寓意前程似锦的工程公司名字搜索引擎优化哪些方面

项目链接：https://github.com/stay-leave/enhance_llm/tree/main/deepresearch

deepresearch是目前最流行的大模型应用范式，将agent应用于调研报告上，实现了用户只需要输入自己的问题，大模型自动搜索信息完成报告的过程。

区别于rag的单次检索过程和定制化的流程，deepresearch建立在deepsearch的的基础上，由LLM自主控制整个流程。
deepsearch的核心在于搜索、阅读、推理的循环。接收到查询时，进行搜索和阅读，然后根据当前搜索结果，决定是否终止或是扩展查询继续搜索。
参考：
https://jina.ai/news/a-practical-guide-to-implementing-deepsearch-deepresearch

本项目，就是基于MCP工具的deepresearch实现。首先定义了满足MCP协议的工具，主要是本地知识库检索工具、网络检索工具、混合检索工具。然后建立MCP客户端，与工具函数进行链接，从而将不同类型的工具，以统一的方式集成到项目。

满足MCP协议的工具

无需手动定义工具的类型、参数等，直接用mcp库封装，只需要编写实际可执行的函数即可。

# 本地知识库检索
@mcp.tool()
def retrieve(query: str) -> str:"""本地知识库检索"""iteration_limit = 3  # 最大迭代次数iteration = 0aggregated_contexts = []  # 聚合的检索结果all_search_queries = []   # 所有查询记录# 初始查询改写current_query = rewrite_query(query)all_search_queries.append(current_query)while iteration < iteration_limit:print(f"\n=== 第 {iteration + 1} 次迭代 ===")print(f"用户原始查询：{query} | 当前检索查询：{current_query}")# 执行本地知识库混合检索try:chunk_df, image_df, _ = chunk_hybid_search(db_object, model, current_query)iteration_contexts = chunk_df["restored_content"].tolist()except Exception as e:print(f"检索失败：{e}")break# 处理检索结果if iteration_contexts:aggregated_contexts.extend(iteration_contexts)else:print("本次迭代未找到有用信息。")# 生成新查询new_query = get_new_search_query(user_query=query,previous_search_queries=all_search_queries,all_contexts=aggregated_contexts)# 终止条件判断if not new_query:print("无需进一步研究。")breakelif new_query in all_search_queries:print(f"查询 {new_query} 已执行过，停止迭代。")break# 更新查询和记录current_query = new_queryall_search_queries.append(current_query)iteration += 1return '\n\n'.join(aggregated_contexts)

MCP客户端

链接MCP工具，并执行查询流程的循环。

# 客户端
class MCPClient:def __init__(self):self.session: Optional[ClientSession] = Noneself.exit_stack = AsyncExitStack()self.client = ZhipuAI(api_key=api_key)# 启动本地工具服务器（如 search_mcp.py），并通过标准输入/输出与其通信async def connect_to_server(self, server_script_path: str):server_params = StdioServerParameters(command="python",args=[server_script_path],env=None)stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))self.stdio, self.write = stdio_transportself.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))await self.session.initialize()# 列出可用工具response = await self.session.list_tools()tools = response.toolsprint(f"\nConnected to server with tools: {[tool.name for tool in tools]}")# 进入查询处理流程async def process_query(self, query: str) -> str:"""使用 LLM 和 MCP 服务器提供的工具处理查询"""# 列出所有的工具response = await self.session.list_tools()available_tools = [{"type": "function","function": {"name": tool.name,"description": tool.description,"parameters": tool.inputSchema}} for tool in response.tools]print(f'available_tools:\n{available_tools}')# 初始规划，选择工具，返回工具名称和参数messages = [{"role": "system","content": prompts["SYSTEM_PROMPT"] + str(available_tools)},{"role": "user","content": query}]response = self.client.chat.completions.create(model=model_name,messages=messages)message = response.choices[0].messageprint(f'llm_output(tool call)：{message.content}') # 这一步直接给我返回大模型的结果了，无语# 确定好工具，进行循环results = [] # 工具返回的结果聚合while True:flag, json_text = get_clear_json(message.content)# 根据是否能解析出json，执行不同的方法if flag == 0: # 没有生成json格式，直接用大模型生成回复response = self.client.chat.completions.create(model=model_name,messages=[{"role": "user", "content": query}])return response.choices[0].message.content# 成功生成json，解析出工具名和参数json_text = json.loads(json_text)tool_name = json_text['name']tool_args = json_text['params']# 执行工具函数，获得返回值result = await self.session.call_tool(tool_name, tool_args)print(f'tool name: \n{tool_name}\ntool call result: \n{result}')results.append(result.content[0].text)# 把返回工具回复加入历史消息列表messages.append({"role": "assistant","content": message.content})messages.append({"role": "user","content": f'工具调用结果如下：{result}'})# 在工具调用完成后，由大模型决定是否结束检索，还是继续检索messages.append({"role": "user","content": prompts["NEXT_STEP_PROMPT"].format(query)})response = self.client.chat.completions.create(model=model_name,messages=messages)message = response.choices[0].messageprint(f'llm_output：\n{message.content}')# 检查是否该结束if 'finish' in message.content:break# 继续检索，就把大模型的回复加入历史消息，继续循环messages.append({"role": "assistant","content": message.content})# 循环终止后，进入报告撰写阶段messages.append({"role": "user","content": prompts["FINISH_GENETATE"].format('\n\n'.join(results), query)})response = self.client.chat.completions.create(model=model_name,messages=messages)# 返回报告内容message = response.choices[0].message.contentreturn messageasync def chat_loop(self):"""运行交互式聊天循环"""print("\nMCP Client Started!")print("Type your queries or 'quit' to exit.")while True:try:query = input("\nQuery: ").strip()if query.lower() == 'quit':breakresponse = await self.process_query(query)print(response)except Exception as e:print(f"\nError: {str(e)}")

注意事项

1.LLM一定要满足：上下文窗口比较长，人类对齐能力强。否则无法容纳长文本的检索结果，或者无法成功调用工具。

2.无论是网络检索，还是本地检索，都只是信息检索的一种具体路径。