DeepSearcher 实战指南：用 LLM + 向量数据库构建私有数据深度研究系统

• 人工智能
• 大模型
• RAG
• AI Agent
• 深度研究
• 知识库

导读

DeepSearcher 是一个开源的"深度研究（Deep Research）"替代方案，它将前沿大语言模型（如 OpenAI o 系列、DeepSeek、Claude 4 Sonnet、Llama 4、QwQ 等）与向量数据库（Milvus、Zilliz Cloud 等）组合起来，在企业私有数据上完成"搜索—评估—推理"的闭环，输出高准确率的答案与综合性报告。本文以仓库首页文档 docs/index.md 为主线，结合 deepsearcher/configuration.py、deepsearcher/config.yaml、deepsearcher/cli.py 等源码，系统讲解它的架构设计、安装方式、Python API 与 CLI 两种使用形态、五大模块（LLM / Embedding / 向量库 / 文件加载器 / 网页爬虫）的完整配置，以及 REST 服务部署方案。读完本文，你将能够在自己的私有数据上从零搭建一套可运行、可配置、可扩展的深度研究问答系统。

DeepSearcher 的整体架构：文档加载与网页抓取 → 文本切分与向量化 → 写入向量数据库 → 查询阶段由 LLM 驱动的 Agent 完成检索、评估与推理，最终生成报告。

一、项目定位：面向私有数据的深度研究引擎

DeepSearcher 的核心定位可以用一句话概括：在保证数据安全的前提下，最大化利用企业内部数据，必要时再融合在线内容，最终给出准确答案与综合报告。它非常适合企业知识管理、智能问答系统和信息检索类场景。

从官方首页文档 docs/index.md 提炼出的五大关键能力如下：

需要强调的是，仓库源码中实际实现的模块远不止首页文档列出的这些。从 deepsearcher/llm、deepsearcher/embedding、deepsearcher/vector_db、deepsearcher/loader 四个目录可以看出，LLM 侧已覆盖 OpenAI、DeepSeek、Anthropic、Gemini、GLM、Ollama、Azure、Bedrock、watsonx、Volcengine、SiliconFlow、PPIO、Novita、JiekouAI、TogetherAI、XAI、Aliyun 等十余家厂商；向量库侧已实现 Milvus、Qdrant、AzureSearch、Oracle；文件加载器包含 PDF、Text、JSON、Unstructured、Docling；网页爬虫包含 FireCrawl、Crawl4AI、Jina、Docling。这些是撰写本文时仓库的真实状态，后文配置部分会逐一给出用法。

二、系统架构与查询工作流：从源码看 Agent 路由

在深入配置之前，先理解 DeepSearcher 的查询引擎是如何组织起来的。入口函数位于 deepsearcher/online_query.py，它的query(original_query, max_iter=3)会调用全局默认搜索器configuration.default_searcher完成一次完整问答，返回(答案字符串, 检索结果列表, 消耗的 token 数)三元组。

全局默认搜索器在 deepsearcher/configuration.py 的init_config()中构建，它并不是单个 RAG 模型，而是一个RAGRouter 路由容器，内部挂载了两个 Agent：

• DeepSearch：适合处理一般性、综合性的查询（例如"给定一个主题写一份报告/综述/文章"），其类描述直接写在源码@describe_class装饰器中；
• ChainOfRAG：以链式推理的方式逐步检索与评估。

RAGRouter（见 deepsearcher/agent/rag_router.py）每次查询时先让 LLM 根据各 Agent 的描述为当前问题选一个最合适的 Agent，再交给该 Agent 执行。同时init_config()还会构建一个轻量的NaiveRAG（见 deepsearcher/agent/naive_rag.py），用于naive_retrieve()/naive_rag_query()这类不追求深度迭代的简单检索。

