chore: 优化回答生成

chore: 优化milvus配置
chore: 优化HTML模板
refactor: 优化参数传递

deepsearcher/agent/deep_search.py

@@ -38,9 +38,10 @@ SUB_QUERY_PROMPT = """
 示例输出（例子中的数量不是要求）:
 [
     "什么是机器学习?",
-    "机器学习的使用目的是什么?",
-    "机器学习和深度学习的区别是什么？",
-    "机器学习的历史演进过程？"
+    "机器学习的使用目的",
+    "机器学习的常用算法",
+    "机器学习的历史演进过程",
+    "机器学习和深度学习的区别是什么？"
 ]
 
 </EXAMPLE>
@@ -51,16 +52,16 @@ SUB_QUERY_PROMPT = """
 
 
 RERANK_PROMPT = """
-根据当前的问题和获取到的文档片段（文档片段包裹都在<reference></reference>和<chunk></chunk>标签中并有对应的id）
-请你对当前获取到的文档是否能帮助回答这个问题（直接或间接、全面或部分，都可以）给出一个快速判断
-对于每一个文档片段，你只应该返回"YES"或者"NO"（需要注意顺序和数量）
+根据当前的问题和获取到的文档片段（文档片段包裹都在<reference></reference>和<chunk></chunk>标签中并有对应的连续的id）
+请你对当前获取到的文档片段是否能帮助回答这个问题（直接或间接、全面或部分，都可以，但需要有实际有效内容）给出一个快速判断
+对于每一个文档片段，你只应该返回"True"或者"False"（需要注意顺序和数量）
 
 问题: {query}
 
 检索到的文档片段:
 {chunks}
 
-例如，假如给出4个chunks（实际检索到的文档片段不一定是这么多），返回4个"YES"或者"NO"（注意这只是一个示例，不代表实际判断）: ["YES", "NO", "YES", "YES"]
+例如，假如给出4个chunks（实际检索到的文档片段不一定是这么多），返回4个"True"或者"False"（注意这只是一个示例，不代表实际判断）: ["True", "False", "True", "True"]
 使用的语言与问题相同
 你需要返回的是 a python list of str without any addtional content:
 """
@@ -68,7 +69,7 @@ RERANK_PROMPT = """
 
 REFLECT_PROMPT = """
 根据原问题和子问题，以及获取到的文档片段，请你决定是否要生成更多的问题，这些问题将被用于后续的思考和搜索。
-你应该根据已经获得到的文档片段进行批评思考，生成其他新的问题来保证原问题的回答的准确和全面。
+你应该根据已经获得到的文档片段进行批评思考，生成其他新的问题来保证原问题的回答的准确和全面，请你使用自顶向下和自底向上两种方向来思考如何生成新问题。
 如果已经获得的文档片段没能覆盖所有的子问题，这意味着有关这些问题的文档无法被检索到，你应该根据你自己的知识补充思考。
 需要保证每个新的问题都具体、清晰、不可分（原子性）并且不可以和之前的问题重复，新的问题中不要包含"请你回答"、"请你总结"、"请你分析"等祈使类型词语
 如果没有真的必要继续研究（取决于你的判断），返回一个空列表。
@@ -86,12 +87,13 @@ REFLECT_PROMPT = """
 
 
 SUMMARY_PROMPT = """
-你是一个内容分析专家，请你根据提供的问题和检索到的信息生成详尽的、有逻辑的长文回答。
+你是一个内容分析专家，请你根据提供的问题和检索到的信息，生成详细、层次分明、尽可能长的回答。
+如果检索到的信息不足以回答问题，你应该使用你的知识来进行扩展补充。
+注意，不要一个子问题一个子问题的回答，而是应该仔细分析子问题之间的关系、子问题和原问题之间的关系。
 同时，你应该根据提供的信息生成文内引用和文末参考资料列表，使用markdown脚注。
-如果检索到的信息不足以回答问题或者必须添加额外信息才能回答，你应该使用你的知识来进行补充，
-这种情况下，你自己提供的信息需要使用例如"your knowledge here[^0]"引用。
+如果你自己提供的信息需要使用"your knowledge here[^0]"引用。
 注意，这里的"[^0]"的序号0是固定的，表示你的知识，文末引用使用"[^0]: AI 生成",
-来自<chunk><reference>的引用序号从[^1]开始，来源需要与前文<reference>中的href一致，不需要对每个<chunk>分配一个引用，而是相同<reference>的<chunk>共用一个引用
+来自<chunk><reference>的引用序号从[^1]开始，来源需要与前文<reference>中的"href"一致，不需要对每个<chunk>分配一个引用，而是相同<reference>的<chunk>共用一个引用
 另外，如果回答的内容文内引用需要引用多个<reference>，请添加多个[^index]到句尾。
 如果多个片段是相同的来源或者一个片段可以回答多个问题，文内引用可以引用多次，但文末只引用一次来源，即文末的引用列表中不能有重复。
 
