Dê uma pergunta e o agente gera a estrutura, busca na web com Tavily, reflete em várias rodadas e entrega um relatório completo em Markdown.
# instalar dependências pip install -r requirements.txt # rodar um exemplo python examples/basic_usage.py
O DeepSearchAgent implementa um pipeline de pesquisa profunda em Python puro, sem depender de frameworks pesados. Ele encadeia nós de estrutura, busca, resumo e reflexão para produzir relatórios bem fundamentados.
Implementado do zero, com nós de processamento próprios — fácil de entender e de personalizar.
Múltiplas rodadas de reflexão identificam lacunas e disparam novas buscas para garantir profundidade e completude.
Compatível com DeepSeek, OpenAI e outros modelos; busca web de qualidade via Tavily; saída em Markdown.
A partir da consulta, o agente monta o outline, pesquisa por parágrafo, gera os rascunhos, reflete para preencher lacunas e consolida tudo num relatório final.
Python e Git, dependências do requirements.txt e chaves de API: Tavily para busca e um provedor de LLM (DeepSeek por padrão, OpenAI opcional).
Crie e ative um ambiente virtual para isolar as dependências.
# venv python -m venv venv source venv/bin/activate
Instale tudo a partir do requirements.txt.
# instalar pip install -r requirements.txt
No config.py, defina a chave da Tavily e do provedor de LLM.
# config.py DEEPSEEK_API_KEY = "sua_chave" TAVILY_API_KEY = "sua_chave"
Clone, instale, configure as chaves e rode — por script de exemplo, pela interface web ou diretamente pelo código.
Baixe o código e entre na pasta.
git clone https://github.com/inematds/deepsearchagent.git cd deepsearchagent
Com o venv ativo, instale as bibliotecas.
python -m venv venv && source venv/bin/activate pip install -r requirements.txt
Edite o config.py na raiz com suas chaves e parâmetros (provedor, modelo, rodadas de reflexão).
DEFAULT_LLM_PROVIDER = "deepseek" MAX_REFLECTIONS = 2 OUTPUT_DIR = "reports"
Comece pelos scripts de exemplo: uso básico ou avançado.
python examples/basic_usage.py # consulta pré-definida python examples/advanced_usage.py # config + estado
Para uma experiência visual, suba o app Streamlit.
streamlit run examples/streamlit_app.py
O agente pode ser acionado por script, pela web ou embutido no seu próprio código Python.
basic_usage.py roda uma consulta pré-definida e exibe o relatório gerado em Markdown.
advanced_usage.py demonstra parâmetros customizados, múltiplas pesquisas e gerenciamento de estado.
streamlit_app.py oferece uma interface web amigável para rodar pesquisas e ler os resultados.
Instancie o DeepSearchAgent no seu código, ajuste o Config e salve/carregue o estado da pesquisa.
O pipeline completo já funciona com reflexão e múltiplos LLMs. As fases refletem o que o repositório oferece e os próximos passos.