以 DeepSearch 为例（见 deepsearcher/agent/deep_search.py），它的完整工作流是：

1. 子问题分解：根据原始问题拆分成至多 4 个子问题（SUB_QUERY_PROMPT），简单问题则保留原问题；
2. 向量检索：将各子问题向量化后在向量库中检索相关 chunk（可选先经CollectionRouter路由到合适的 Collection）；
3. 相关性重排：用RERANK_PROMPT让 LLM 逐条判定 chunk 是否对回答问题有帮助，只回答 YES/NO；
4. 反思迭代：用REFLECT_PROMPT判断"是否还需要继续搜索"，若需要则生成至多 3 条新搜索 query，进入下一轮（总轮数受max_iter限制）；若不需要则停止；
5. 总结报告：用SUMMARY_PROMPT基于原始问题、所有子问题与检索到的 chunk，输出一份具体、详尽的答案或报告。

这个"迭代式深度研究"正是 DeepSearcher 区别于普通单轮 RAG 的关键——max_iter控制反思迭代次数，默认 3，这也是查询质量与 token 开销之间的核心调节旋钮。

三、安装：pip 与开发模式（uv）两种方式

官方首页文档提供了两种安装路径。

方式一：pip 安装

建议使用 Python 3.10 创建并激活虚拟环境：

python -m venv .venv source .venv/bin/activate

然后安装主包：

pip install deepsearcher

如果用到可选依赖，可以按需安装，例如使用 Ollama 本地模型时：

pip install "deepsearcher[ollama]"

方式二：源码开发模式（推荐 uv）

官方推荐使用uv进行更快、更可靠的安装。克隆仓库并进入目录后执行：

git clone https://github.com/zilliztech/deep-searcher.git && cd deep-searcher uv sync source .venv/bin/activate

开发环境的详细搭建与可选依赖安装说明，可参考 CONTRIBUTING.md。安装完成后，本仓库的 pyproject.toml 与 uv.lock 中列出的依赖会被一并解析锁定。

四、Python 快速开始：五分钟跑通"加载 → 查询"

运行下面的示例前，请先在环境变量中准备OPENAI_API_KEY；如果更换了配置中的 LLM，请同步准备对应厂商的 API Key。

from deepsearcher.configuration import Configuration, init_config from deepsearcher.online_query import query config = Configuration() # 在这里定制你的配置，更多配置项见下文"配置详解" config.set_provider_config("llm", "OpenAI", {"model": "o1-mini"}) config.set_provider_config("embedding", "OpenAIEmbedding", {"model": "text-embedding-ada-002"}) init_config(config=config) # 加载你的本地数据 from deepsearcher.offline_loading import load_from_local_files load_from_local_files(paths_or_directory=your_local_path) # （可选）从网页加载（需要环境变量 FIRECRAWL_API_KEY） from deepsearcher.offline_loading import load_from_website load_from_website(urls=website_url) # 查询 result = query("Write a report about xxx.") # 你的问题在这里

这段代码背后对应两条流水线：

• 离线加载：load_from_local_files()（见 deepsearcher/offline_loading.py）依次完成"加载文件 → 切分 chunk → 批量向量化 → 写入向量库"。函数还支持collection_name、collection_description、force_new_collection、chunk_size（默认 1500）、chunk_overlap（默认 100）、batch_size（默认 256）等参数；路径可以是单个文件、多个文件或目录。
• 在线查询：query()走的是上文描述的 RAGRouter → DeepSearch / ChainOfRAG 迭代式深度研究流程。

加载环节还有一个值得注意的实现细节：文本切分使用了Sentence Window（句子窗口）策略。在 deepsearcher/loader/splitter.py 中，先用RecursiveCharacterTextSplitter按chunk_size / chunk_overlap切分，再对每个小片段的原文上下文各扩展 300 字符形成wider_text存入 chunk 元数据。查询生成答案时（见 naive_rag.py 的query()），优先使用wider_text而非孤立的 chunk 文本，从而显著提升答案的上下文完整性。

五、配置详解：五类 Provider 全覆盖

DeepSearcher 的一切模块配置都围绕统一 API 展开：

config.set_provider_config("<feature>", "<ProviderName>", {"参数": "值"})

