基于抹布的研究助理使用O3-Mini和Crewai

OpenAI的最新型号O3-Mini正在使用其先进的推理，解决问题和代码生成功能来彻底改变编码任务。它有效地处理复杂的查询并集成了结构化数据，并在AI应用程序中设置了新标准。本文使用O3-Mini和Crewai探讨了建立检索功能的生成（RAG）研究助理代理，该代理从多个PDF中检索信息，并处理用户智能查询。我们将使用Crewai的Crewdoclingsource，Serperdevtool和Openai的O3-Mini来增强研究工作流程的自动化。

> >内容表

>用O3-Mini和Crewai

• >先前构建RAG代理
  • 步骤1：安装所需的库
  • 文档
  • >
  步骤5：定义AI模型
  • >步骤6：配置Web搜索工具
  步骤7：为文档搜索定义嵌入模型搜索
  • 11：运行研究助手
• >
结论
• >常见问题

>用O3-Mini和Crewai

构建破布代理

>发表了大量的研究，基于抹布的助手可以帮助研究人员快速找到相关的见解，而无需手动浏览数百篇论文。我们将要构建的代理将处理PDF，以根据文档的内容提取关键信息并回答查询。如果在PDF中找不到所需的信息，它将自动执行网络搜索以提供相关的见解。可以扩展此设置以用于更高级的任务，例如汇总多个论文，检测矛盾的发现或生成结构化报告。

>在本动手指南中，我们将建立一个研究代理，该研究代理将介绍有关DeepSeek-R1和O3-Mini的文章，以回答我们询问这些模型的查询。为了建立这位研究助理代理商，我们将首先经过先决条件并建立环境。然后，我们将导入必要的模块，设置API键并加载研究文档。然后，我们将继续定义AI模型并将Web搜索工具集成到其中。最后，我们将创建AI代理，定义他们的任务并组装船员。准备好后，我们将经营研究助理代理商，以了解O3-Mini是否比DeepSeek-R1更好，更安全。

>先决条件

>在进行实施之前，让我们简要介绍我们需要开始的内容。拥有正确的设置可确保平稳的开发过程并避免不必要的中断。

因此，请确保您有：

• 工作的Python环境（3.8或更高）
> OpenAi和Serper（Google Scholar API）
• API键
>

将它们安装到位，我们准备开始建造！

>

步骤1：安装所需库

>

首先，我们需要安装必要的库。这些库为文档处理，AI代理编排和Web搜索功能提供了基础。

!pip install crewai
!pip install 'crewai[tools]'
!pip install docling

这些图书馆在建立有效的AI驱动研究助理方面起着至关重要的作用。

> Crewai为设计和管理AI代理提供了一个强大的框架，允许定义专业角色并实现有效的研究自动化。它还促进了任务委托，以确保AI代理之间的平稳协作。 此外，Crewai [工具]安装了增强AI代理功能的基本工具，使其能够与API进行交互，执行Web搜索并无缝处理数据。
• 文档专门从研究文档中提取结构化知识，使其非常适合处理PDF，学术论文和基于文本的文件。在该项目中，它用于从Arxiv研究论文中提取关键发现。
• 步骤2：导入必要的模块
• 在此，
>

> OS模块可以安全地管理环境变量，例如API键，以进行平滑集成。

LLM为AI推理和响应产生提供动力。

import os
from crewai import LLM, Agent, Crew, Task
from crewai_tools import SerperDevTool
from crewai.knowledge.source.crew_docling_source import CrewDoclingSource

代理定义了专门的角色以有效地处理任务。

机组人员管理多个代理商，确保了无缝协作。>

任务分配和跟踪特定的职责。

Serperdevtool
• 启用Google Scholar搜索，改善外部参考检索。
• > CREWDOCLINGSOURCE整合了研究文档，实现结构化知识提取和分析。
步骤3：设置API键
• 如何获取API键？
>
OpenAI API键：在OpenAI上注册并获取API密钥。>
• Serper API密钥：在Serper.dev上注册以获取API密钥。

