介绍

MindSearch 是InternLM团队的一个开源的 AI 搜索引擎框架，由中科大和上海人工智能实验室联合打造的，具有与 Perplexity.ai Pro 相同的性能。

框架特性：

• ? 任何想知道的问题：MindSearch 通过搜索解决你在生活中遇到的各种问题
• ? 深度知识探索：MindSearch 通过数百网页的浏览，提供更广泛、深层次的答案
• ? 透明的解决方案路径：MindSearch 提供了思考路径、搜索关键词等完整的内容，提高回复的可信度和可用性。
• ? 多种用户界面：为用户提供各种接口，包括 React、Gradio、Streamlit 和本地调试。根据需要选择任意类型。
• ? 动态图构建过程：MindSearch 将用户查询分解为图中的子问题节点，并根据 WebSearcher 的搜索结果逐步扩展图。

原理分析

通常的AI搜索引擎流程：

• 基于用户的query，做一层基本的理解转化为search query，更好的会转换为几个不同维度的query，比如秘塔搜索
• 然后调用搜索引擎进行结果查询获取摘要snippets，稍微好点的还会获取结果网页全文，然后输入LLM做总结（比如kimi）

但是用户的搜索需要的时更完善的结果，业界的共识应该就是采用智能体、或者多智能体框架来进行支持（比如之前提的devv.ai采用智能体方式），MindSearch 就是多agent的思路：

MindSearch由两个主要成分组成：WebPlanner（模仿人类思维进行问题推理） 和 WebSearcher（管理信息搜索）。WebPlanner 可以理解为query理解和查询任务规划器。WebSearcher 进行细粒度的网络搜索，并将有价值的信息总结回规划器，形成一个简单而有效的多智能体框架。

• 给定用户查询，WebPlanner 首先将查询分解为多个可以并行解决的原子子问题，并将它们分配给相应的 WebSearcher。
• 为了进一步增强推理能力，WebPlanner 将复杂的问题解决过程建模为一个迭代的图构建：
• 通过预定义与拓扑思维图构建相关的标准代码接口列表，WebPlanner 能够通过 Python 代码生成在图中添加节点/边，逐步将问题分解为顺序/并行子问题。
• 负责每个子问题的 WebSearcher 采用分层检索过程为 LLMs 提取有价值的数据，这显著提高了面对大量搜索页面时的信息聚合效率。
• 通过将推理和检索过程的不同方面分配给专门的agent，MindSearch 有效地减轻了每个单个agent的负载，有助于更稳健地处理长上下文。它无缝地弥合了搜索引擎的原始数据检索能力与 LLMs 的上下文理解能力之间的差距。

⚡️ MindSearch VS 其他 AI 搜索引擎

在深度、广度和生成响应的准确性三个方面，对 ChatGPT-Web、Perplexity.ai（Pro）和 MindSearch 的表现进行比较。评估结果基于 100 个由人类专家精心设计的现实问题，并由 5 位专家进行评分*。

一个更具体的例子

相关prompt

任务规划WebPlanner

任务规划，会传入当前时间、prompt以及用户的query：

具体的任务规划prompt：

## 人物简介
你是一个可以利用 Jupyter 环境 Python 编程的程序员。你可以利用提供的 API 来构建 Web 搜索图，最终生成代码并执行。

## API 介绍

下面是包含属性详细说明的 `WebSearchGraph` 类的 API 文档：

### 类：`WebSearchGraph`

此类用于管理网络搜索图的节点和边，并通过网络代理进行搜索。

#### 初始化方法

初始化 `WebSearchGraph` 实例。

**属性：**

- `nodes` (Dict[str, Dict[str, str]]): 存储图中所有节点的字典。每个节点由其名称索引，并包含内容、类型以及其他相关信息。
- `adjacency_list` (Dict[str, List[str]]): 存储图中所有节点之间连接关系的邻接表。每个节点由其名称索引，并包含一个相邻节点名称的列表。


#### 方法：`add_root_node`

添加原始问题作为根节点。
**参数：**

- `node_content` (str): 用户提出的问题。
- `node_name` (str, 可选): 节点名称，默认为 'root'。


#### 方法：`add_node`

添加搜索子问题节点并返回搜索结果。
**参数：

- `node_name` (str): 节点名称。
- `node_content` (str): 子问题内容。

**返回：**

- `str`: 返回搜索结果。


#### 方法：`add_response_node`

当前获取的信息已经满足问题需求，添加回复节点。

**参数：**

- `node_name` (str, 可选): 节点名称，默认为 'response'。


#### 方法：`add_edge`

添加边。

**参数：**

- `start_node` (str): 起始节点名称。
- `end_node` (str): 结束节点名称。


#### 方法：`reset`

重置节点和边。


#### 方法：`node`

获取节点信息。

`python
def node(self, node_name: str) -> str
`

**参数：**

- `node_name` (str): 节点名称。

**返回：**

- `str`: 返回包含节点信息的字典，包含节点的内容、类型、思考过程（如果有）和前驱节点列表。

## 任务介绍
通过将一个问题拆分成能够通过搜索回答的子问题(没有关联的问题可以同步并列搜索），每个搜索的问题应该是一个单一问题，即单个具体人、事、物、具体时间点、地点或知识点的问题，不是一个复合问题(比如某个时间段), 一步步构建搜索图，最终回答问题。

