casting choices, so a sub-question about that.

Lastly, the overall impact on the cast's careers could be another angle. So, I should list these as sub-questions to cover all aspects.
</think>

第二步 搜索

接下来,我们对 Wikipedia 文章进行“文献综述”,将搜索到的文章进行解析,并将数据存储到向量数据库 Milvus 中(目前,我们只阅读一篇文章,因为如果每个链接都调用推理模型,本地的推理成本会非常高)。

以下是如何使用 Milvus 的 LangChain 集成,将 Wikipedia 页面存储到 Milvus 中的代码示例:

wiki_wiki = wikipediaapi.Wikipedia(user_agent='MilvusDeepResearchBot (<insert your email>)', language='en')
page_py = wiki_wiki.page(page_title)

text_splitter = RecursiveCharacterTextSplitter(chunk_size=2000, chunk_overlap=200)
docs = text_splitter.create_documents([page_py.text])

vectorstore = Milvus.from_documents(  # or Zilliz.from_documents
    documents=docs,    
    embedding=embeddings,    
    connection_args={     
        "uri": "./milvus_demo.db",    
    },    
    drop_old=True,     
    index_params={    
        "metric_type": "COSINE",        
        "index_type": "FLAT",          
        "params": {},    
    },
)

第三步 分析

基于搜索结果,Agent 会对相关信息进行加工,并产生问题分析过程(多步骤分析/反思工作流程,以及信息来源可信度与权重判定,我们会在后续的系列文章中,进行详细展示)

以下是如何使用 LangChain 构建RAG,并回答问题的代码示例:

# Define the RAG chain for response generation
rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}    
    | prompt    
    | llm    
    | StrOutputParser()
)

# Prompt the RAG for each question
answers = {}
total = len(leaves(breakdown))

pbar = tqdm(total=total)
for k, v in breakdown.items():
    if v == []:   
        print(k)        
        answers[k] = rag_chain.invoke(k).split('</think>')[-1].strip()        
        pbar.update(1)    
    else:   
        for q in v:            
            print(q)            
            answers[q] = rag_chain.invoke(q).split('</think>')[-1].strip()            
            pbar.update(1)

第四步 生成

Agent 完成研究后会输出一个报告,并在报告中对研究结果进行总结,比如创建一个结构化的大纲。随后,它会完善每个部分,添加上章节标题和相应内容。(如果需要反思、重排和改写这些更复杂工作,我们则需要构建额外的规划、使用工具和记忆模块。)

完整代码请见文末随附的 notebook,示例输出可查看保存的报告文件。

04

结果展示

我们用于测试的查询是 “《辛普森一家》随时间发生了怎样的变化?”,数据源是 Wikipedia 上关于《辛普森一家》的文章。以下是生成报告的其中一个章节:

图片

05

总结:从给出回答,到给出完整报告,大模型+向量数据库前景无限

短短数小时,我们设计出了一个基础的 Agent ,它能够进行推理、规划,并从 wikipedia 检索信息,最后生成结构化的研究报告。

尽管这个 demo 只是 Deep Research 的丐版,但其中 Milvus、DeepSeek 和 LangChain 等开源工具的选型思路,以及过程中的部署思路,依旧是每位想要复现Deep Research 的朋友的入门第一课。

此外,本篇文章,我们主要采用了市面上使用最多的多个开源产品,这相比闭源头的OpenAI,给了我们更多的灵活性和对部署成果的掌控力,此外,本地部署,也让我们企业数据的安全性多了更多保证,非常适合那些希望将此用于学术研究、内容生成等方向的用户来说。

如果对升级版复现方案感兴趣,欢迎移步github抢先尝鲜:https://github.com/zilliztech/deep-searcher

如对具体实现细节有更多的意见或建议,请关注Zilliz公众号,或者扫描文末二维码互动交流。

接下来的系列文章中,我们还将展示以下细节过程:

  • 内容源突破 Wikipedia 的局限,动态搜索多个信息源;

  • 引入回溯和反思机制,优化回复内容;

