Auto-Deep-Research —— 香港大学开源的全自动个人 AI 助理

288 0 0

Auto-Deep-Research是香港大学黄超教授实验室开源的一款全自动个人AI助理，旨在成为OpenAI Deep Research的开源替代方案。它基于AutoAgent框架开发，采用模块化的多Agent架构设计，为用户提供高效的任务自动化处理能力。

全自动AI研究助理：
- Auto-Deep-Research能够自主搜索、分析互联网信息，处理复杂编程任务，自动解析PDF文件，并生成可视化报告。
模块化的多Agent架构：
- 系统由三个专业子Agent（Web Agent、Coding Agent、Local File Agent）和一个核心调度器（Orchestrator Agent）组成，各Agent协同工作，完成复杂任务。
高效的任务处理能力：
- 通过模块化的设计，Auto-Deep-Research能够快速响应用户需求，处理包括文件解析、网络搜索、数据分析与可视化等在内的多项任务。
多语言模型支持：
- 兼容多种大语言模型（LLM），包括Anthropic、OpenAI、Mistral、Hugging Face等，为用户提供更多选择。
易于部署与扩展：
- 支持通过Conda环境或Docker安装，提供详细的启动配置选项。同时，具备强大的扩展性，支持接入Deepseek-R1模型，还可部署本地开源模型。

优点：

缺点：

安装与配置：
- 用户可以通过Conda环境或Docker安装Auto-Deep-Research，并根据实际需求进行配置。安装和配置过程相对简单，但建议用户仔细阅读官方文档以获取详细指导。
任务分配与监控：
- 用户可以通过Auto-Deep-Research的终端交互界面或API接口分配任务，并实时监控任务的执行情况。系统能够自动解析用户请求，并分配相应的子任务给各Agent进行处理。
结果输出与可视化：
- 处理完成后，Auto-Deep-Research会自动生成结果并输出。对于数据分析与可视化等任务，系统还会生成相应的图表和报告，方便用户理解和使用。

Auto-Deep-Research采用模块化的多Agent架构设计，具体结构如下：

Orchestrator Agent（核心调度器）：
- 负责接收任务并将其分解为多个子任务，然后分派给专业Agent进行处理。
Web Agent：
- 专注于互联网信息的无障碍访问和深度搜索。整合了一套完整的网络工具集，能够高效执行从基础搜索到文件下载的各类网络任务。
Coding Agent：
- 负责编程实现和调试。配备了专业的工具集，能够处理数据分析、机器学习到系统管理等各类编程任务。
Local File Agent：
- 致力于多格式文件的解析和内容理解。支持多种文件格式，包括文档类、多媒体类和数据类等，能够高效地进行文件处理和分析。

模块化的多Agent架构设计：
- 通过模块化的设计，使得各Agent能够协同工作，完成复杂任务。这种设计不仅提高了系统的可扩展性和可维护性，还增强了系统的灵活性和适应性。
高效的任务处理能力：
- Auto-Deep-Research能够快速响应用户需求，处理包括文件解析、网络搜索、数据分析与可视化等在内的多项任务。这种高效的任务处理能力使得Auto-Deep-Research在科研、教育、企业等多个领域具有广泛的应用前景。
高性价比：
- 基于Claude-3.5-Sonnet构建，成本效益显著。这种高性价比的特点使得Auto-Deep-Research成为研究人员、教育工作者和企业用户的理想选择。