Deep Search Lighting
2025.04.29
0
Python网页搜索多引擎聚合搜索深度反思结果评估搜索工具
Deep Search Lighting 是一个轻量级的纯网页搜索解决方案，专为大型语言模型设计。它支持多引擎聚合搜索、深度反思和结果评估，在网页搜索和深度研究之间提供平衡的方法。该解决方案无需框架，便于开发者集成。
View on GitHub
Overview
基本能力
产品定位
Deep Search Lighting 是一个轻量级的纯网页搜索解决方案，专为大型语言模型设计，提供多引擎聚合搜索、深度反思和结果评估功能。
核心功能
- 多引擎聚合搜索：支持 Baidu（免费）、DuckDuckGo（免费但需要 VPN）、Bocha（需要 API 密钥）、Tavily（需要注册密钥）。
- 反射策略和可控评估：提供模型自我评估机制。
- 自定义管道：适用于所有 LLM 模型。
- OpenAI 风格 API 兼容性：便于集成。
- 纯模型源代码：易于集成。
- 内置 MCP 服务器支持。
适用场景
- 大型语言模型的网页搜索需求。
- 需要高质量搜索结果和反思机制的应用场景。
- 适用于不同规模的模型，包括小型模型。
工具列表
- Baidu 搜索：免费搜索引擎。
- DuckDuckGo 搜索：免费但需要 VPN。
- Bocha 搜索：需要 API 密钥。
- Tavily 搜索：需要注册密钥。
常见问题解答
- 如何配置搜索引擎？ 在 .env 文件中填写相应的模型信息和搜索引擎配置。
- 如何运行测试？
使用
python test_demo.py运行测试案例。 - 如何启动 MCP 服务器？
使用
python mcp_server.py启动服务器。
使用教程
使用依赖
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
安装教程
- 将 .env.examples 重命名为 .env。
- 填写模型信息（目前支持 OpenAI 风格的 API）。
- 默认启用 Baidu 搜索，根据需要配置其他引擎。
调试方式
# 测试案例
python test_demo.py
# Streamlit 演示
streamlit run streamlit_app.py
# 运行 MCP 服务器
python mcp_server.py
python langgraph_mcp_client.py