首页

手游

资讯

专题

首页 > 教程攻略 > ai资讯 >MindSearch：模仿人类思维的开源深度 AI 搜索引擎

MindSearch：模仿人类思维的开源深度 AI 搜索引擎

来源：互联网时间：2026-08-22 14:02:08

TLDR

• MindSearch 是一种基于 LLM 的多智能体网络搜索框架，性能可媲美 Perplexity.ai Pro。
• 它采用 WebPlanner 和 WebSearcher 组件，通过问题分解、并行搜索和分层信息检索来模拟人类思维进行深度搜索。
• MindSearch 能够处理更长的上下文，提供更深入、更广泛、更准确的答案，优于 ChatGPT-Web 和 Perplexity.ai Pro。

引言：迈向更智能的网络搜索

传统的搜索引擎，就像一位忠实的图书馆管理员，尽心尽责地帮你翻遍书架、找出所有相关书籍。可一旦遇到需要多步推理和信息整合的复杂问题——比如“哪家大模型 API 最便宜？”——这位管理员就有点束手无策了。它能把一堆 API 提供商的网页摆在你面前，但要直接给出对比结论，那就超出能力范围了。

大型语言模型（LLM）的出现带来了转机。它像一位经验丰富的侦探，擅长理解复杂语义，从海量信息中抽丝剥茧。于是，把 LLM 和搜索引擎结合起来，打造更智能的 AI 搜索引擎，成了研究的热点——Perplexity.ai 这类明星产品就是例证。

不过，现有的 LLM+搜索引擎方案大多还停留在浅层应用，比如简单的检索增强生成，很难真正发挥 LLM 的潜力。这些方法就像刚入行的助手，虽然能找到些相关信息，但离专家级别的深度分析和推理还有不少距离。具体来说，它们面临三大挑战：

•
复杂问题分解：
面对错综复杂的“案件”，LLM 很难把一个大问题拆成多个原子级的子查询，这就限制了信息的准确性和完整性。
•
海量信息处理：
搜索结果就像浩瀚的资料库，如何高效筛选和整合信息，成了瓶颈。
•
上下文长度限制：
LLM 的输入容量有限，就像一个侦探的笔记本不能无限加页，太长的搜索结果往往会让关键信息丢失。

MindSearch 框架概述：深度搜索，智胜未来

为了攻克这些难题，这里要介绍一个全新的 AI 搜索引擎框架——

MindSearch

。它采用多智能体设计，把 LLM 的推理能力和搜索引擎的海量信息做了巧妙整合，通过模仿人类思维的深度搜索，给用户带来更优质的体验。

MindSearch 的核心组件有两个：

•
WebPlanner（网络规划师）：
像一位经验丰富的探长，负责把复杂问题拆解成原子级的子问题，构建动态搜索图，并协调多个 WebSearcher 并行搜索。
•
WebSearcher（信息检索师）：
像训练有素的警员，接受 WebPlanner 分配的任务，用搜索引擎做细粒度网络搜索，把和子问题相关的信息收集回来。

图 1

：MindSearch 框架图。它包含两个主要组件：WebPlanner 和 WebSearcher。WebPlanner 充当高级规划器，负责协调推理步骤和多个 WebSearcher。WebSearcher 进行细粒度的网络搜索，并将有价值的信息汇总回规划器，形成一个简单有效的多智能体框架。

MindSearch 的工作流程大致是这样的：

1.
问题分解：
用户提交问题后，WebPlanner 先分析问题，就像探长仔细阅读卷宗，把它分解成多个能独立搜索的子问题。
2.
分层信息检索：
WebPlanner 把子问题分派给多个 WebSearcher，每个 WebSearcher 就像被派到不同地点调查的警员，用搜索引擎对特定子问题做分层检索，从网上收集相关信息。
3.
信息整合：
WebSearcher 把收集到的信息汇总回 WebPlanner，由它来整合分析，就像探长把所有警员的调查结果汇总，寻找关键线索。
4.
答案生成：
最后，WebPlanner 根据整合的信息生成最终答案，清晰呈现给用户——好比探长根据所有线索推理出结论，把案件报告递到用户手上。

