多智能体 AI 搜索引擎

多智能体 AI 搜索引擎 🔍 多智能体 AI 搜索引擎 Modified December 3, 2024 拆分问题（格式可解析成JSON OBJECT） Code block JSON Copy [\n {\ n "query": "Elasticsearch的技术架构特点是什么？", \n "reference1": "Elasticsearch是如何支持分布式存储和搜索的？", \n "reference2": "Elasticsearch的RESTful API是如何工作的？", \n "reference3": "Elasticsearch如何处理PB级数据？"\ n }, \n {\ n "query": "OpenSearch的技术架构有哪些核心组件？", \n "reference1": "OpenSearch与Elasticsearch的技术架构有何异同？", \n "reference2": "OpenSearch的分布式架构是如何实现的？", \n "reference3": "OpenSearch的数据存储和索引管理功能是如何进行的？"\ n }, \n {\ n "query": "Havenask作为阿里巴巴的开源搜索引擎，其架构有哪些特色？", \n "reference1": "Havenask如何支持千亿级别数据的实时检索？", \n "reference2": "Havenask的消息系统Swift是如何处理大规模数据流的？", \n "reference3": "Havenask的索引系统是如何保证高时效性写入和毫秒级查询延迟的？"\ n }, \n {\ n "query": "Perplexica的开源AI搜索引擎架构包含哪些主要部分？", \n "reference1": "Perplexica如何利用大型语言模型提高搜索精度？", \n "reference2": "Perplexica的搜索链和响应生成器是如何工作的？", \n "reference3": "Perplexica与传统的搜索引擎相比，有哪些创新之处？"\ n }\ n ] 第三步，用搜索智能体完成子任务 AI搜索智能体不仅具备联网搜索的能力，还能够自主分析并进行多轮搜索任务。智能体API的调用方式，具体参考文档。 智能体 id：659e54b1b8006379b4b2abd6 简介：连接全网内容，精准搜索，快速分析并总结的智能助手。 请求代码 Code block Python Copy from zhipuai import ZhipuAI api key = "API Key" url = "https://open.bigmodel.cn/api/paas/v4" client = ZhipuAI(api key=api key, base url=url) Step 3 使用AI搜索智能体深度搜索 resp = client.assistant.conversation( assistant id="659e54b1b8006379b4b2abd6", AI搜索智能体 conversation id=None, model="glm 4 assistant", messages=[ { "role": "user", "content": [{ "type": "text", "text": """ 搜索最新的联网信息，详细回答问题：Elasticsearch的技术架构特点是什么？ 同时搜索并回答以下问题：Elasticsearch是如何支持分布式存储和搜索的？Elasticsearch的RESTful API是如何工作的？Elasticsearch如何处理PB级数据？ 按照以下的markdown格式回答： 问题 回答 分析点 """ 来自 Step 2 的子问题 }] } ], stream=True, attachments=None, metadata=None ) 子问题的深度搜索结果 text = "" for chunk in resp: print(chunk) try: if chunk.choices[0].delta.content is not None: text += chunk.choices[0].delta.content except: pass print(text) 子问题搜索结果 Code block JSON Copy Elasticsearch的技术架构特点是什么？ 回答 Elasticsearch（以下简称为ES）是一款基于Lucene的分布式全文搜索引擎。它的技术架构具有以下特点： 分析点 1. 分布式实时文档存储引擎 ：ES是一个分布式的实时文档存储引擎，每个字段都可以被索引与搜索【7†source】【8†source】。 2. 分布式实时分析搜索引擎 ：ES支持各种查询和聚合操作，能够胜任上百个服务节点的扩展，并可以支持PB级别的结构化或者非结构化数据【7†source】【9†source】。 3. 使用倒排索引 ：ES使用倒排索引来加速搜索过程，并支持实时索引和搜索、分布式搜索与聚合等功能【10†source】。 Elasticsearch是如何支持分布式存储和搜索的？ 回答 Elasticsearch通过以下方式支持分布式存储和搜索： 分析点 1. 数据分布式存储 ：在Elasticsearch中，数据是分布式存储的，即数据会被分散到多个节点上。这种分布式存储的方式可以提高数据的可靠性和可扩展性【11†source】。 2. 分片存储 ：Elasticsearch通过将数据分散到多个分片中实现分布式存储。每个分片都独立地存储在集群中的不同节点上，从而提高了数据存储的扩展性和容错性【12†source】。 Elasticsearch的RESTful API是如何工作的？ 回答 Elasticsearch的RESTful API基于HTTP协议，其工作原理如下： 分析点 基于HTTP协议 ：通过各种端点（Endpoints）提供对索引、文档、集群等的操作。通过REST API，可以实现数据的增删改查、聚合分析等操作【13†source】。 ... 第四步，总结子任务生成思维导图 智能体能调用各种插件，除了思维导图以外，还有流程图、PPT工具等，你可以根据工作需要选择。