开源！DeepSeek+DeepSearcher+硅基流动，打造私有化部署DeepResearch

前言

不久前，OpenAI 推出了基于全网权威信源搜索打造的报告生成神器Deep Research ，引发全球关注。

然而，Deep Research月费200美金，性价比并不算高；此外，针对不同任务，各家大模型各有所长，只绑定其中一家最终效果往往并不理想。最重要的是，企业级场景中，真正有价值的数据，比如企业场景中的项目文档、研发的CAD图纸，多以非结构化形式储存在本地。

那么，企业如何把本地数据数据与Deep Research结合，还能灵活地挑选适合自己的大模型？

不久前，我们结合DeepSeek等主流开源模型，并在常见的RAG方案上做了重大升级，推出开源项目Deep Searcher，帮助大家在企业级场景中，基于Deep Research思路，做私有化部署。

一经推出，仅一周时间，该项目已经在Github上收获了800+星和众多关注和讨论，成为备受关注的本地部署企业级DeepResearch方案。

尝鲜链接：https://github.com/zilliztech/deep-searcher

本文中，我们将以硅基流动 + DeepSeek +DeepSearcher为例，为大家带来本地部署展示。

01

为什么说DeepSearcher是搜索AGI的最新RAG范式

事实上，在DeepSearcher出现之前，企业做本地知识检索与专业内容生产的链路，一直是由一个个断点组成。

在Simple RAG时代，我们问题拆解，本地知识检索，互联网知识检索，基于检索的内容生成，是在不同环节被拆解完成的。

到了Graph RAG时代，检索与带有一定推理能力的内容生成成为可能，不过对于如何将问题深度拆解，到底需要检索什么内容，仍处于比较初级的形态。

到了Deep Searcher时代，一方面是模型推理能力的进步，一方面是算力的提升，从提问到问题拆解，到不同内容的检索，到生成，得以在一个环节内执行，RAG完成了从一个工具，到完整解决问题的角色进化。

02

选型参考：硅基流动 + DeepSeek +Milvus=DeepSearcher

本次复现中，我们会采用硅基流动 + DeepSeek +Milvus的方式来打造企业本地的Deep Searcher，选型逻辑如下：

硅基流动

硅基流动致力于打造规模化、标准化、高效能AI Infra 平台，提供高效能、低成本的多品类AI 模型服务，并能提供“满血” 的DeepSeek R1 服务。与此同时，过年前后，在DeepSeek官方入口频繁被挤崩的背景下，硅基流动联合华为昇腾成为国内最早一批将DeepSeek模型部署到自家服务上，并为每个注册用户提供了免费的api key及邀请奖励额度的平台。

（另，新用户注册，平台会送14元免费额度，邀请新用户也可得14元额度）

DeepSeek

DeepSeek是目前全球范围内最顶级的开源大模型企业，旗下Deepseek R1 ，还有DeepSeek V3均处于全球领先水平，在内容生成方面，具备相当优势。

Milvus

相较Open AI的DeepResearch，DeepSearcher最大的优势在于可以接入本地数据与知识库，将企业的本地私有数据应用至复杂的研究任务中。使用开源的Milvus向量数据库，可以对企业的私有化数据进行更加高效管理，使得大模型可以更加准确有效地回答用户疑问。

03

实操教程

第一步：硅基流动准备工作

1.注册硅基流动账号，访问 https://siliconflow.cn/ 进行注册

2.创建API Key，完成后需要保存个人的API Key，文章后续需要使用该Key，另外个人Key注意保密，如果出现泄漏可以删除重新生成。

2.20-1.png

第二步：DeepSearcher运行环境准备

1.从Github上获取项目源码

git clone https://github.com/zilliztech/deep-searcher.git

2.为DeepSearcher创建虚拟python环境，建议使用python3.10以上版本，下面使用python自带的venv创建虚拟环境，也可以根据自己熟悉的工具进行创建。

cd deep-searcherpython3 -m venv .venvsource .venv/bin/activate

3.安装deepsearcher及其依赖第三方库

pip install -e .

第三步：DeepSearcher 示例运行

1.设置环境变量，以下以Linux为例，编辑用户目录下的.bashrc，添加SILICONFLOW_API_KEY环境变量，其值设置为自己的API Key。

export SILICONFLOW_API_KEY=sk-xxx

2.编辑项目DeepSearcher项目下的examples目录下的basic_example.py文件，设置硅基流动的DeepSeek服务。下面示例中设置的是deep seek v3的模型，也可以设置为r1（即：deepseek-ai/DeepSeek-R1），更多模型选项可以参考其官方文档：https://docs.siliconflow.cn/cn/api-reference/chat-completions/chat-completions

config.set_provider_config("llm", "SiliconFlow", {"model": "deepseek-ai/DeepSeek-V3"})

2.20-2.png

3.在运行前，这里简单介绍下这个示例，是加载一个本地的pdf，然后让大模型针对于这个pdf回答问题，当然你也可以通过同样的方式load更多pdf。这篇文章只是一个简单的示例演示，更多关于DeepSearcher的介绍参考之前发送的文章。

# 确保你在该项目的根目录python examples/basic_example.py

2.20-3.png

运行后，将会看到整个问题思考解答的部分流程，在最后会给出一个类似于下图的最终答案。

2.20-4.png

这个示例最后也打印出了消耗的token数目，同时也可以在硅基流动平台查看该次消耗的费用。运行这次示例，笔者消耗了12224 token数目，费用为0.0286元。

2.20-5.png

04

写在最后

目前很多其他云厂商也提供了DeepSeek服务，如阿里云、科大讯飞、腾讯云等，也可以类似的设置，主要就是修改config，因为每个平台其模型名称可能存在差异，另外base url也不一样，可以参照下面示例对应编写。

config.set_provider_config(    "llm",    "DeepSeek",    {        "model": "xxx",        "api_key": "xxx",        "base_url": "xxx",    },)