核心组件详解：解密 MindSearch 背后的智慧

WebPlanner：运筹帷幄，决胜千里

WebPlanner 是 MindSearch 的大脑，它模仿人类专家解决问题的思路，通过以下步骤实现深度搜索：

1.
问题分解：
先把用户问题拆成多个搜索引擎能理解和处理的子问题。比如面对“哪家大模型 API 最便宜？”，WebPlanner 会拆成“目前有哪些主要的大模型 API 提供商？”和“每个 API 提供商的收费标准是什么？”这类子问题。
2.
动态搜索图构建：
把这些子问题作为节点，构建一个动态搜索图。图中的边表示依赖关系——比如要回答“每个 API 提供商的收费标准”，得先知道“有哪些提供商”。
3.
搜索任务调度：
WebPlanner 根据动态搜索图，把子问题分派给多个 WebSearcher 并行搜索。同时，它还会根据搜索结果动态调整策略——比如某个子问题搜得不理想，就修改关键词或补充新子问题。

WebPlanner 的关键创新，在于把问题求解过程建模成动态图构建。这种方式不仅更贴近人类的推理过程，也为处理复杂问题和超长上下文提供了可能。

WebSearcher：明察秋毫，高效精准

WebSearcher 是 MindSearch 的信息收集者，负责用搜索引擎高效地找到和子问题相关的信息。它采用分层信息检索策略，具体步骤是：

1.
关键词生成：
根据分配到的子问题生成搜索关键词。
2.
初步搜索：
用关键词做初步检索，拿到网页列表。
3.
网页筛选：
根据标题、摘要等信息筛选，保留最相关的网页。
4.
信息提取：
对筛选后的网页深度分析，提取关键信息——比如针对“每个 API 的收费”，提取价格数据。

WebSearcher 的设计目标，是在保证信息准确性的前提下，尽可能提高检索效率。分层策略可以有效减少需要处理的信息量，从而提升效率。

性能评估：MindSearch vs. 现有方法

为了评估 MindSearch 的表现，研究团队在封闭集和开放集问答问题上做了实验，和 ChatGPT-Web（基于 GPT-4o）以及 Perplexity.ai Pro 做了对比。结果显示，MindSearch 在以下方面明显更胜一筹：

•
深度：
能把大问题拆成多个子问题分别深挖，答案自然更详细——就像探长对每条线索都做深入调查。
•
广度：
从多个来源收集信息，答案更全面、更客观——好比探长会从不同角度搜集证据，确保判断准确。
•
事实性：
能评估信息来源，过滤掉不可靠的，答案更可靠——就像探长仔细甄别证据真伪，排除干扰。

图 2

：由人类专家判断的开放集问答问题的主观评价结果。MindSearch 在深度、广度和事实性方面均大幅优于 ChatGPT-Web 和 Perplexity.ai Pro。

系统架构和代码实现

MindSearch 的系统架构采用多智能体设计，WebPlanner 和 WebSearcher 各司其职，协同完成深度网络搜索任务。代码实现主要基于 Python 的 FastAPI 框架，通过消息队列实现智能体之间的通信。

WebPlanner 核心代码

WebPlanner 的核心代码包含这几个关键部分：

•
问题分解:
把用户复杂问题拆成多个原子级子问题，比如用正则表达式或其他 NLP 技术识别关键实体和关系。
•
动态图构建:
把子问题作为节点，构建动态搜索图，定义节点间的依赖关系——比如用 WebSearchGraph 类中的 add_node 和 add_edge 方法。
•
搜索任务调度:
把子问题分派给多个 WebSearcher 并行搜索，并根据搜索结果动态调整策略——比如用多线程或异步任务管理库。

下面这段代码展示了 WebPlanner 如何用 WebSearchGraph 类构建和管理搜索图：

from mindsearch.agent.mindsearch_agent import WebSearchGraph

# 初始化搜索图
graph = WebSearchGraph()

# 添加根节点，即用户初始问题
graph.add_root_node(node_content="哪家大模型API最便宜?", node_name="root")

# 添加子问题节点
graph.add_node(node_name="大模型API提供商", node_content="目前有哪些主要的大模型API提供商？")
graph.add_node(node_name="API价格", node_content="每个 API 提供商的收费标准是什么？")

# 添加节点间的依赖关系
graph.add_edge(start_node="root", end_node="大模型API提供商")
graph.add_edge(start_node="大模型API提供商", end_node="API价格")

# ...

WebSearcher 核心代码

WebSearcher 的核心代码主要包含 SearcherAgent 类，这个类继承自 Internlm2Agent，负责和 LLM 交互，并通过调用搜索引擎 API 获取结果。下面来分析 mindsearch_agent.py 中 SearcherAgent 类的核心代码：