其中<feature>属于五类：llm、embedding、file_loader、web_crawler、vector_db。该 API 在 deepsearcher/configuration.py 的set_provider_config()中实现——它把 provider 名称与参数字典写入内存配置，随后由init_config()通过ModuleFactory（同文件 configuration.py）按名称动态导入对应模块类并实例化。因此只要仓库中存在对应的实现类，即可通过这个 API 直接切换，无需改动任何业务代码。默认值可在 deepsearcher/config.yaml 中查看。

5.1 LLM 配置

"LLMName"可选值包括：DeepSeek、OpenAI、XAI、SiliconFlow、Aliyun、PPIO、TogetherAI、Gemini、Ollama、Novita、JiekouAI，以及仓库中已实现源码的Anthropic、AzureOpenAI、Bedrock、Volcengine、GLM、watsonx。Arguments dict是传给 LLM 类的参数字典（模型名、api_key、base_url 等）。

以下示例均来自官方首页文档，统一整理如下（各厂商 API Key 均通过对应环境变量注入，也可在 config 字典中显式覆盖）：

OpenAI

config.set_provider_config("llm", "OpenAI", {"model": "o1-mini"})

通义千问 Qwen3（阿里云百炼），需要环境变量DASHSCOPE_API_KEY：

config.set_provider_config("llm", "Aliyun", {"model": "qwen-plus-latest"})

Qwen3（OpenRouter 中转）：

config.set_provider_config("llm", "OpenAI", {"model": "qwen/qwen3-235b-a22b:free", "base_url": "https://openrouter.ai/api/v1", "api_key": "OPENROUTER_API_KEY"})

DeepSeek 官方，需要环境变量DEEPSEEK_API_KEY：

config.set_provider_config("llm", "DeepSeek", {"model": "deepseek-reasoner"})

DeepSeek（SiliconFlow 推理服务），需要环境变量SILICONFLOW_API_KEY：

config.set_provider_config("llm", "SiliconFlow", {"model": "deepseek-ai/DeepSeek-R1"})

DeepSeek R1 / Llama 4（TogetherAI），需要环境变量TOGETHER_API_KEY，并先执行pip install together：

config.set_provider_config("llm", "TogetherAI", {"model": "deepseek-ai/DeepSeek-R1"}) config.set_provider_config("llm", "TogetherAI", {"model": "meta-llama/Llama-4-Scout-17B-16E-Instruct"})

XAI Grok，需要环境变量XAI_API_KEY：

config.set_provider_config("llm", "XAI", {"model": "grok-4-0709"})

Anthropic Claude，需要环境变量ANTHROPIC_API_KEY：

config.set_provider_config("llm", "Anthropic", {"model": "claude-sonnet-4-0"})

Google Gemini，需要环境变量GEMINI_API_KEY，并先执行pip install google-genai：

config.set_provider_config('llm', 'Gemini', { 'model': 'gemini-2.0-flash' })

DeepSeek（PPIO），需要环境变量PPIO_API_KEY：

config.set_provider_config("llm", "PPIO", {"model": "deepseek/deepseek-r1-turbo"})

Claude Sonnet 4.5（Jiekou.AI），需要环境变量JIEKOU_API_KEY：

config.set_provider_config("llm", "JiekouAI", {"model": "claude-sonnet-4-5-20250929"})

Ollama（本地）：先安装并启动本地 Ollama，用ollama pull qwen3拉取模型，可用ollama run qwen3直接对话测试；Ollama 默认在http://localhost:11434提供 REST API：

config.set_provider_config("llm", "Ollama", {"model": "qwen3"})

火山引擎（Volcengine），需要环境变量VOLCENGINE_API_KEY：

config.set_provider_config("llm", "Volcengine", {"model": "deepseek-r1-250120"})

GLM，需要环境变量GLM_API_KEY，并先执行pip install zhipuai：

config.set_provider_config("llm", "GLM", {"model": "glm-4-plus"})

