DeepSearch AI Agent: um assistente de criação de conteúdo de IA que transforma solicitações simples em artigos profissionais

O DeepSearch AI Agent é um assistente avançado de criação de conteúdo de IA. Ele foi desenvolvido usando as tecnologias LangGraph e FastAPI. Essa ferramenta não é como um típico bot de perguntas e respostas. Ela imita o fluxo de trabalho de uma equipe de especialistas e, por meio do ciclo de "pensar-planejar-pesquisar-escrever", pode transformar uma simples solicitação de um usuário em um artigo profissional, um tutorial ou um blog técnico com uma estrutura completa e conteúdo aprofundado. Todo o sistema é separado do front-end e do back-end, o back-end por meio da lógica de processamento FastAPI, o front-end usando React para exibir a interface, os dois por meio da tecnologia de streaming em tempo real para comunicação, o usuário pode ver o processo de geração de artigos em tempo real. O design desse projeto é altamente dimensionável, e é fácil adicionar novos nós funcionais, como a adição de revisão manual ou links de correção automática para obter uma lógica de agente inteligente mais complexa.

Lista de funções

• Planejamento narrativo dinâmicoAntes de colocar a caneta no papel, a IA analisa o assunto, determina o tipo de conteúdo (por exemplo, se é técnico ou histórico) e, em seguida, elabora uma estrutura narrativa ideal, evitando o uso de modelos rígidos.
• Geração de esboços por especialistasA ferramenta gera esboços de artigos com títulos de capítulos naturais e envolventes que parecem ter sido escritos por um especialista da vida real, em vez de descrições frias de tarefas.
• Fluxo de trabalho supervisor-executorDiretor de pesquisa: Há duas funções principais no sistema, o "diretor de pesquisa" e o "diretor de redação". Eles enviam executivos para realizar tarefas específicas de pesquisa e redação, respectivamente, e esse design torna todo o processo claro e fácil de controlar.
• Citação e recuperação precisas de informaçõesO Writing AI usará uma ferramenta RAG com escopo, o que significa que ele consultará apenas o material de pesquisa mais relevante para o capítulo atual, garantindo a precisão das informações.
• Formato de citação de nível acadêmicoCitação de fontes: O sistema lida automaticamente com a citação de fontes. Ele gera tags de citação clicáveis no corpo do artigo (por exemplo[1]), e uma lista de referências formatada de maneira uniforme é gerada no final do artigo.
• Atualizações de progresso em tempo realO back-end enviará informações sobre o andamento da tarefa, o conteúdo dos capítulos recém-escritos e as referências à interface do front-end em tempo real por meio da tecnologia Server-Sent Events (SSE).
• pilha de tecnologia modernaO projeto usa tecnologias populares atuais de front-end e back-end, sendo que o back-end depende muito do FastAPI e do LangGraph do Python, e o front-end usa React e TypeScript.

Usando a Ajuda

O DeepSearch AI Agent é um projeto separado de front-end e back-end; você precisa configurar e iniciar o back-end e o front-end separadamente. Aqui estão as etapas detalhadas a serem seguidas para que você possa executá-lo com êxito do zero.

Etapa 1: Preparação

Antes de começar, certifique-se de que os seguintes softwares estejam instalados em seu computador:

• Python (versão 3.9 ou superior)
• Node.js responder cantando npm (para executar o front-end)
• Git (para clonar repositórios de código)

Etapa 2: Obtenha o código do projeto

Abra seu terminal (Prompt de Comando ou PowerShell no Windows, Terminal no macOS ou Linux) e clone o repositório de código em seu computador local.

git clone https://github.com/LordFoxFairy/deepseek_deepsearch_quickstart.git

Quando a clonagem estiver concluída, vá para o diretório do projeto:

cd deepseek_deepsearch_quickstart

Etapa 3: Configuração de back-end

O back-end é responsável por todo o processamento lógico da IA, incluindo planejamento, pesquisa e redação.

1. Vá para o diretório backend
   No diretório raiz do projeto (deepseek_deepsearch_quickstart), primeiro insira obackendCatálogo.

   cd backend
   

2. Criar e ativar um ambiente virtual Python
   Para não poluir o ambiente global do Python em seu computador, é altamente recomendável criar um ambiente virtual.

   python -m venv venv
   

   Esse comando cria um arquivo chamadovenvpasta. Em seguida, você precisa ativá-lo:

   • existir Windows (computador) No sistema, execute:

     .\venv\Scripts\activate
     

   • existir macOS talvez Linux No sistema, execute:

     source venv/bin/activate
     

   Após a ativação bem-sucedida, você verá na frente do prompt de comando no terminal(venv)As palavras.

