Alpha Agentic Search — 分层记忆 RAG 检索问答系统

说在前面的话:

自agent被提出以来，学术界有太多的search agent框架：从最开始的search r1，到后面各种用于刷榜的web search。各位同行大佬们的奇思妙想都给我们无尽的思考；但对工业界、AI搜初学者、以及想搭建个人搜索助手极客们，层次化、稳定可控、耗时短，永远是最基础的需求。

业界那么多AI搜索应用，真正火出圈的也就perplexity、秘塔等；一个很重要的点：如何让你的搜索越用越好用，搭建一套完整的多级检索和自动更新的harness框架，可能远比单个模型优化、或者高耗时容忍的multi-agent自进化更重要。

我们这里开源 Alpha Agentic Search (AAS) 框架，它主打的就是“稳定、可控、低耗时”！并在快手AI搜上面有了相应的落地。无论你是一名初学者，一位刚入行的AI工程师，还是一位资深AI搜索架构师，相信这套系统对您都有所启发。

• 作者个人主页：https://benchen4395.github.io/
• 如有问题或建议，欢迎沟通：benchen4395@gmail.com

简介:

一个可运行、可教学、也可作生产原型的 Agentic Search 项目： 用 Route → Rewrite → Retrieve → Read 的经典链路做联网问答， 并在检索侧接入了一套 5 层记忆 RAG 栈（L1–L5），实现 Perplexity 式的 “越用越强”。

两大设计原则：

1. 多 Provider / 多 Stage：每个阶段（路由 / 改写 / 回答）都能独立选模型、改 prompt，业务代码零硬编码。
2. 统一向量空间：L1–L5 全部使用 FlagEmbedding BGE-M3 编码，跨层可比、可融合。

二期优化点：（未来一个月内）

1. 多跳搜索的精准实现：当前依然倾向于单轮检索 （+模糊搜索实现的多跳问答）；后续会增加 Controllableloop agent；
2. 多模态 / 富媒体搜索：未来考虑”返回图片、表格、代码块”多模态搜索；并支持答案的图片来源和Markdown 表格渲染。

1. 快速开始

# 1) 本地 LLM（router / rewriter 阶段默认走 ollama）
ollama pull qwen3:4b-instruct-2507-q8_0
ollama serve

# 2) 依赖（建议在 conda 环境 search-agent 中安装）
pip install -r requirements.txt

# 3) summary 阶段默认走 DeepSeek（OpenAI 兼容协议）
export DEEPSEEK_API_KEY="sk-xxx"

# 4) 启动（CLI）；启动会打印当前各 stage 使用的模型
python main.py

# 或启动 Web 图形界面（Gradio）
python main_web.py --port 7860

说明：RAG 的 L2/L5 需要离线索引才会真正召回；未构建索引时这两层自然返回空， 系统仍可正常用 L1/L3/L4 工作。索引构建见 rag/README.md §3.3。

CLI 内置命令：config（查看模型配置）、clear（清空记忆）、:stream on|off（切换流式）、exit。

Claude Code 风格的执行透明化：CLI 与 Web 都会把 Agent 的每个流水线步骤 （路由 / 改写 / 检索 / 回答）实时展示出来并标注 ⏱️ 耗时。

• CLI：每步以 🔀 工具路由 → ... ⏱️ 120ms 的形式打印为一行 trace。
• Web：每步渲染为一个可折叠的步骤块，最终回答在其下方流式输出； 界面为宽扁单屏布局（左侧聊天、右侧配置栏），无需下滑即可看到输入框与全部控件。

详见 §2.1「执行事件机制」。

2. 系统架构

                         ┌──────────────────────────────┐
   用户输入  ──────────► │ main.py (CLI) / main_web.py(Web)│
                         └───────────────┬──────────────┘
                                         ▼
                         ┌──────────────────────────────┐
                         │  agent.py  AgenticSearchAgent  │  主控编排
                         └───────────────┬──────────────┘
                                         │
     ┌──────────────┬───────────────────┼───────────────────┬──────────────┐
     ▼