这些API键允许访问AI模型和Web搜索功能。>

步骤4：加载研究文件

在此步骤中，我们将加载来自Arxiv的研究论文，使我们的AI模型从中提取见解。选定的论文涵盖了关键主题：

os.environ['OPENAI_API_KEY'] = 'your_openai_api_key'
os.environ['SERPER_API_KEY'] = 'your_serper_api_key'

> https://arxiv.org/pdf/2501.12948：通过增强学习（DeepSeek-r1）探索LLMS中的推理能力。

1. https://arxiv.org/pdf/2501.18438：比较O3-Mini和DeepSeek-r1的安全性
https://arxiv.org/pdf/2401.02954：讨论具有长期视角的扩展开源语言模型。
2. >

步骤5：定义AI模型

现在我们将定义AI模型。

!pip install crewai
!pip install 'crewai[tools]'
!pip install docling

• o3 mini：一种强大的推理的AI模型。
>
• 温度= 0：确保确定性输出（相同查询的相同答案）。
>

>步骤6：配置Web搜索工具

为了增强研究能力，我们整合了一个网络搜索工具，该工具在提供的文档中未找到所需的信息时检索相关的学术论文。

import os
from crewai import LLM, Agent, Crew, Task
from crewai_tools import SerperDevTool
from crewai.knowledge.source.crew_docling_source import CrewDoclingSource

search_url =“ https://google.serper.dev/scholar”

>这指定了Google Scholar Search API端点。它确保在学术文章，研究论文和学术来源而不是一般网页中专门进行搜索。。

n_results = 2

1. 此参数限制了工具返回的搜索结果的数量，以确保仅检索最相关的信息。在这种情况下，它将从Google Scholar中获取前两篇研究论文，优先考虑高质量的学术来源。通过减少结果的数量，助手保持响应简洁有效，避免了不必要的信息过载，同时保持准确性。
>

步骤7：定义文档搜索的嵌入模型

>为了有效地从文档中检索相关信息，我们使用嵌入模型，将文本转换为基于相似性搜索的数值表示。

crewai中的嵌入器用于将文本转换为数值表示（嵌入），从而实现有效的文档检索和语义搜索。在这种情况下，嵌入模型由OpenAI提供，特别是使用“ Text-Embedding-ADA-002”，这是一种用于生成高质量嵌入的模型。从环境变量中检索API键以对请求进行身份验证。

>

os.environ['OPENAI_API_KEY'] = 'your_openai_api_key'
os.environ['SERPER_API_KEY'] = 'your_serper_api_key'

> Crewai支持包括OpenAI和Gemini（Google的AI模型）在内的多个嵌入式提供商，从而可以灵活地根据准确性，性能和成本考虑选择最佳模型。

步骤8：创建AI代理

>现在，我们将创建研究任务所需的两个AI代理：文档搜索代理和Web搜索代理。

文档搜索代理负责从提供的研究论文和文档中检索答案。它是分析技术内容和提取相关见解的专家。如果找不到所需的信息，它可以将查询委托给Web搜索代理以进行进一步探索。 allow_delegation = true设置启用此委托过程。

>

!pip install crewai
!pip install 'crewai[tools]'
!pip install docling

另一方面，Web搜索代理人旨在使用Google Scholar在线搜索缺失的信息。仅当文档搜索代理未能在可用文档中找到答案时，它才会介入。与文档搜索代理不同，它无法进一步委派任务（lashe_delegation = false）。它使用Serper（Google Scholar API）作为获取相关学术论文并确保准确响应的工具。

>步骤9：定义代理的任务

import os
from crewai import LLM, Agent, Crew, Task
from crewai_tools import SerperDevTool
from crewai.knowledge.source.crew_docling_source import CrewDoclingSource

>现在我们将为代理创建两个任务。

>

第一个任务涉及使用可用的研究论文和文档回答给定的问题。

>

>任务1：从文档中提取信息

当基于文档的搜索未产生答案时，下一个任务就会发挥作用。

os.environ['OPENAI_API_KEY'] = 'your_openai_api_key'
os.environ['SERPER_API_KEY'] = 'your_serper_api_key'