@@ -110,9 +112,10 @@ SUMMARY_PROMPT = """
 
 错误例子：
 [^0]: AI 生成
-[^1]: files/docs/machine_learning.md
-[^2]: files/docs/chap_001_003_models.md
+[^1]: files/docs/chap_001_003_models.md
+[^2]: files/docs/machine_learning.md
 [^3]: files/docs/chap_001_003_models.md（错误，这是重复引用）
+[^5]: files/docs/machine_learning.md（错误，也这是重复引用）
 
 </EXAMPLE>
 
@@ -275,14 +278,14 @@ class DeepSearch(BaseAgent):
                 relevance_list = self.llm.literal_eval(content)
                 if not isinstance(relevance_list, list):
                     raise ValueError("Response is not a list")
-            except (ValueError, SyntaxError):
+            except Exception as _:
                 # Fallback: if parsing fails, treat all chunks as relevant
                 log.color_print(f"Warning: Failed to parse relevance response. Treating all chunks as relevant. Response was: {content}")
-                relevance_list = ["YES"] * len(retrieved_results)
+                relevance_list = ["True"] * len(retrieved_results)
 
             # Ensure we have enough relevance judgments for all chunks
             while len(relevance_list) < len(retrieved_results):
-                relevance_list.append("YES")  # Default to relevant if no judgment provided
+                relevance_list.append("True")  # Default to relevant if no judgment provided
 
             # Filter relevant chunks based on LLM response
             accepted_chunk_num = 0
@@ -291,9 +294,9 @@ class DeepSearch(BaseAgent):
                 # Check if we have a relevance judgment for this chunk
                 is_relevant = (
                     i < len(relevance_list) and
-                    "YES" in relevance_list[i].upper() and
-                    "NO" not in relevance_list[i].upper()) if i < len(relevance_list
-                ) else True
+                    "True" in relevance_list[i] and
+                    "False" not in relevance_list[i]
+                ) if i < len(relevance_list) else True
 
                 if is_relevant:
                     all_retrieved_results.append(retrieved_result)
@@ -427,12 +430,16 @@ class DeepSearch(BaseAgent):
         chunks = []
         chunk_count = 0
         for i, reference in enumerate(references):
-            formated = f"<reference id='{i + 1}' href='{reference}'>\n" + "".join(
+            formated = "".join(
                 [
-                    f"<chunk id='{j + 1 + chunk_count}'>\n{chunk}\n</chunk id='{j + 1 + chunk_count}'>\n"
-                    for j, chunk in enumerate(references[reference])
+                    (
+                        f"<reference id='{i + 1}' href='{reference}'>" +
+                        f"<chunk id='{j + 1 + chunk_count}'>\n{chunk}\n</chunk id='{j + 1 + chunk_count}'>" +
+                        f"</reference id='{i + 1}'>\n"
+                    )
+                        for j, chunk in enumerate(references[reference])
                 ]
-            ) + f"</reference id='{i + 1}'>\n"
+            )
             print(formated)
             chunks.append(formated)
             chunk_count += len(references[reference])

deepsearcher/config.yaml

@@ -2,7 +2,7 @@ provide_settings:
   llm:
     provider: "OpenAILLM"
     config:
-      model: "Qwen/Qwen3-30B-A3B-Thinking-2507"
+      model: "Qwen/Qwen3-32B"
       api_key: "sk-fpzwvagjkhwysjsozfybvtjzongatcwqdihdxzuijnfdrjzt"
       base_url: "https://api.siliconflow.cn/v1"
 
@@ -83,5 +83,5 @@ query_settings:
   max_iter: 3
 
 load_settings:
-  chunk_size: 1024
-  chunk_overlap: 512
+  chunk_size: 4096
+  chunk_overlap: 1024

deepsearcher/llm/openai_llm.py

@@ -48,9 +48,9 @@ class OpenAILLM(BaseLLM):
             model=self.model,
             messages=messages,
             stream=True,
-            temperature=0.6,
+            temperature=0.7,
             top_p=0.8,
-            presence_penalty=1.2
+            presence_penalty=1.3
         ) as stream:
             # stream到控制台测试
             content = ""

deepsearcher/online_query.py

@@ -3,7 +3,7 @@ from deepsearcher import configuration
 from deepsearcher.vector_db.base import RetrievalResult
 
 
-def query(original_query: str, max_iter: int | None = None) -> tuple[str, list[RetrievalResult]]:
+def query(original_query: str, **kwargs) -> tuple[str, list[RetrievalResult]]:
     """
     Query the knowledge base with a question and get an answer.
 