  • 根据 Agent 自身的推理,优化执行流程。

  • 对比deepseek与open AI方案部署效果的区别

  • Graph RAG与simple RAG的效果对比

DeepSeek无疑是2025开年AI圈的一匹黑马,在一众AI大模型中,DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破,各大科技巨头都火速出手,争先抢占DeepSeek大模型的流量风口。

DeepSeek的爆火,远不止于此。它是一场属于每个人的科技革命,一次打破界限的机会,一次让普通人也能逆袭契机。

DeepSeek的优点

read-normal-img

掌握DeepSeek对于转行大模型领域的人来说是一个很大的优势,目前懂得大模型技术方面的人才很稀缺,而DeepSeek就是一个突破口。现在越来越多的人才都想往大模型方向转行,对于想要转行创业,提升自我的人来说是一个不可多得的机会。

那么应该如何学习大模型

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。

大模型岗位需求越来越大,但是相关岗位人才难求,薪资持续走高,AI运营薪资平均值约18457元,AI工程师薪资平均值约37336元,大模型算法薪资平均值约39607元。

read-normal-img

掌握大模型技术你还能拥有更多可能性:

• 成为一名全栈大模型工程师,包括Prompt,LangChain,LoRA等技术开发、运营、产品等方向全栈工程;

• 能够拥有模型二次训练和微调能力,带领大家完成智能对话、文生图等热门应用;

• 薪资上浮10%-20%,覆盖更多高薪岗位,这是一个高需求、高待遇的热门方向和领域;

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术,也想通过这项技能真正达到升职加薪,就业或是副业的目的,但是不知道该如何开始学习,因为网上的资料太多太杂乱了,如果不能系统的学习就相当于是白学。为了让大家少走弯路,少碰壁,这里我直接把都打包整理好,希望能够真正帮助到大家。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】在这里插入图片描述

👉AI大模型学习路线汇总👈

大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)

read-normal-img

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

read-normal-img

👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

read-normal-img

read-normal-img

👉学会后的收获:👈

• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

read-normal-img

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】在这里插入图片描述

立省200美元!OpenAI Deep Research的4个免费开源平替! 阅读详情

相关推荐

langchain 认识embeddings (用于生成向量) 及阿里云deepseek如何embedding

是 OpenAI 最新的嵌入模型,生成高维度的文本向量。以下例子把文本转成1536个维度的向量。

bigcarp的专栏 1572

深入理解AI检索增强:RAG、DeepResearch 和 DeepSearch 的核心差异

近年来,随着生成式AI的兴起,出现了一系列提升信息检索和内容生成效果的新技术和工具。其中,**DeepResearch(深度研究)、Deep Search(深度搜索)和RAG(检索增强生成)**是三个经常被提及的概念。它们都旨在改进AI对信息的处理能力,但各自的侧重点和实现方式有所不同。本文将深入解析这三者的定义、技术原理、典型应用场景,并比较它们的异同,帮助读者更好地区分和理解这三个概念。

2401_85373691的博客 2614

OKCC呼叫中心部署实战指南:从零搭建高效外呼系统

本文提供OKCC呼叫中心系统的完整部署实战指南,从服务器选型、操作系统准备到详细安装步骤和性能优化,帮助企业从零搭建高效外呼系统。重点介绍FreeSWITCH核心组件的安装配置技巧,以及常见问题排查方法,助力企业提升客户服务效率。

weixin_29275257的博客 164

DeepSearcher 开源:告别传统 RAG,私有数据+DeepSeek,打造本地版 Deep Research

大家好,我是玄姐。正文开始之前,先给我自己打个广告,DeepSeek 爆火国之荣耀,为了回馈粉丝们的支持,原价199元的《基于 DeepSeek 打造的 AI Agent 智能体项目实战直播训练营》,直接降价到19元,今天再开放一天报名特权,仅限99名。回到正题。这个春节,DeepSeek 实在太火爆了。近期,Open AI 推出的 Deep Research(深度研究)功能引发了广泛关注。该功...

