deep-searcher

图1：DeepSearcher 项目 Logo

---

想象一个这样的场景

深夜，你手头有一份 200 页的 PDF 合同，需要从里面找出"某某公司所有关联交易的免责条款"。传统方式是什么？关键词搜索？翻页？眼睛都快瞎了。

现在，有了 DeepSearcher，你可以直接问它："这份合同里有哪些对我方不利的免责条款？" 它会像一个真正读过这份文档的研究员一样，多轮思考、层层检索，输出一份有理有据的分析报告。

这就是 DeepSearcher 做的事情——让大语言模型能够在你的私有数据上进行深度研究，而不是只能回答互联网上的公开问题。

背景：为什么需要"深度搜索"？

当前主流的 RAG（检索增强生成）方案，本质上是"单轮检索+生成"——用户问一句，系统找一个最相关的段落，喂给 LLM，输出答案。

但现实世界的问题往往是复杂的：

• 一份财务报告中的风险评估，可能散落在"管理层讨论"、"财务报表注释"、"审计意见"等多个章节
• 法律合同中的责任划分，需要综合多个条款才能判断
• 竞品分析报告，需要从多份文档中交叉比对

单轮检索的局限性在于：它假设答案只在一个地方。DeepSearcher 正是为了打破这个假设而生。

什么是 DeepSearcher？

DeepSearcher 是由 Zilliz（向量数据库 Milvus 的娘家）开源的深度研究框架。它的核心理念是：将 Deep Research（深度研究）能力带入私有数据场景。

你可以把它理解为一个给大语言模型配备的"研究助手"——它不只是检索，而是真正地思考、规划、迭代、反思，最终给出有深度的答案。

DeepSearcher 的核心架构包含两大模块：

离线加载（Offline Loading）：将本地文件（PDF、Word、Markdown 等）或网站内容解析、切分，存入向量数据库（支持 Milvus、Zilliz Cloud、Qdrant、Oracle、Vectara 等多种后端）。

在线查询（Online Query）：用户提问后，系统通过多轮 Agent 推理（Deep Search Agent），自动决定检索策略、调用向量数据库、反思结果，直到找到满意答案。

核心技术细节

Agent 架构：多种 RAG 路由策略

DeepSearcher 没有用单一的检索方式，而是实现了多种 Agent 策略，智能路由到最适合的方式：

Agent 类	策略描述
DeepSearchAgent	核心深度搜索 Agent，多轮规划+反思
NaiveRAG	经典单轮检索+生成
ChainOfRAG	链式 RAG，按顺序多轮检索
CollectionRouter	自动选择数据集合
RAGRouter	自动选择 RAG 策略

这意味着：不同类型的问题会自动选择最合适的处理方式，而不需要用户手动配置。

多模型支持：真正的"模型中立"

DeepSearcher 在设计上极度开放，几乎支持市面上所有主流的 LLM 和 Embedding 提供商：

LLM 支持：OpenAI GPT 系列、Anthropic Claude、DeepSeek 全家桶（DeepSeek-R1 等）、Google Gemini、Grok（xAI）、Llama 4、阿里通义千问、智谱 GLM、IBM Watsonx、Ollama（本地模型）等。

Embedding 支持：OpenAI Embeddings、FastEmbed、Sentence Transformers、MTEB 榜单上的 Voyage AI，以及上述 LLM 提供商的配套 Embedding。

这种广泛的模型支持，让 DeepSearcher 成为真正意义上的模型中立平台——你可以用任何 LLM 来驱动深度研究，不需要被绑定在某一个模型上。

向量数据库后端：Milvus 嫡系，支持多种选择

既然是 Zilliz 的作品，对 Milvus/Zilliz Cloud 的支持自然是最优先的。但项目也支持：

• Qdrant（轻量级开源向量数据库）
• Oracle（企业级）
• Azure AI Search（微软云）
• Zilliz Cloud（托管服务）

这种多后端设计，让企业可以根据现有基础设施自由选择。

FastAPI 服务：开箱即用的 REST API

DeepSearcher 内置了完整的 FastAPI 服务，包含三个核心端点：

• POST /load-files/：加载本地文件到向量数据库
• POST /load-website/：爬取网页内容并加载
• GET /query/：执行深度查询，支持 max_iter 参数控制反思轮数

服务还自带 Swagger 文档（/docs）和 CORS 支持，方便集成到现有系统。

文档解析：多格式支持

通过 langchain-text-splitters 和 unstructured 库，DeepSearcher 支持：

• PDF（pdfplumber）
• 网页（Firecrawl、Crawl4AI）
• 通用文档（unstructured 支持 100+ 格式）
• Docling（IBM 开源的文档解析库）

上手体验

快速体验

pip install deepsearcher[all]
deepsearcher query "分析这份年报中的核心风险点"

API 服务模式

docker build -t deep-searcher .
docker run -p 8000:8000 deep-searcher
# 然后访问 http://localhost:8000/docs 使用 Swagger UI

环境变量配置

通过 config.yaml 或环境变量配置 LLM Provider 和向量数据库连接信息。项目提供了 env.example 作为参考模板。

依赖管理

项目使用 uv（Astral 公司出品的极速 Python 包管理器）进行依赖管理，pyproject.toml 中定义了核心依赖和丰富的可选扩展。

局限与挑战

DeepSearcher 并非完美，以下几点在实际部署时需要特别注意：

1. 向量数据库是必需的：DeepSearcher 不是一个独立的数据库，它依赖外部向量数据库。这意味着你需要额外运维一个 Milvus/Qdrant 实例，或者使用 Zilliz Cloud 这样的托管服务，增加了系统复杂度。

2. LLM API 成本：多轮 Agent 推理意味着比单次调用更多的 LLM Token 消耗。如果使用 GPT-4o 或 Claude 3.5 等付费模型，成本会显著高于简单的 RAG 方案。

3. 国内使用门槛：项目支持多个国内模型（通义千问、智谱 GLM、百度等），但配置过程涉及各平台的 API Key 获取和环境变量设置，对新手有一定门槛。

4. 性能调优依赖经验：max_iter 参数决定了反思轮数，设置过低可能漏掉重要信息，设置过高则响应慢且成本高。目前没有自动调优机制，需要用户根据实际场景反复试验。

行业意义

DeepSearcher 的出现代表了 RAG 领域的下一个演进方向：从"检索"到"研究"。

传统的 RAG 解决的是"如何找到正确答案"的问题，而 DeepSearcher 解决的是"如何像研究员一样系统性地分析问题"的问题。这种能力的提升，对于法律、金融、医疗、学术研究等专业领域具有极高的价值。

从 GitHub Stars 的快速增长（超过 7800 ★）可以看出，社区对深度研究能力的需求是真实且强烈的。随着各大模型厂商推出更强的推理模型（DeepSeek-R1、o3、Claude 3.7 等），DeepSearcher 这类框架的价值会进一步放大。

---

相关链接：

• GitHub：https://github.com/zilliztech/deep-searcher
• 官网：https://zilliztech.github.io/deep-searcher/
• 文档：https://zilliztech.github.io/deep-searcher/docs/