•

初始化 (`init`)

class SearcherAgent(Internlm2Agent):
    def __init__(self, template='{query}', **kwargs) -> None:
        super().__init__(**kwargs)
        self.template = template

SearcherAgent 的初始化方法接收一个 template 参数，用于定义和 LLM 交互的 Prompt 模板。

•

流式聊天 (`stream_chat`)

def stream_chat(self,
                question: str,
                root_question: str = None,
                parent_response: List[dict] = None,
                **kwargs) -> AgentReturn:
    # ...

stream_chat 方法接收三个参数：question（当前子问题）、root_question（用户初始问题）和 parent_response（父节点的搜索结果，提供上下文）。它先用模板把这三个参数整合进 Prompt，然后调用父类的 stream_chat 方法和 LLM 交互，最后把返回的答案封装成 AgentReturn 对象。下面展示如何生成 Prompt：

message = self.template['input'].format(question=question,
                                        topic=root_question)
if parent_response:
    if 'context' in self.template:
        parent_response = [
            self.template['context'].format(**item)
            for item in parent_response
        ]
        message = 'n'.join(parent_response + [message])

• question: 当前需要搜索的子问题。
• root_question: 用户最初提交的完整问题。
• parent_response: 父节点的搜索结果，用于提供上下文信息。

WebPlanner 和 WebSearcher 的交互

WebPlanner 和 WebSearcher 之间通过消息队列进行异步通信，实现高效的搜索任务管理和结果收集。WebPlanner 把分解后的子问题和上下文信息发送到消息队列，WebSearcher 从队列中获取任务并执行搜索，再把搜索结果发回队列，供 WebPlanner 整合。

核心 Prompt 分析

MindSearch 使用了精心设计的 Prompt 来引导 LLM 的行为：

•
WebPlanner Prompt:
引导 LLM 把用户问题分解为子问题，并构建动态搜索图。这个 Prompt 包含 API 使用说明和示例代码，帮助 LLM 生成符合规范的 Python 代码。
•
WebSearcher Prompt:
引导 LLM 根据搜索问题和上下文信息，调用搜索引擎 API 并返回答案。里面包含了人物设定、回复格式、搜索要求等，确保 LLM 的回复满足质量要求。

下面是 WebSearcher 使用的 Prompt 示例：

searcher_system_prompt_cn = """## 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"。

"""

结论与展望：AI 搜索引擎的未来

MindSearch 为 AI 搜索引擎提供了一种全新的解决方案——通过模仿人类思维的深度搜索，给用户带来更优质的体验。

展望未来，MindSearch 将在以下几个方向继续深入：

•
处理更复杂的问题：
进一步提高处理复杂问题的能力，比如多语言搜索、跨模态搜索等。
•
处理超长上下文：
探索更强大的 LLM 模型和更先进的算法，突破上下文长度的限制，从而处理更长的搜索结果。
•
个性化搜索：
根据用户的搜索历史、兴趣爱好等信息，提供个性化的搜索结果。

MindSearch 的出现，标志着 AI 搜索引擎进入了一个新的发展阶段。可以预见，在不久的将来，它会为我们带来更智能、更高效、更便捷的搜索体验，开启网络搜索的新纪元。

MindSearch：模仿人类思维的开源深度 AI 搜索引擎

TLDR

引言：迈向更智能的网络搜索

复杂问题分解：

海量信息处理：

上下文长度限制：

MindSearch 框架概述：深度搜索，智胜未来

MindSearch

WebPlanner（网络规划师）：

WebSearcher（信息检索师）：

图 1

问题分解：

分层信息检索：

信息整合：

答案生成：

核心组件详解：解密 MindSearch 背后的智慧

WebPlanner：运筹帷幄，决胜千里

问题分解：

动态搜索图构建：

搜索任务调度：

WebSearcher：明察秋毫，高效精准

关键词生成：

初步搜索：

网页筛选：

信息提取：

性能评估：MindSearch vs. 现有方法

深度：

广度：

事实性：

图 2

系统架构和代码实现

WebPlanner 核心代码

问题分解:

动态图构建:

搜索任务调度:

WebSearcher 核心代码

初始化 (__init__)

流式聊天 (stream_chat)

WebPlanner 和 WebSearcher 的交互

核心 Prompt 分析

WebPlanner Prompt:

WebSearcher Prompt:

结论与展望：AI 搜索引擎的未来

处理更复杂的问题：

处理超长上下文：

个性化搜索：

相关阅读

相关下载

初始化 (`init`)

流式聊天 (`stream_chat`)