智能体API的调用方式，具体参考文档。 智能体 id：664e0cade018d633146de0d2 简介：告别整理烦恼，任何复杂概念秒变脑图。 请求代码 Code block Python Copy from zhipuai import ZhipuAI api key = "API Key" url = "https://open.bigmodel.cn/api/paas/v4" client = ZhipuAI(api key=api key, base url=url) Step 4 把全部子问题的结果整理成脑图 subtext1,subtext2,subtext3 = "..." 来自 Step 3 的子问题结果 prompt = "把以下输入内容，整理成思维导图：\n'''"+subtext1+"\n''''"+"\n'''"+subtext2+"\n''''"+"\n'''"+subtext3+"\n''''" resp = client.assistant.conversation( assistant id="664e0cade018d633146de0d2", 思维导图智能体 conversation id=None, model="glm 4 assistant", messages=[ { "role": "user", "content": [{ "type": "text", "text": prompt }] } ], stream=True, attachments=None, metadata=None ) 总结并生成思维导图 text = "" for chunk in resp: print(chunk) try: if chunk.choices[0].delta.content is not None: text += chunk.choices[0].delta.content except: pass print(text) 总结并生成脑图 Code block JSON Copy 根据您提供的内容，我将整理并创建一个思维导图，以更清晰地展示Elasticsearch、OpenSearch和Perplexica的技术架构和特点。 Elasticsearch 技术架构特点 分布式实时文档存储 支持各种查询和聚合操作 高可扩展性 面向文档的存储和搜索 基于Apache Lucene 支持PB级别数据 Elasticsearch 分布式存储和搜索 数据分布式存储 提高数据可靠性和可扩展性 文档分配到多个节点 集中存储数据 支持分布式部署和扩展 ... Perplexica 创新之处 本地大型语言模型支持 多种搜索模式 使用SearxNG作为元搜索引擎 支持图像和视频搜索 强调搜索的灵活性和智能化 注重用户隐私保护 现在，我将使用这些信息来生成一个思维导图。这是根据您提供的信息生成的思维导图，展示了Elasticsearch、OpenSearch和Perplexica的技术架构和特点。您可以通过点击下面的图片链接查看和下载思维导图。 进一步优化框架 这个案例中，我们搭建了一个粗糙但能用的 AI 搜索引擎框架，实际业务使用还有进一步优化的空间： • 快速搜索前可以使用较小规模的模型，提取用户意图中的目标和类型，让背景的补充更完善； • 拆解搜索子任务时，也可以进一步采用知识图谱的框架，能够围绕问题展开更深层的搜索； • AI 搜索智能体比较耗时，实际业务使用需要调整成并发任务，否则一个问题可能要几分钟。 参考文档 参考文档 拆分问题（格式可解析成JSON OBJECT） 第三步，用搜索智能体完成子任务 AI搜索智能体不仅具备联网搜索的能力，还能够自主分析并进行多轮搜索任务。智能体API的调用方式，具体参考文档。 参考文档 智能体 id：659e54b1b8006379b4b2abd6 简介：连接全网内容，精准搜索，快速分析并总结的智能助手。 请求代码 子问题搜索结果 第四步，总结子任务生成思维导图 智能体能调用各种插件，除了思维导图以外，还有流程图、PPT工具等，你可以根据工作需要选择。智能体API的调用方式，具体参考文档。 参考文档 智能体 id：664e0cade018d633146de0d2 简介：告别整理烦恼，任何复杂概念秒变脑图。 请求代码 总结并生成脑图 进一步优化框架 这个案例中，我们搭建了一个粗糙但能用的 AI 搜索引擎框架，实际业务使用还有进一步优化的空间： • 快速搜索前可以使用较小规模的模型，提取用户意图中的目标和类型，让背景的补充更完善； • 拆解搜索子任务时，也可以进一步采用知识图谱的框架，能够围绕问题展开更深层的搜索； • AI 搜索智能体比较耗时，实际业务使用需要调整成并发任务，否则一个问题可能要几分钟。 😃 BigModel智谱AI大模型开放平台 BigModel智谱AI大模型开放平台 https://open.bigmodel.cn/ ZHIPU AI OPEN PLATFORM 大模型开放平台 新一代国产自主通用AI开放平台，致力于将产品技术与行业场景双轮驱动的中国先进的认知智能技术和千行百业应用相结合，构建更高精度、高效率、通用化的AI开发新模式，实现智谱大模型的产业化，将AI的好处带给每个人。 场景介绍 当前热门的AI搜索，能够深度搜索并总结内容，并生成思维导图，对于各类调研分析工作非常实用。如果我们也希望在自己的系统中集成类似的能力，可以通过多智能体协作来实现。 方案框架 实际场景中，比如用户需要深度调研开源技术方案，生成报告的同时制作成思维导图。AI搜索方案可以这样设计： 方案详情 第一步，快速搜索补充参考信息 首先需要根据用户的任务<调研市场上主流的开源搜索引擎技术架构 ，使用搜索工具补充更多的信息。这里我们使用工具 API Web Search Pro，具体参考文档。 参考文档 请求代码 搜索结果 第二步，用模型规划和分解子任务 然后我们需要使用大模型来帮助我们规划，把用户问题拆分成若干子搜索任务，并转换为JSON格式。这里我们通过 GLM 4 0520 的模型来分析，参考 API文档。JSON格式处理，我们参考JSON工具。 API文档 JSON工具 请求代码 json"): ```