musicml的博客 2304

AR Tag 与 ROS:从基础部署到机器人视觉定位实战

本文详细介绍了AR Tag技术在ROS环境下的部署与应用,涵盖从基础原理到机器人视觉定位的实战技巧。通过分析AR Tag的特征提取、位姿解算等核心技术,结合ROS工具包`ar_track_alvar`的配置优化,帮助开发者实现高精度的视觉定位系统。文章还分享了深度相机配置、坐标转换及性能优化等实用经验,适用于仓储机器人、物流分拣等场景。

weixin_33146151的博客 182

【无人机编队】基于matlab虚拟leader无人机编队仿真【含Matlab源码 3279期】

虚拟leader无人机编队仿真 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 837

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。

ai_tech_talk的博客 1914

【教程4>第2章>第19节】 GMSK解调系统的FPGA开发与matlab对比验证

MSK(Minimum Shift Keying,最小频移键控)和GMSK(Gaussian Minimum Shift Keying,高斯最小频移键控)都是数字调制技术,主要用于无线通信系统中将数字信号转换为模拟信号进行传输。它们都是连续相位移键控(Continuous Phase Shift Keying, CPK)的一种形式,意味着相邻码元之间没有相位跳变的突变,而是连续过渡,这有助于减少信号带宽和降低邻道干扰。GMSK的解调过程与MSK类似,我们这里还是采用和MSK解调一样的1bit解调方法。

FPGA/MATLAB学习教程/源码/项目合作开发 1222

通义DeepResearch:30B模型实现专业级研究助手,零成本本地部署指南!

通义DeepResearch是阿里开源的深度研究智能体项目,基于30B MoE架构模型,性能超越多数同类产品。本文详细展示了如何基于该项目构建本地化端到端研究助手,包括模型部署、ReAct Agent实现、A2A服务器搭建等完整流程,让开发者能以极低成本部署专业级研究智能体。

2401_84494441的博客 1778

【超详细】MIT 液态神经网络(LNNs)——深度学习新动向

输入可以是任何形式的时间序列数据,其中表示时间。例如传感器读数、金融市场数据、语音信号等。

allein_STR的博客 2614

SAP_PP模块定额工艺路线简介

在 SAP PP(生产计划)模块中,定额工艺路线(Routing) 是生产制造流程中的核心主数据之一,用于定义制造一个产品所需的标准操作步骤。工艺路线详细描述了生产过程中的各个工序、使用的工作中心、标准作业时间、资源分配等信息,是进行生产计划、成本核算、排产控制、车间执行等功能的基础。

我小时候很黑的博客 767

大模型时代的信息处理技术全解析(DeepResearch、Deep Search与RAG)

DeepResearch通常指由人工智能驱动的深度研究助手,能够自主地在网络上进行多步骤的调研,并将搜索到的信息进行分析和综合,最终生成结构完整、内容详实的报告。OpenAI对Deep Research的描述是:“

star_nwe的博客 1286

《AI Coding手册:Claude Code、OpenAI Codex、OpenClaw深度解析与实战指南》

AI编码技术经历了从简单规则匹配到深度神经网络,再到当前智能体(Agent)架构的范式转变。第一阶段:静态代码补全(2010-2018)早期工具如IntelliSense、Emmet基于语法分析和固定模板提供代码提示。这类系统依赖预定义规则,缺乏语义理解能力,仅能处理局部代码片段。第二阶段:统计语言模型(2018-2020)以GPT-2、TabNine为代表,引入基于大规模代码训练的神经语言模型。

AI天才研究院 1037

DeepSeek大模型应用开发-向量库(一文搞懂什么是向量库)

