Автономный open-source агент для исследований: формулирует вопросы, собирает веб- и локальные источники и пишет отчёты со ссылками, используя любую LLM-платформу.
zilliztech/deep-searcher
Открытый инструмент для глубокого поиска и анализа частных данных с помощью LLM и векторных баз данных.
Open source альтернатива:OpenAI Deep Research
- Звёзды
- 8,349
- Форки
- 839
- Открытые issues
- 59
- Последний коммит
- 28 дней назад
Что это?
DeepSearcher — проект на Python для ответов на вопросы и генерации отчётов по частным данным. Он объединяет большие языковые модели, такие как OpenAI, Qwen, DeepSeek, Claude и Llama, с векторными базами данных, такими как Milvus и Zilliz Cloud. Это позволяет разбивать вопрос на части, искать ответы в ваших документах и формировать сводный результат.
Вы загружаете локальные файлы (PDF, текст, Markdown) или веб-страницы в векторное хранилище, а затем отправляете запросы через Python API, CLI или веб-сервис на FastAPI. Провайдеры LLM и моделей эмбеддингов, загрузчики файлов и веб-краулеры настраиваются через единый интерфейс конфигурации. В проекте перечислено множество облачных и локальных вариантов, включая Ollama для полностью локального запуска.
Проект можно установить с помощью pip или запустить из исходного кода с помощью uv. Он предназначен для управления корпоративными знаниями, создания внутренних систем вопросов и ответов и поиска информации в случаях, когда данные должны оставаться под вашим контролем.
Ключевые возможности
- 01Многоэтапный поиск, оценка и анализ частных документов.
- 02Поддержка векторных баз данных, включая Milvus, Zilliz Cloud и Qdrant.
- 03Поддержка множества провайдеров LLM, таких как OpenAI, DeepSeek, Claude, Gemini и Ollama.
- 04Загрузка локальных файлов PDF, текста и Markdown, а также веб-страниц с помощью краулеров, таких как FireCrawl и Crawl4AI.
- 05Python API, интерфейс командной строки и веб-сервис на FastAPI.
Сценарии использования
- Создание внутреннего помощника для ответов на вопросы по корпоративным документам, которые должны оставаться внутри компании.
- Генерация отчётов в исследовательском стиле на основе подборки PDF-файлов и заметок.
- Поиск по базе знаний с помощью локальной модели через Ollama для полностью автономной работы без подключения к интернету.
- Создание прототипов RAG-пайплайнов со сменными LLM и моделями эмбеддингов.
Быстрый старт
- 1
Создайте и активируйте виртуальное окружение
python -m venv .venv && source .venv/bin/activate - 2
Установите DeepSearcher с помощью pip
pip install deepsearcher - 3
Задайте переменную окружения OPENAI_API_KEY, затем запустите демонстрационный Python-скрипт для быстрого старта из README
Что важно знать
- Требуется ключ API LLM (например, OpenAI) или модель, запущенная локально, например Ollama.
- Требуется векторная база данных, например Milvus или Zilliz Cloud, что усложняет настройку.
- Веб-сканирование документов всё ещё находится в разработке и требует FIRECRAWL_API_KEY.
Темы
Частые вопросы
- Что такое deep-searcher?
- Открытый инструмент для глубокого поиска и анализа частных данных с помощью LLM и векторных баз данных. DeepSearcher — проект на Python для ответов на вопросы и генерации отчётов по частным данным. Он объединяет большие языковые модели, такие как OpenAI, Qwen, DeepSeek, Claude и Llama, с векторными базами данных, такими как Milvus и Zilliz Cloud. Это позволяет разбивать вопрос на части, искать ответы в ваших документах и формировать сводный результат.
- deep-searcher можно использовать бесплатно? Какая у него лицензия?
- deep-searcher распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- deep-searcher всё ещё поддерживается?
- Активно поддерживается. Последний коммит в deep-searcher — 22 сент. 2026 г..
- Для чего можно использовать deep-searcher?
- Создание внутреннего помощника для ответов на вопросы по корпоративным документам, которые должны оставаться внутри компании. Генерация отчётов в исследовательском стиле на основе подборки PDF-файлов и заметок. Поиск по базе знаний с помощью локальной модели через Ollama для полностью автономной работы без подключения к интернету. Создание прототипов RAG-пайплайнов со сменными LLM и моделями эмбеддингов.
- Как установить deep-searcher?
- Создайте и активируйте виртуальное окружение: python -m venv .venv && source .venv/bin/activate Установите DeepSearcher с помощью pip: pip install deepsearcher Задайте переменную окружения OPENAI_API_KEY, затем запустите демонстрационный Python-скрипт для быстрого старта из README
- Где скачать deep-searcher?
- Исходный код и инструкции по установке — на GitHub: https://github.com/zilliztech/deep-searcher
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
FastGPT — платформа с открытым исходным кодом для создания AI-агентов: обработка данных, базы знаний RAG и визуальная оркестрация рабочих процессов для приложений на LLM.
Open-source-среда для суперагента, который координирует субагентов, память и изолированные среды для исследований, разработки и других задач длительностью от минут до часов.
Локальная AI-система памяти: хранит историю диалогов без изменений и находит нужное с помощью семантического поиска; доступна как MCP-сервер и CLI.
Python-фреймворк для создания RAG-приложений, агентов и систем обработки документов, связывающих LLM с вашими данными.
Лёгкий фреймворк и сервер для RAG на основе графа знаний: индексирует документы, выделяя сущности и связи, чтобы LLM могла формировать ответы с дополненной генерацией.