任务2：执行Web搜索，如果需要的话

>

步骤10：组装船员

>

content_source = CrewDoclingSource(
    file_paths=[
        "https://arxiv.org/pdf/2501.12948",
        "https://arxiv.org/pdf/2501.18438",
        "https://arxiv.org/pdf/2401.02954"
    ],
)

crewai的工作人员通过协调文档搜索代理和Web搜索代理来管理代理有效地完成任务。它首先在上传的文档中搜索并在Web搜索中搜索。

>

>知识_sources = [content_source]提供相关文档，

>

>嵌入式=嵌入器启用语义搜索，
• > >
• 步骤11：运行研究助理

>初始查询针对文档，以检查研究人员是否可以提供响应。提出的问题是“ O3-Mini vs DeepSeek-R1：哪一个更安全？”

llm = LLM(model="o3-mini", temperature=0)

>

>示例查询1：

响应

：

serper_tool = SerperDevTool(
    search_url="https://google.serper.dev/scholar",
    n_results=2  # Fetch top 2 results
)

>在这里，我们可以看到最终答案是由文档搜索者生成的，因为它在提供的文档中成功找到了所需的信息。

。 >示例查询2：

在这里，问题“哪个更好，O3 mini还是DeepSeek R1？”文档中不可用。系统将检查文档搜索代理是否可以找到答案；如果没有，它将将任务委派给Web搜索代理

响应

：

embedder = {
    "provider": "openai",
    "config": {
        "model": "text-embedding-ada-002",
        "api_key": os.environ['OPENAI_API_KEY']
    }
}

从输出中，我们观察到响应是使用Web Searcher代理生成的，因为文档研究人员代理找不到所需的信息。此外，它包括最终取回答案的来源。

>

结论

在这个项目中，我们成功地建立了一个由AI驱动的研究助理，该研究助理有效地从研究论文和网络中分析了信息。通过使用Crewai进行代理协调，用于文档处理的文档以及用于学术搜索的Serper，我们创建了一个能够回答具有结构性见解的复杂查询的系统。

助手在文档中首次搜索，并在需要时无缝将其委派给Web搜索，以确保准确的响应。这种方法通过自动化信息检索和分析来提高研究效率。此外，通过将O3-Mini研究助理与Crewai的Crewdoclingsource和Serperdevtool集成，我们进一步增强了该系统的文档分析功能。通过进一步的自定义，可以扩展此框架以支持更多的数据源，高级推理和改进的研究工作流程。

>

您可以在我们的免费课程中探索以Openai O3-Mini为特色的令人惊叹的项目 - 从O3-Mini开始

常见问题

> Q1。什么是crewai？

a。 Crewai是一个框架，可让您创建和管理具有特定角色和任务的AI代理。它使多个AI代理之间的协作能够自动化复杂的工作流程。 Crewai如何管理多个代理？ Crewai使用一种结构化方法，每个代理具有定义的角色，并且可以在需要时委派任务。机组人员对这些代理进行协调以有效地完成任务。什么是crewdoclingsource？ CrewDoclingSource是Crewai中的文档处理工具，它从研究论文，PDF和基于文本的文档中提取结构化知识。

Q4。什么是Serper API？ Serper API是一种允许AI应用程序执行Google搜索查询的工具，包括在Google Scholar上搜索学术论文。 Serper API可以免费使用吗？ Serper API提供免费的和付费计划，对免费层中的搜索请求数量的限制。 Q6。 Serper API和传统的Google搜索有什么区别？与标准的Google搜索不同，Serper API提供了对搜索结果的结构化访问，使AI代理可以有效提取相关的研究论文。 CREWDOCLINGSOURCE可以处理多个文件格式吗？是的，它支持常见的研究文档格式，包括PDF和基于文本的文件。>

以上是基于抹布的研究助理使用O3-Mini和Crewai的详细内容。更多信息请关注PHP中文网其他相关文章！