3. Instalação de pacotes de dependência
   Todas as bibliotecas Python necessárias para o backend estão documentadas na seçãorequirements.txtarquivo. Execute o seguinte comando para instalá-los:

   pip install -r requirements.txt
   

4. Configuração da chave de API
   Este projeto requer as chaves de API para que o modelo de IA funcione. Você precisa configurar duas chaves de API.
   Em primeiro lugar, embackend/src/encontre um arquivo chamado.env.exampledo arquivo. Você precisa copiá-lo e renomeá-lo.env.
   • existir Windows (computador) Para cima:

     copy .\src\.env.example .\src\.env
     

   • existir macOS talvez Linux Para cima:

     cp src/.env.example src/.env
     

   Em seguida, use seu editor de código para abrir esse novo.envvocê verá o seguinte:

   # backend/src/.env
   # 用于 RAG 嵌入
   DASH_SCOPE_API_KEY=sk-your-dashscope-api-key
   # 用于 LLM 推理
   DEEPSEEK_API_KEY=sk-your-deepseek-api-key
   DEEPSEEK_BASE_URL=https://api.deepseek.com
   

   Você precisará colocar osk-your-dashscope-api-keyresponder cantandosk-your-deepseek-api-keySubstitua-o por sua própria chave real.DASH_SCOPE_API_KEYpara incorporação de texto (função RAG).DEEPSEEK_API_KEYRaciocínio para modelos de linguagem grandes.

Etapa 4: Configuração do front-end

O front-end é responsável por fornecer a interface para a interação do usuário.

1. Vá para o diretório do front-end
   Abra uma nova janela de terminal ou retorne ao diretório raiz do projeto primeiro no terminal anterior (cd ..) e, em seguida, vá para a seçãofrontendCatálogo.

   cd frontend
   

2. Instalação de pacotes de dependência
   O front-end usa um ambiente Node.js e as dependências necessárias estão documentadas no arquivopackage.jsonarquivo. Execute o seguinte comando para instalar:

   npm install
   

   Esse processo pode levar alguns minutos.

Etapa 5: Execute o aplicativo

Agora que as preparações do front e do back-end estão concluídas, podemos iniciar o aplicativo. Você precisa manter as duas janelas de terminal em execução ao mesmo tempo.

1. Inicie o serviço de back-end (no primeiro terminal)
   Certifique-se de que você está nobackende o ambiente virtual do Python é ativado. Em seguida, execute o seguinte comando:

   uvicorn src.api.main:app --host 0.0.0.0 --port 8000 --reload
   

   • uvicorné um servidor ASGI para executar aplicativos FastAPI.
   • --host 0.0.0.0Torne o serviço acessível em sua LAN.
   • --port 8000Especifica o número da porta do serviço.
   • --reloadindica que o serviço será reiniciado automaticamente quando o arquivo de código for alterado, o que é ideal para ambientes de desenvolvimento.
2. Inicie o serviço de front-end (em um segundo terminal)
   Certifique-se de que você está nofrontenddiretório. Em seguida, execute o seguinte comando:

   npm run dev
   

   Esse comando inicia um servidor de desenvolvimento local, que normalmente escuta no endereço5173Portos.

Etapa 6: Inicie a experiência

Quando os dois serviços forem iniciados com êxito, abra o navegador e acesse o seguinte endereço:
http://localhost:5173
Agora você deve conseguir ver a interface do DeepSearch AI Agent. Digite um tópico sobre o qual deseja gerar um artigo na caixa de entrada e clique em enviar. A IA iniciará o processo "Think-Plan-Research-Write" e mostrará o progresso do trabalho e o artigo final em tempo real na interface.

cenário do aplicativo

1. criador de conteúdo
   Para indivíduos ou equipes que precisam escrever artigos, tutoriais ou blogs detalhados, essa ferramenta pode servir como um poderoso ponto de partida. Os usuários só precisam fornecer um tópico principal, e a IA pesquisará automaticamente as informações, planejará a estrutura e escreverá o primeiro rascunho, melhorando muito a eficiência e a qualidade da criação de conteúdo.
2. Documentação técnica
   Os desenvolvedores de software ou redatores técnicos podem usá-lo para gerar rapidamente os primeiros rascunhos da documentação técnica. Por exemplo, insira uma solicitação de "como usar uma API específica" e o sistema poderá gerar automaticamente um tutorial completo com histórico, etapas de instalação, detalhes de funcionalidade e exemplos de código.
3. Educação e treinamento
   Professores ou instrutores podem usar essa ferramenta para criar rapidamente materiais de aprendizagem para seus cursos. Seja uma apresentação detalhada de um evento histórico ou uma explicação para leigos de um conceito científico complexo, a IA gera artigos claramente estruturados e informativos que podem ser usados como material didático ou leitura complementar.

QA

1. Há alguma taxa para esse programa?
   O projeto em si é de código aberto e de uso gratuito. No entanto, ele depende de serviços de modelagem de IA de terceiros (como DeepSeek e DashScope), e você precisará ter chaves de API para esses serviços e pagar pelas chamadas de API com base na estratégia de preços desses provedores de serviços.
2. Posso substituí-lo por outro modelo de idioma grande?
   Pode. A arquitetura desse projeto foi projetada para ser flexível e compatível com todos os tipos de modelos de linguagem grandes. Você pode modificar a parte do código de backend que chama o modelo para substituí-lo pelo modelo de sua preferência, como a família GPT da OpenAI ou outros modelos.
3. Como é garantida a qualidade dos artigos gerados?
   O sistema garante a qualidade por meio de um modelo de "supervisor-executor". Ele começa com um planejamento de pesquisa aprofundado e, em seguida, usa a tecnologia RAG (retrieval augmentation generation) para garantir que o conteúdo seja baseado em fontes precisas. Ao mesmo tempo, ele lida automaticamente com citações e referências, garantindo a rastreabilidade do conteúdo.