Amazon Bedrock，需要环境变量AWS_ACCESS_KEY_ID与AWS_SECRET_ACCESS_KEY，并先执行pip install boto3：

config.set_provider_config("llm", "Bedrock", {"model": "us.deepseek.r1-v1:0"})

IBM watsonx.ai，需要环境变量WATSONX_APIKEY、WATSONX_URL、WATSONX_PROJECT_ID，并先执行pip install ibm-watsonx-ai：

config.set_provider_config("llm", "watsonx", {"model": "us.deepseek.r1-v1:0"})

提示：小模型往往难以严格遵循 prompt 输出规定格式，容易引发"LLM 输出解析失败"问题。官方建议优先使用大参数推理模型（如 deepseek-r1 671b、OpenAI o 系列、Claude 4 sonnet）作为你的 LLM。

5.2 Embedding 配置

"EmbeddingModelName"可选值包括：MilvusEmbedding、OpenAIEmbedding、VoyageEmbedding、SiliconflowEmbedding、PPIOEmbedding、NovitaEmbedding、JiekouAIEmbedding，仓库源码中还实现了BedrockEmbedding、GeminiEmbedding、OllamaEmbedding、VolcengineEmbedding、GLMEmbedding、FastEmbedEmbedding、WatsonXEmbedding、SentenceTransformerEmbedding等（对应文件见 deepsearcher/embedding）。

OpenAI embedding，需要环境变量OPENAI_API_KEY：

config.set_provider_config("embedding", "OpenAIEmbedding", {"model": "text-embedding-3-small"})

OpenAI embedding（Azure 形态）：

config.set_provider_config("embedding", "OpenAIEmbedding", { "model": "text-embedding-ada-002", "azure_endpoint": "https://<youraifoundry>.openai.azure.com/", "api_version": "2023-05-15" })

PyMilvus 内置 embedding 模型：模型名可填"default"、"BAAI/bge-base-en-v1.5"、"BAAI/bge-large-en-v1.5"、"jina-embeddings-v3"等，实现细节见 deepsearcher/embedding/milvus_embedding.py；使用 Jina 模型需要JINAAI_API_KEY，并先执行pip install pymilvus.model：

config.set_provider_config("embedding", "MilvusEmbedding", {"model": "BAAI/bge-base-en-v1.5"}) config.set_provider_config("embedding", "MilvusEmbedding", {"model": "jina-embeddings-v3"})

VoyageAI，需要环境变量VOYAGE_API_KEY，并先执行pip install voyageai：

config.set_provider_config("embedding", "VoyageEmbedding", {"model": "voyage-3"})

Amazon Bedrock embedding，需先执行pip install boto3：

config.set_provider_config("embedding", "BedrockEmbedding", {"model": "amazon.titan-embed-text-v2:0"})

Novita AI embedding，需要环境变量NOVITA_API_KEY：

config.set_provider_config("embedding", "NovitaEmbedding", {"model": "baai/bge-m3"})

SiliconFlow embedding，需要环境变量SILICONFLOW_API_KEY：

config.set_provider_config("embedding", "SiliconflowEmbedding", {"model": "BAAI/bge-m3"})

火山引擎 embedding，需要环境变量VOLCENGINE_API_KEY：

config.set_provider_config("embedding", "VolcengineEmbedding", {"model": "doubao-embedding-text-240515"})

GLM embedding，需要环境变量GLM_API_KEY，并先执行pip install zhipuai：

config.set_provider_config("embedding", "GLMEmbedding", {"model": "embedding-3"})

Google Gemini embedding，需要环境变量GEMINI_API_KEY，并先执行pip install google-genai：

config.set_provider_config("embedding", "GeminiEmbedding", {"model": "text-embedding-004"})

Ollama embedding，需先执行pip install ollama：

config.set_provider_config("embedding", "OllamaEmbedding", {"model": "bge-m3"})

PPIO embedding，需要环境变量PPIO_API_KEY：

config.set_provider_config("embedding", "PPIOEmbedding", {"model": "baai/bge-m3"})

