ResearchGPT

Researchgpt

AI搜索和GPT代理商之间的快乐媒介

项目概述

ResearchGpt是一个创新的概念，旨在将语言模型驱动搜索引擎的实际功能与自动AI代理这样的自主AI代理（如Auto-GPT和Babyagi）的多步骤，经过想法的推理结合起来。该概念旨在提供一个具有凝聚力和生产力的语言模型代理，以克服当前AI工具中发现的约束。

理由和背景

当前的自主AI代理，例如自动GPT和Babyagi，在人工智能方面取得了显着的进步。它们具有出色的多步推理能力，对于复杂的任务至关重要。但是，这些代理通常因其低可靠性和不一致而受到批评，从而大大限制了它们的实际用法。

同时，AI驱动的搜索引擎（例如Bing AI和You.com）利用大型语言模型（LLMS）进行网络研究。尽管它们具有技术成熟，但这些引擎通常缺乏与手动搜索技术相比的独特优势。他们的搜索范围往往会被缩小，根据有限的来源来回答查询，并从本质上阐述了排名最高的文章的内容。这种受限的方法通常会使用户获得不足或过于特定的信息，从而阻碍了有效的决策。

研究的概念设计

借助Researchgpt，我旨在协调上述技术的优势，从而创造一种可以进行强大而有效的网络研究的代理。它从自主的AI代理中获得了经过思考的推理能力，并利用了AI驱动的搜索引擎的可靠任务完成方面，提供了平衡，实用的解决方案。

技术架构

ResearchGPT应用了一系列互连步骤，每个步骤都有助于创建结构良好的信息丰富的研究成果。这些步骤包括初始的Web搜索，关键链接评估，内容提取，文本摘要，最后是研究报告的汇编。

脚本的目的是自动执行各种研究任务，创建一个连贯的工作流程，该工作流程始于网络搜索，并在交付结构良好的信息丰富的信息丰富的研究报告中达到顶点。此过程涉及几个相互联系的步骤，每个步骤都在最后一个构建，以创建一个比其零件总和大得多的输出。

第一步涉及使用Google自定义搜索JSON API对网络进行针对性的，深远的搜索。通过准确解释用户的研究要求，脚本可以利用Google的搜索基础结构来检索网络上最相关的内容。

搜索后，脚本对检索到的链接进行评估，评估其内容的相关性和可靠性。此阶段涉及排名和排序过程，该过程根据其与手头研究问题的适当性安排链接，从而优先考虑高价值资源。

一旦选择了最合适的链接，下一步就涉及深入这些网页的内容，并在上一步中使用GPT-4指定的顺序使用GPT-4提取必要的信息。这允许脚本仅查明和提取最相关的信息，而无需任何无关数据。

然后总结提取的数据。此任务由GPT-4模型执行，该模型将内容提炼成其最关键的点，从而创建了一个摘要，该摘要保留了所有关键信息，同时删除了冗余细节。该信息存储在字典中，并从中获取链接

该过程的最后一步涉及汇总所有汇总数据，并将其汇编为一份良好的，有证据支持的研究报告。该报告旨在解决用户的原始查询，提供从广泛可靠来源得出的全面见解和结论。为了确保信息的透明度和可追溯性，报告中都准确地引用了所有来源。

总之，该脚本是一种高级研究工具，专业地合并了AI和Web搜索领域，以提供深入，结构化和用户尾部的研究报告。它大大简化了研究过程，使用户可以专注于分析和解释，而不是在网络上可用的信息中迷失。

关键功能

• 网络搜索：利用Google自定义搜索JSON API，脚本基于用户指定的研究主题查询Web。
• 链接评估和顺序：根据与给定的研究问题相关的顺序评估，分类和排名搜索结果。
• 内容提取和汇总：使用GPT-4模型刮除，令牌化并汇总了所选链接中的Web内容，提取最相关的信息并丢弃其余信息。
• 报告生成：所有汇总数据均已汇总，并且脚本生成了全面的，证据支持的研究报告，以解决初始查询。所有信息来源都被适当引用以确保透明度。

依赖性

该脚本在Python 3.6或更新的情况下运行，并依赖以下Python库：

• 请求：用于向网页提出HTTP请求。
• JSON：用于处理JSON数据。
• Openai：与Openai API互动。
• GoogleapicLient：使用Google的自定义搜索JSON API。
• BeautifulSoup4：用于解析HTML并提取信息。
• 变压器：用于使用GPT-2令牌化的输入。
• 时间：管理限制的请求。
• 随机：生成伪随机数（如果需要）。请注意，您需要提供您的个人OpenAI和Google API密钥，以利用此研究工具的功能。

用法

首先在提示时输入研究查询。脚本将按顺序执行以下任务：Web搜索，链接提取和订购，内容摘要和研究报告生成。它根据从网络收集的信息中输出一份全面的结构化研究报告。

免责声明

由于此脚本中使用的AI模型和API依赖于概率方法，因此运行之间的结果可能会略有不同。因此，建议对其他可靠来源进行跨验证信息。