首先,我们得搞清楚什么是向量。其实向量这个词并不复杂,别被数学课上的那些公式吓到了。简单来说,向量是一种可以表示方向和大小的数据结构。它可以是二维、三维,甚至是多维的。比如,我们在地图上定位一个位置,需要经纬度,这就是一个二维向量。而如果你在太空中飞行,那就得加上高度,变成三维向量。然而,在计算机世界中,我们可以创建任意多维度的向量。比如,当你在看一部电影的时候,某个推荐算法可能会把电影的各种特征(如类型、演员、评分等)转换成一个高维向量。这个向量代表了电影的特性,让机器能更好地理解它。

chajinglong的专栏 4782

【无人机基站】基于K-mean算法实现无人机基站部署附matlab代码

【无人机基站】基于K-mean算法实现无人机基站部署附matlab代码

天天酷科研的博客 246

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Deep Research:开启深度研究的智能新时代

在当今信息爆炸的时代,人们面临着海量的信息,无论是专业人士还是普通消费者,都迫切需要一种高效、精准的方式来获取和分析信息。OpenAI 推出的 Deep Research,宛如一颗璀璨的新星,在知识的海洋中为我们导航,开启了深度研究的智能新时代。

炼丹上岸 2072

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Deep Research技术盘点!比RAG更高级的LLM应用范式

OpenAI的Deep Research工具横空出世后,各大厂商都推出了自研的Deep Research工具。所谓Deep Research,是和普通搜索比较的,简单的RAG检索生成一般只有一轮检索。然而Deep Research可以像人类一样,根据一个主题不断的检索,分析,再检索,再分析,直到达到研究目的。从这这个角度上讲,它本质上就是一个升级版的RAG应用,利用ReAct/Plan And Solve等模式构建的垂域 Agent,具备文章分解规划生成、资讯获取分析的能力。

m0_56255097的博客 2285

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

DeepSeek+DeepSearcher+硅基流动,打造私有化部署DeepResearch

目前很多其他云厂商也提供了DeepSeek服务,如阿里云、科大讯飞、腾讯云等,也可以类似的设置,主要就是修改config,因为每个平台其模型名称可能存在差异,另外base url也不一样,可以参照下面示例对应编写。

优快云_224022的博客 2111

Deep Research

智能体(Agent)在人工智能领域中是一个广泛的概念,指的是能够自主运行并执行特定任务或代表用户进行操作的实体。根据其功能和应用场景的不同,智能体可以有很多种类。智能体可以是物理的(如机器人)也可以是软件形式的(如程序或算法)。聊天机器人(Chatbots):如微信中的客服机器人、Facebook Messenger中的自动回复系统等。它们使用自然语言处理技术来与用户交互,提供信息查询、客户服务等功能。

qq_52259870的博客 2525

必读收藏!深度解析DeepResearch、Deep Search和RAG:AI时代信息处理技术的选择与应用

本文深入解析了DeepResearch(深度研究)、Deep Search(深度搜索)和RAG(检索增强生成)三种AI信息处理技术。DeepResearch作为自主代理式应用,能完成复杂研究并生成详尽报告;Deep Search增强传统检索,提供更全面精准的结果;RAG则结合检索与生成,提高回答准确性。文章从技术原理、应用场景和功能侧重三方面对比了三者区别,指出它们分别侧重自主研究、智能检索和知识融合生成,互为补充且共同推动AI信息处理能力的发展。

2401_85325726的博客 1934

官宣,DeepSearcher开源:告别传统RAG,私有数据+Deepseek,打造本地版Deep Research

近日,Open AI的Deep Research(深度研究)功能一经推出,迅速受到诸多关注,通过将大模型+超级搜索+研究助理的三合一,金融机构一键生成报告、科研党一键生成综述成为可能。但囿于企业场景私有化数据的敏感性以及成本问题,如何基于Deep Research做开源的本地化部署,成为不少人关心的问题。在本篇文章里,我们将对市面上复现Deep Research的各类开源项目做一个简单的分析,并。

m0_59164304的博客 2228

【学习】DeepResearch 十年寒窗苦读可能不如Agent几秒思考

DeepResearch 代表了 AI 在知识综合与自主研究领域的重大突破,其开源生态进一步加速了技术普及。

AI人工智能的学习之路 3052
上一篇: Ollama+Nginx+4090打造DeepSeek-R1-32B高可用大模型集群,助力企业拥抱AI时代
下一篇: 如何使用 DeepSeek-R1、LangChain 和 Ollama 构建隐私优先的 RAG
冻感糕人~
博客等级 码龄3年 8926粉丝 2398原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值