Jiekou.AI embedding，需要环境变量JIEKOU_API_KEY：

config.set_provider_config("embedding", "JiekouAIEmbedding", {"model": "qwen/qwen3-embedding-8b"})

FastEmbed（本地开源 embedding），需先执行pip install fastembed：

config.set_provider_config("embedding", "FastEmbedEmbedding", {"model": "intfloat/multilingual-e5-large"})

IBM watsonx.ai embedding，需要环境变量WATSONX_APIKEY、WATSONX_URL、WATSONX_PROJECT_ID，并先执行pip install ibm-watsonx-ai：

config.set_provider_config("embedding", "WatsonXEmbedding", {"model": "ibm/slate-125m-english-rtrvr-v2"}) config.set_provider_config("embedding", "WatsonXEmbedding", {"model": "sentence-transformers/all-minilm-l6-v2"})

补充说明：embedding 的向量维度（dimension）直接决定向量库 Collection 的建表维度。在默认配置 deepsearcher/config.yaml 中，OpenAIEmbedding 的 dimension 为 1536；切换 embedding 模型后，init_config()会用新维度重新初始化 Collection。

5.3 向量数据库配置

"VectorDBName"官方首页文档给出的可选值以Milvus为主（文档标注"Under development"），但仓库源码中已实际实现Qdrant（deepsearcher/vector_db/qdrant.py）、AzureSearch（deepsearcher/vector_db/azure_search.py）与Oracle（deepsearcher/vector_db/oracle.py）。

Milvus：

config.set_provider_config("vector_db", "Milvus", {"uri": "./milvus.db", "token": ""})

Milvus 的三种部署形态（来自官方文档，并在 deepsearcher/vector_db/milvus.py 的Milvus类构造参数uri、token、user、password、db、hybrid中均有对应实现）：

1. 本地文件模式（最省事）：将uri设为本地文件路径，例如./milvus.db，DeepSearcher 会自动借助 Milvus Lite 把所有数据存储在该文件中；
2. Milvus Server（适合大规模数据）：用 Docker 或 Kubernetes 部署更高效的 Milvus 服务，然后把服务器地址（如http://localhost:19530）作为uri；还可传入 Milvus 支持的其他连接参数，如host、user、password、secure；
3. Zilliz Cloud（全托管 Milvus）：根据 Zilliz Cloud 控制台提供的 Public Endpoint 与 API Key 调整uri和token。

默认配置（deepsearcher/config.yaml）中还包含default_collection: "deepsearcher"与db: "default"，即数据默认落在名为deepsearcher的 Collection 中。

Azure AI Search：

config.set_provider_config("vector_db", "AzureSearch", { "endpoint": "https://<yourazureaisearch>.search.windows.net", "index_name": "<yourindex>", "api_key": "<yourkey>", "vector_field": "" })

5.4 文件加载器配置

"FileLoaderName"可选值：PDFLoader、TextLoader、UnstructuredLoader（官方文档标注 Under development），仓库中还实现了JsonFileLoader与DoclingLoader（见 deepsearcher/loader/file_loader）。

Unstructured支持 API 与本地两种模式：

• API 模式：设置环境变量UNSTRUCTURED_API_KEY与UNSTRUCTURED_API_URL；
• 本地模式：不设置上述环境变量即可走本地处理。

config.set_provider_config("file_loader", "UnstructuredLoader", {})

安装要求：

pip install unstructured-ingest # 安装 ingest 管道 pip install "unstructured[all-docs]" # 支持所有文档格式 pip install "unstructured[pdf]" # 仅 PDF 等特定格式

当前支持的本地文件类型以pdf为主（仍在持续开发中）。

Docling（需要pip install docling，支持格式以 Docling 官方文档为准）：

config.set_provider_config("file_loader", "DoclingLoader", {})

仓库中的 examples/load_and_crawl_using_docling.py 提供了 Docling 加载与爬取的完整可运行示例。

5.5 网页爬虫配置

"WebCrawlerName"可选值：FireCrawlCrawler、Crawl4AICrawler、JinaCrawler（仓库中另有DoclingCrawler）。