@@ -20,6 +20,7 @@ def query(original_query: str, max_iter: int | None = None) -> tuple[str, list[R
             - A list of retrieval results that were used to generate the answer
     """
     default_searcher = configuration.default_searcher
+    max_iter = kwargs.get("max_iter", 3)
     return default_searcher.query(original_query, max_iter=max_iter)
 
 

deepsearcher/templates/html/index.html

@@ -10,7 +10,7 @@
     <div class="container">
         <header>
             <h1>DeepSearcher 智能搜索系统</h1>
-            <p class="app-description">基于大型语言模型和向量数据库的企业知识管理系统，支持私有数据搜索和在线内容整合，提供准确答案和综合报告。</p>
+            <p class="app-description">基于大型语言模型和向量数据库的知识管理系统，支持私有数据搜索和在线内容整合，提供准确答案和综合报告。</p>
         </header>
 
         <main>
@@ -54,7 +54,7 @@
                 <h2 class="card-title">智能查询</h2>
                 <div class="form-group">
                     <label for="queryText">请输入您的问题</label>
-                    <textarea id="queryText" rows="3" placeholder="例如: 请生成一份关于人工智能发展趋势的报告"></textarea>
+                    <textarea id="queryText" rows="3" placeholder="例如: 请生成一份关于Milvus向量数据库的详细报告"></textarea>
                 </div>
                 <div class="form-group">
                     <label for="maxIter">最大迭代次数 (1-10)</label>

deepsearcher/templates/static/js/app.js

@@ -250,7 +250,7 @@ document.getElementById('loadFilesBtn').addEventListener('click', async function
     const filePaths = filePathsInput.split(',').map(path => path.trim()).filter(path => path);
     
     setButtonLoading(button, true);
-    showStatus('loadStatus', '正在加载文件...', 'loading');
+    showStatus('loadStatus', ' 正在加载文件...', 'loading');
     hideResult();
     hideProcessResult();
     
@@ -330,7 +330,7 @@ document.getElementById('loadWebsiteBtn').addEventListener('click', async functi
     const urls = urlsInput.split(',').map(url => url.trim()).filter(url => url);
     
     setButtonLoading(button, true);
-    showStatus('webLoadStatus', '正在加载网站内容...', 'loading');
+    showStatus('webLoadStatus', ' 正在加载网站...', 'loading');
     hideResult();
     hideProcessResult();
     

main.py

@@ -141,7 +141,7 @@ def load_files(
             batch_size=batch_size if batch_size is not None else 8,
             force_rebuild=force_rebuild,
         )
-        return {"message": "成功加载文档"}
+        return {"message": "成功加载"}
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
 
@@ -198,7 +198,7 @@ def load_website(
             batch_size=batch_size if batch_size is not None else 8,
             force_rebuild=force_rebuild,
         )
-        return {"message": "成功加载网址"}
+        return {"message": "成功加载"}
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
 
@@ -234,7 +234,7 @@ def perform_query(
         # 清空之前的消息
         message_stream = get_message_stream()
         message_stream.clear_messages()
-        result_text, _ = query(original_query, max_iter)
+        result_text, _ = query(original_query, max_iter=max_iter)
 
         return {
             "result": result_text,
@@ -297,7 +297,7 @@ async def perform_query_stream(
             def run_query():
                 try:
                     print(f"Starting query: {original_query} with max_iter: {max_iter}")
-                    result_text, retrieval_results = query(original_query, max_iter)
+                    result_text, retrieval_results = query(original_query, max_iter=max_iter)
                     print(f"Query completed with result length: {len(result_text) if result_text else 0}")
                     print(f"Retrieved {len(retrieval_results) if retrieval_results else 0} documents")
                     return result_text, None

test.py

@@ -16,7 +16,7 @@ load_from_local_files(
     paths_or_directory="docs",
     collection_name="default",
     collection_description="a general collection for all documents",
-    force_rebuild=True, batch_size=8
+    force_rebuild=True, batch_size=16
 )
 
 
@@ -25,4 +25,4 @@ load_from_local_files(
 # load_from_website(urls=website_url)
 
 # Query
-result = query("Write a comprehensive report about Milvus.") # Your question here
+result = query("Write a comprehensive report about Milvus.", max_iter=2) # Your question here