跳转到主内容

深度研究 ✨ 最新 ✨

随着人工智能社区最新的“深度研究”趋势，我们很高兴能实现我们自己的开源深度研究功能！隆重推出 GPT Researcher 的深度研究功能——一个先进的递归研究系统，它以前所未有的深度和广度探索主题。

每次深度研究大约需要 5 分钟完成，成本约为 0.4 美元（在“高”推理强度下使用 o3-mini 模型）。

工作原理​

深度研究采用一种有趣的树状探索模式。

  1. 广度：在每一层，它会生成多个搜索查询，以探索您主题的不同方面。
  2. 深度：对于每个分支，它会递归地深入挖掘，跟踪线索并发现关联。
  3. 并发处理：利用 async/await 模式同时运行多个研究路径。
  4. 智能上下文管理：自动聚合和综合所有分支的研究发现。
  5. 进度跟踪：实时更新广度和深度维度的研究进展。

您可以把它想象成部署一个由 AI 研究员组成的团队，每个成员都遵循自己的研究路径，同时协作构建对您主题的全面理解。

流程​

Logo

快速入门​

from gpt_researcher import GPTResearcher
from gpt_researcher.utils.enum import ReportType, Tone
import asyncio

async def main():
    # Initialize researcher with deep research type
    researcher = GPTResearcher(
        query="What are the latest developments in quantum computing?",
        report_type="deep",  # This triggers deep research modd
    )

    # Run research
    research_data = await researcher.conduct_research()

    # Generate report
    report = await researcher.write_report()
    print(report)

if __name__ == "__main__":
    asyncio.run(main())

配置​

深度研究的行为可以通过几个参数进行自定义。

  • deep_research_breadth：每一层的并行研究路径数量（默认值：4）。
  • deep_research_depth：探索的层级深度（默认值：2）。
  • deep_research_concurrency：最大并发研究操作数（默认值：4）。
  • total_words：生成报告的总字数（推荐值：2000）。

您可以通过多种方式配置这些参数。

  1. 环境变量:
export DEEP_RESEARCH_BREADTH=4
export DEEP_RESEARCH_DEPTH=2
export DEEP_RESEARCH_CONCURRENCY=4
export TOTAL_WORDS=2500
  1. 配置文件:
deep_research_breadth: 4
deep_research_depth: 2
deep_research_concurrency: 4
total_words: 2500
researcher = GPTResearcher(
    query="your query",
    report_type="deep",
    config_path="path/to/config.yaml"  # Configure deep research parameters here
)

进度跟踪​

on_progress 回调函数提供研究过程的实时洞察。

class ResearchProgress:
    current_depth: int       # Current depth level
    total_depth: int         # Maximum depth to explore
    current_breadth: int     # Current number of parallel paths
    total_breadth: int       # Maximum breadth at each level
    current_query: str       # Currently processing query
    completed_queries: int   # Number of completed queries
    total_queries: int       # Total queries to process

错误处理​

深度研究工作流被设计为具有弹性。

  • 失败的查询会被自动跳过。
  • 即使某些分支失败，研究仍会继续。
  • 进度跟踪有助于识别任何问题。

最佳实践​

  1. 从宽泛开始：从一个笼统的查询开始，让系统探索具体细节。
  2. 监控进度：使用进度回调函数来了解研究流程。
  3. 调整参数：根据您的需求调整广度和深度。
    • 更大广度 = 更广覆盖面
    • 更深深度 = 更深刻洞见
  4. 资源管理：根据您的系统能力考虑并发限制。

局限性​

  • 使用像 o3-mini 这样的推理型 LLM 模型。
  • 深度研究可能比标准研究花费更长时间。
  • 由于多个并发查询，API 使用量和成本会更高。
  • 可能需要更多系统资源用于并行处理。

研究愉快！🎉