FireCrawl，需要环境变量FIRECRAWL_API_KEY：

config.set_provider_config("web_crawler", "FireCrawlCrawler", {})

可运行示例见 examples/load_website_using_firecrawl.py。

Crawl4AI：首次使用需先执行crawl4ai-setup，并pip install crawl4ai；可通过browser_config定制浏览器行为（无头模式、代理、视口等）：

config.set_provider_config("web_crawler", "Crawl4AICrawler", {"browser_config": {"headless": True, "verbose": True}})

Jina Reader，需要环境变量JINA_API_TOKEN或JINAAI_API_KEY：

config.set_provider_config("web_crawler", "JinaCrawler", {})

Docling 爬虫（需要pip install docling）：

config.set_provider_config("web_crawler", "DoclingCrawler", {})

六、Python CLI 模式：不写代码也能加载与查询

CLI 入口实现在 deepsearcher/cli.py，包含load与query两个子命令。

6.1 加载数据

deepsearcher load "your_local_path_or_url" # 加载到指定 Collection deepsearcher load "your_local_path_or_url" --collection_name "your_collection_name" --collection_desc "your_collection_description"

从本地文件加载：

deepsearcher load "/path/to/your/local/file.pdf" # 一次加载多个文件 deepsearcher load "/path/to/your/local/file1.pdf" "/path/to/your/local/file2.md"

从 URL 加载（需要先在环境变量中设置FIRECRAWL_API_KEY）：

deepsearcher load "https://www.wikiwand.com/en/articles/DeepSeek"

load子命令的完整参数（对应 cli.py）：

CLI 内部会按http前缀自动区分 URL 与本地文件：URL 交给load_from_website()，本地文件交给load_from_local_files()。

6.2 查询

deepsearcher query "Write a report about xxx."

query子命令支持--max_iter（默认 3），用于控制反思迭代的最大轮数。查询结束后 CLI 会彩色打印最终答案，并逐条列出检索引用（chunk 文本前 60 字符与来源 reference）。

6.3 帮助信息

deepsearcher --help deepsearcher load --help deepsearcher query --help

注意：早期的--query/--load写法已弃用（cli.py 会打印弃用提示并退出），请使用上面的子命令语法。

七、部署：YAML 配置 + FastAPI 服务

7.1 通过 config.yaml 配置模块

除了 Python API，还可以直接修改 deepsearcher/config.yaml 完成全部模块的默认配置。例如在llm一节中写入你的OPENAI_API_KEY，或在embedding一节切换 embedding 模型。该文件的三段结构分别是：

• provide_settings：llm / embedding / file_loader / web_crawler / vector_db 五类 provider 及其参数字典（文件内已内置 OpenAI、DeepSeek、SiliconFlow、PPIO、JiekouAI、TogetherAI、AzureOpenAI、Ollama、Novita 等多份 LLM 注释示例，以及 MilvusEmbedding、VoyageEmbedding、BedrockEmbedding、GeminiEmbedding、FastEmbedEmbedding 等 embedding 注释示例）；
• query_settings.max_iter：查询反思迭代上限，默认 3；
• load_settings：chunk_size: 1500与chunk_overlap: 100，即加载时的切分粒度。

7.2 启动 FastAPI 服务

主脚本 main.py 会启动一个 FastAPI 服务，默认监听localhost:8000：

python main.py

启动后即可在浏览器打开http://localhost:8000/docs访问 Swagger 交互式 API 文档，点击 "Try it out" 填入参数即可直接调用接口。

从 main.py 的源码可以看到内置的四个端点：

服务端还支持通过--enable-cors开启全来源 CORS（默认关闭）：

python main.py --enable-cors

八、常见问题（FAQ）

Q1：为什么解析 LLM 输出格式会失败 / 如何选择 LLM？

A1：小模型难以严格遵循 prompt 生成期望的响应，通常会导致格式解析问题。更稳妥的做法是使用大参数推理模型（如 deepseek-r1 671b、OpenAI o 系列、Claude 4 sonnet）作为你的 LLM。

