Мы начинаем с разработки модульной системы глубоких исследований, которая работает непосредственно на Google Colab. В качестве основного механизма рассуждений мы используем Gemini, интегрируем API DuckDuckGo Instant Answer для лёгкого веб-поиска и организуем многоэтапный запрос с дедупликацией и обработкой задержек.
Основные этапы:
1. Настройка системы:
– Определяем класс `ResearchConfig` для управления параметрами, такими как API-ключи, ограничения по источникам и задержки.
– Создаём класс `DeepResearchSystem`, который интегрирует Gemini с поиском DuckDuckGo.
2. Методы для веб-поиска:
– Реализуем методы для веб-поиска, извлечения ключевых точек, анализа источников и генерации отчётов.
3. Многоэтапные исследования:
– Организуем многоэтапные исследования и создаём структурированные инсайты в рамках оптимизированного рабочего процесса.
Пример кода:
“`python
import os
import json
import time
import requests
from typing import List, Dict, Any
from dataclasses import dataclass
import google.generativeai as genai
from urllib.parse import quote_plus
import re
@dataclass
class ResearchConfig:
geminiapikey: str
max_sources: int = 10
maxcontentlength: int = 5000
search_delay: float = 1.0
class DeepResearchSystem:
def init(self, config: ResearchConfig):
self.config = config
genai.configure(apikey=config.geminiapi_key)
self.model = genai.GenerativeModel(‘gemini-1.5-flash’)
# [дополнительные методы]
def conduct_research(self, query: str, depth: str = “standard”) -> Dict[str, Any]:
# [реализация метода]
def setupresearchsystem(api_key: str) -> DeepResearchSystem:
“””Quick setup for Google Colab”””
config = ResearchConfig(
geminiapikey=api_key,
max_sources=15,
maxcontentlength=6000,
search_delay=0.5
)
return DeepResearchSystem(config)
if name == “main“:
API_KEY = “Use Your Own API Key Here”
researcher = setupresearchsystem(API_KEY)
query = “Deep Research Agent Architecture”
results = researcher.conduct_research(query, depth=”standard”)
# [вывод результатов]
“`
Заключение
Мы видим, как весь конвейер последовательно преобразует неструктурированные фрагменты в структурированный, хорошо организованный отчёт. Успешно комбинируя поиск, языковое моделирование и аналитические слои, мы имитируем полный рабочий процесс исследования в Colab. Используя Gemini для извлечения, синтеза и отчётности, а DuckDuckGo — для бесплатного доступа к поиску, мы создаём повторно используемую основу для более продвинутых систем агентских исследований.
1. Какие инструменты и технологии используются для создания многоэтапного агента для глубоких исследований?
Ответ:
Для создания многоэтапного агента для глубоких исследований используются следующие инструменты и технологии: Gemini (основной механизм рассуждений), API DuckDuckGo Instant Answer для лёгкого веб-поиска, Google Colab для работы системы, а также классы `ResearchConfig` и `DeepResearchSystem` для управления параметрами и интеграции Gemini с поиском DuckDuckGo.
2. Какие классы и методы используются для настройки системы глубоких исследований?
Ответ:
Для настройки системы глубоких исследований используются классы `ResearchConfig` и `DeepResearchSystem`. Класс `ResearchConfig` управляет параметрами, такими как API-ключи, ограничения по источникам и задержки. Класс `DeepResearchSystem` интегрирует Gemini с поиском DuckDuckGo и содержит методы для веб-поиска, извлечения ключевых точек, анализа источников и генерации отчётов.
3. Какие параметры можно настроить в классе `ResearchConfig`?
Ответ:
В классе `ResearchConfig` можно настроить следующие параметры:
* `geminiapikey` (API-ключ для Gemini);
* `max_sources` (максимальное количество источников для поиска);
* `maxcontentlength` (максимальная длина контента для извлечения);
* `search_delay` (задержка между запросами к поиску).
4. Какие методы реализованы для веб-поиска в системе глубоких исследований?
Ответ:
В системе глубоких исследований реализованы методы для веб-поиска, извлечения ключевых точек, анализа источников и генерации отчётов. Эти методы позволяют организовать многоэтапные исследования и создать структурированные инсайты в рамках оптимизированного рабочего процесса.
5. Какие преимущества даёт использование Gemini и DuckDuckGo для глубоких исследований?
Ответ:
Использование Gemini и DuckDuckGo для глубоких исследований даёт следующие преимущества:
* Gemini используется для извлечения, синтеза и отчётности, что позволяет имитировать полный рабочий процесс исследования в Colab.
* DuckDuckGo предоставляет бесплатный доступ к поиску, что упрощает интеграцию с системой глубоких исследований.
* Комбинирование поиска, языкового моделирования и аналитических слоёв позволяет создать повторно используемую основу для более продвинутых систем агентских исследований.