MetaSearch已升级为基于Multi-Agent协作的先进RAG系统！通过四大专门智能体协同工作，实现智能规划、精准检索、质量评估和优质生成。这是一个完整的教学项目，帮助你学习最前沿的AI协作模式和RAG技术。

🚀 最新特性：Agent RAG系统

• 🤖 QueryPlannerAgent: 智能分析查询复杂度，制定最优检索策略
• 🔍 RetrievalAgent: 执行多种检索策略，自适应调整检索参数
• 📊 EvaluatorAgent: 基于重排序的质量评估，智能决策下一步行动
• ✍️ GeneratorAgent: 整合多轮检索结果，生成高质量答案

在项目官网有更友好的介绍和入门：https://marstaos.github.io/MetaSearch/

• 🤖 Multi-Agent智能体协作 - 四大专门Agent协同工作，实现智能化RAG流程
• 🧠 基于重排序的智能评估 - 自主决策检索质量，智能选择下一步行动
• 📊 详细日志监控系统 - Agent级别的详细日志，时间戳命名，可追踪每步决策
• 🔄 自适应检索策略 - 根据查询复杂度和评估结果动态调整策略
• ✨ 向后兼容传统模式 - 支持Agent模式和传统模式无缝切换
• 🎛️ 多模态检索融合 - 向量检索、关键词检索和知识图谱检索
• 📊 生产级工程实践 - 规范的代码架构、配置管理和日志系统

# 创建并激活conda环境
conda create -n metasearch python=3.10 -y
conda activate metasearch

# 安装依赖（支持CUDA 11.8）
pip install -r requirements.txt
pip install torch==2.0.1+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

编辑config/config.yaml文件，设置模型路径、API密钥等配置项。

# 推荐选项：下载Embedding和Reranker模型（约2.3GB）
python scripts/download_models.py --skip_qwen

# 或者，使用全量下载
python scripts/download_models.py --all

python scripts/process_documents.py --file data/raw/your_document.txt

python scripts/build_indexes.py --chunks data/processed/index_chunk.pkl

🤖 Agent RAG演示（推荐）：

python demo_agent_rag.py

🧪 系统测试：

python test_agent_rag.py

🚀 传统启动方式： 交互模式：

python app.py --interactive

单次查询：

python app.py --query "介绍下明朝的内阁首辅"

graph TD
    A[用户提问] --> B(深度检索引擎)
    B --> C{信息增长率分析}
    C -->|持续探索| D[查询扩展]
    C -->|满足阈值| E[答案生成]
    D --> F[多模态检索]
    F --> G[重排序]
    G --> C
    E --> H[最终报告]

想要深入了解MetaSearch的技术细节？我们为你准备了丰富的学习资源：

• 📖 MetaSearch技术报告 - 深度迭代检索算法的理论基础
• 🎓 代码导读 - 核心模块实现思路与最佳实践

用户查询 → QueryPlannerAgent → RetrievalAgent → EvaluatorAgent → GeneratorAgent
         ↑                                        ↓
         ← ← ← ← ← (continue/stop) ← ← ← ← ← ← ← ←

🎯 智能规划: QueryPlannerAgent分析查询复杂度，识别查询类型（事实型、分析型、比较型等），制定最优检索策略。

🔍 精准检索: RetrievalAgent支持向量、关键词、混合等多种策略，根据规划结果和轮次动态调整检索参数。

📊 质量评估: EvaluatorAgent基于重排序结果进行多维度评估（覆盖度、深度、一致性、新颖性），智能决策下一步行动。

✍️ 优质生成: GeneratorAgent整合多轮检索信息，支持详细、简洁、分析等多种生成格式。

📈 监控日志: 统一的日志系统，Agent级别的详细记录，支持性能分析和系统优化。

from deepsearch.rag.deep_rag import create_agent_rag

# 创建Agent RAG实例
agent_rag = create_agent_rag(searcher, llm, query_expander)

# 处理查询（Agent模式）
answer = agent_rag.answer("机器学习中的注意力机制是如何工作的？")

# 查看系统状态
status = agent_rag.get_system_status()
print(f"当前模式: {status['current_mode']}")
print(f"日志文件: {agent_rag.get_log_path()}")

MetaSearch是开源教学项目，欢迎各种形式的贡献：

• 🐞 发现Bug？提交Issue
• 💡 有改进想法？发起Pull Request
• 🌟 喜欢这个项目？点个Star支持我们！

欢迎你的fork和PR！ ✨