Q2：报错OSError: We couldn't connect to 'https://huggingface.co' to load this file ... GPTCache/paraphrase-albert-small-v2 ...怎么办？

A2：这主要源于对 Hugging Face 的访问异常，可能是网络或权限问题，可尝试以下两种方法：

1. 网络问题——设置代理，添加镜像环境变量：

export HF_ENDPOINT=https://hf-mirror.com

2. 权限问题——设置个人 token：

export HUGGING_FACE_HUB_TOKEN=xxxx

Q3：DeepSearcher 无法在 Jupyter notebook 中运行？

A3：安装nest_asyncio，并在 notebook 开头加入如下代码块：

pip install nest_asyncio

import nest_asyncio nest_asyncio.apply()

九、模块支持清单与评估

官方首页文档还整理了一份完整的模块支持清单，结合仓库源码目录可归纳如下：

• Embedding 模型：开源 embedding（Milvus 内置）、OpenAI（OPENAI_API_KEY）、VoyageAI（VOYAGE_API_KEY）、Amazon Bedrock（AWS_ACCESS_KEY_ID/AWS_SECRET_ACCESS_KEY）、FastEmbed、PPIO（PPIO_API_KEY）、Novita AI（NOVITA_API_KEY）、IBM watsonx.ai（WATSONX_APIKEY/WATSONX_URL/WATSONX_PROJECT_ID）、Jiekou.AI（JIEKOU_API_KEY）等，源码见 deepsearcher/embedding；
• LLM：OpenAI、DeepSeek、XAI Grok、Anthropic Claude、SiliconFlow、PPIO、TogetherAI、Google Gemini、Ollama、Novita AI、IBM watsonx.ai、Jiekou.AI、阿里云、火山引擎、GLM、Azure OpenAI 等，源码见 deepsearcher/llm；
• 文档加载器：本地文件（PDF/txt/md loader、Unstructured、Docling），网页爬虫（FireCrawl、Jina Reader、Crawl4AI、Docling），源码见 deepsearcher/loader；
• 向量数据库：Milvus 与 Zilliz Cloud（全托管 Milvus）、Qdrant，源码见 deepsearcher/vector_db。

评估方面，仓库提供了 evaluation 目录：其中 evaluation/evaluate.py 与 evaluation/eval_config.yaml 是评测入口与配置；evaluation/jev_stopping子目录包含针对不同停止策略的完整评测实验（含 100 条样本的run_full100.py运行脚本、replay_results.py结果回放、plot_comparison.py绘图等）；evaluation/plot_results中提供了max_iter与平均 token 用量、错误数、召回率之间的关系图。由此可见，查询轮数（max_iter）与答案质量、token 成本之间的权衡是 DeepSearcher 官方重点评测的维度，这也是我们在实际部署时需要针对自己的数据集调优的关键参数。

十、未来规划

根据官方首页文档，项目后续计划包括：增强网页爬取能力、支持更多向量数据库（如 FAISS 等）、增加更多大模型接入，以及提供 RESTful API 接口（该项已完成，即上文第七节的 FastAPI 服务）。本项目以 Apache-2.0 协议开源（见 LICENSE），欢迎贡献。

小结：DeepSearcher 的价值在于把"深度研究"所需的子问题分解、迭代检索、相关性重排、反思与总结全部交给 LLM 驱动，同时通过统一配置层将 LLM、Embedding、向量库、加载器、爬虫五类模块解耦，使企业可以围绕私有数据快速搭建定制化的深度研究问答系统。无论是用 Python API、CLI 还是 FastAPI 服务，核心都是"先加载与向量化数据，再迭代式深度查询"这两步；调优时优先关注max_iter与 embedding / LLM 的选型即可。

• 人工智能
• 大模型
• RAG
• AI Agent
• 深度研究
• 知识库