Erstellen Sie einen Deep Research Agent: $ 1 Alternative zu 200 US -Dollar Openai's Tool

In diesem Artikel wird beschrieben, dass ein Agent für die Erzeugung von Forschungs- und Berichtsgeneration erstellt wird, eine kostengünstige Alternative zu OpenAs tiefgreifendem Forschung. Die Anleitung bietet eine schrittweise Implementierung mit Langgraph, die eine leistungsstarke, anpassbare Lösung für weniger als einen Dollar bietet.

OpenAIs tiefe Forschung: ein kurzer Überblick

Openais Deep Research, das im Februar 2025 eingeführt wurde, ist eine Agentic -KI -Fähigkeit innerhalb von Chatgpt Pro. Es untersucht komplexe Themen autonom und synthetisiert Informationen aus zahlreichen Online -Quellen, um umfassende Berichte zu erstellen. Obwohl die Verfügbarkeit leistungsfähig ist, ist die Verfügbarkeit auf das 200 -Dollar -Chatgpt -Pro -Abonnement beschränkt.

Agenten -AI -Systemarchitektur für die Erzeugung von Tiefenforschung und Berichterstattung

Dieses Projekt nutzt das Langgraph -Framework von Langchain, um ein staatliches Agentensystem zu erstellen. Die Architektur umfasst mehrere Schlüsselkomponenten:

• Großsprachige Modell (LLM): GPT-4O (oder Open-Source-Alternativen) für Argumentation und Textgenerierung.
• Langgraph: zum Erstellen des Workflows des Agentensystems.
• tavily ai: Eine AI-betriebene Suchmaschine für Webforschung.

Das System folgt einem Planungsmodellmuster des Planungsagenten und automatisiert den Prozess von:

1. Berichtsplanung: Analysieren des Themas und einer Standardberichtsvorlage, um einen Plan zu erstellen, Abschnitte zu definieren (Einführung, Schlüsselabschnitte, Schlussfolgerung).
2. Parallele Ausführung: gleichzeitig Webforschung und Schreibabschnitte durchführen.
3. Formatierung: Sicherstellen Sie die Konsistenz in der Struktur des Berichts.
4. Einführung/Schlussfolgerung Schreiben: Generieren dieser Abschnitte basierend auf dem Hauptkörperinhalt.
5. endgültige Zusammenstellung: kombiniert alle Abschnitte in einen Abschlussbericht.

praktische Implementierung mit Langgraph und tavy

Die Implementierung umfasst mehrere Schritte:

1. Abhängigkeiten installieren: pip install langchain==0.3.14 langchain-openai==0.3.0 langchain-community==0.3.14 langgraph==0.2.64 rich
2. API -Schlüssel -Setup: Eingeben von OpenAI und Tavily -API -Schlüssel sicher.
3. Definieren des Agentenzustandsschemas: Daten für effizientes Workflow -Management strukturieren.
4. Dienstprogrammfunktionen: Funktionen für parallele Websuche und Formatierungsergebnisse erstellen.
5. Standardberichtsvorlage: Bereitstellung einer strukturellen Richtlinie für das LLM.
6. Anweisungsaufforderungen: Erstellen von Eingabeaufforderungen für die Planung von Bericht, Abfragegenerierung und Abschnittsschreiben.
7. Knotenfunktionen: Funktionen für jeden Schritt im Langgraph -Workflow definieren (Berichtsplanung, Abfragegenerierung, Websuche, Abschnittsschreiben, Formatierung, Abschlussberichtskompilierung).
8. Erstellung von Unteragenten: Erstellen eines Unteragents für paralleles Abschnittsgebäude.
9. Dynamische Parallelisierung: Verwenden Sie Langgraphs Send API zur parallelen Ausführung.
10. Erstellen des Hauptagenten: kombiniert alle Komponenten zu einem einzigen, kohäsiven Mittel.
11. Testen Sie den Agenten: Ausführen des Agenten mit einem Beispielthema und Überprüfung des generierten Berichts.

Der Code enthält detaillierte Implementierungen jedes Schritts, einschließlich der Interaktion mit Eingabeaufentwicklung und LLM, und parallelen Verarbeitungstechniken. Der letzte Abschnitt zeigt einen Testlauf, der die Fähigkeit des Agenten zeigt, einen umfassenden Bericht zu erstellen, der auf einem von Benutzer bereitgestellten Thema basiert. Denken Sie daran, Platzhalter -API -Schlüssel durch Ihre eigenen zu ersetzen.

Schlussfolgerung

Dieser Leitfaden zeigt, wie man einen leistungsstarken, anpassbaren und kostengünstigen Agenten für die Erzeugung von Forschung und Berichten erstellt. Das System bietet erhebliche Vorteile gegenüber kommerziellen Alternativen und bietet eine größere Kontrolle und Flexibilität. Während die Umsetzung detailliert ist, sind die zugrunde liegenden Prinzipien leicht an verschiedene Forschungsaufgaben und Berichtsformate anpassbar. Denken Sie daran, Ihre API -Verwendung zu überwachen, insbesondere bei umfangreichen Websuche.

Das obige ist der detaillierte Inhalt vonErstellen Sie einen Deep Research Agent: $ 1 Alternative zu 200 US -Dollar Openai's Tool. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!