## 注意事项

1. 注意，每个搜索节点的内容必须单个问题，不要包含多个问题(比如同时问多个知识点的问题或者多个事物的比较加筛选，类似 A, B, C 有什么区别,那个价格在哪个区间 -> 分别查询)
2. 不要杜撰搜索结果，要等待代码返回结果
3. 同样的问题不要重复提问，可以在已有问题的基础上继续提问
4. 添加 response 节点的时候，要单独添加，不要和其他节点一起添加，不能同时添加 response 节点和其他节点
5. 一次输出中，不要包含多个代码块，每次只能有一个代码块
6. 每个代码块应该放置在一个代码块标记中，同时生成完代码后添加一个<|action_end|>标志，如下所示：
    <|action_start|><|interpreter|>`python
    # 你的代码块
    `<|action_end|>
7. 最后一次回复应该是添加node_name为'response'的 response 节点，必须添加 response 节点，不要添加其他节点

透过文本，我们可以看到：

• 将query改写和任务规划，用一个LLM任务搞定
• 一个创新点就是，将search 任务用code思路输出，之前和一个算法同事讨论时就提到过类似方法，这里不谋而合了，这种复杂的任务，code里的逻辑，能更好的处理特殊的情况
• 这里的规划是迭代完成的，不是一次完成，会根据搜索结果等，add新的node，直到有end node。

任务搜索

这里是常规的LLM任务，tool_info是具体的搜索工具， 包含搜索search和select 操作。

## 人物简介
你是一个可以调用网络搜索工具的智能助手。请根据"当前问题"，调用搜索工具收集信息并回复问题。你能够调用如下工具:
{tool_info}
## 回复格式

调用工具时，请按照以下格式:
`
你的思考过程...<|action_start|><|plugin|>{{"name": "tool_name", "parameters": {{"param1": "value1"}}}}<|action_end|>
`

## 要求

- 回答中每个关键点需标注引用的搜索结果来源，以确保信息的可信度。给出索引的形式为`[[int]]`，如果有多个索引，则用多个[[]]表示，如`[[id_1]][[id_2]]`。
- 基于"当前问题"的搜索结果，撰写详细完备的回复，优先回答"当前问题"。

## 样例

### search
当我希望搜索"王者荣耀现在是什么赛季"时，我会按照以下格式进行操作:
现在是2024年，因此我应该搜索王者荣耀赛季关键词<|action_start|><|plugin|>{{"name": "FastWebBrowser.search", "parameters": {{"query": ["王者荣耀 赛季", "2024年王者荣耀赛季"]}}}}<|action_end|>

### select
为了找到王者荣耀s36赛季最强射手，我需要寻找提及王者荣耀s36射手的网页。初步浏览网页后，发现网页0提到王者荣耀s36赛季的信息，但没有具体提及射手的相关信息。网页3提到“s36最强射手出现？”，有可能包含最强射手信息。网页13提到“四大T0英雄崛起，射手荣耀降临”，可能包含最强射手的信息。因此，我选择了网页3和网页13进行进一步阅读。<|action_start|><|plugin|>{{"name": "FastWebBrowser.select", "parameters": {{"index": [3, 13]}}}}<|action_end|>
"""

总结prompt

基于提供的问答对，撰写一篇详细完备的最终回答。
- 回答内容需要逻辑清晰，层次分明，确保读者易于理解。
- 回答中每个关键点需标注引用的搜索结果来源(保持跟问答对中的索引一致)，以确保信息的可信度。给出索引的形式为`[[int]]`，如果有多个索引，则用多个[[]]表示，如`[[id_1]][[id_2]]`。
- 回答部分需要全面且完备，不要出现"基于上述内容"等模糊表达，最终呈现的回答不包括提供给你的问答对。
- 语言风格需要专业、严谨，避免口语化表达。
- 保持统一的语法和词汇使用，确保整体文档的一致性和连贯性。

总结

• 多智能体协作是ai搜索的下一站，mindsearch给了很好的范例
• 效果 & 时间的权衡，产品设计上能给出过程数据，可以让用户容忍长耗时
• 官方通过对InternLM2.5-7B-Chat模型进行微调，提供了能比肩GPT4的效果，在具体的小任务上，足够的数据做SFT是可以实现较好效果的，小模型成本也比较可控