deep-searcher 、deep-research对比

阅读了两个项目的源码deep-searcher 、deep-research

deep-searcher，git地址：https://github.com/zilliztech/deep-searcher

deep-research，git地址：https://github.com/dzhng/deep-research

相关的库还有huggingface的open_deep_research，不过还没研究，git地址：https://github.com/huggingface/smolagents/tree/main/examples/open_deep_research

简介

在对这两个项目的源码进行阅读后，两个项目的思路分别如下：

deep-searcher：（作者：国内向量数据库公司zilliztech）

一种效果优于graph rag，但复杂度更低的向量库搜索方式

# 流程
1. 用户输入问题
2. 如果问题可以拆分，使用大模型将问题转化为子问题
3. 从向量库中查找与问题匹配的内容
4. 交给大模型判断是否与问题有关联，如果有关联，则加入知识列表
5. 判断收集到的所有内容，交给大模型判断是否能够回答，如果不能回答再次生成一些问题，并继续执行步骤2
6. 当收集到了足够多的内容或者超过设置的迭代次数后，交给大模型进行回答

deep-research：（作者：国外做AI销售方案的公司aomni）

通过大模型+迭代思考+搜索实现

# 流程
1. 用户输入目标、广度、深度
2. 使用llm针对目标追问三个问题，并做为用户的需求
3. 使用llm针对用户的需求拆分为搜索的关键字，进行搜索
4. 针对问题将搜索结果总结为要点，

结论：

deep-searcher更加的偏向于从已有的知识库中进行检索信息（也提供了从文件、网页将信息加载到向量库的功能），将这些信息作为参考交给大模型去处理。相对于传统的rag优化了从向量库中获取相关信息的过程。

deep-research更偏向于针对某个问题的额研究，其通过将问题拆解，从互联网实时抓取数据进行分析，最后将分析结果进行合并，从而获取最终的结果。