AI搜索技术架构：解析MindSearch与Augur的设计

MindSearch简介

MindSearch 是由中科大与上海人工智能实验室联合推出的开源AI搜索引擎框架，旨在解决用户在日常生活中遇到的各种问题。该框架具备与Perplexity.ai Pro相同的性能，支持广泛的知识探索，并通过透明的解决方案路径提高了回复的可信度。MindSearch采用多种用户界面，包括React、Gradio、Streamlit和本地调试，以满足不同用户的需求。此外，它采用动态图构建过程，将用户查询分解为子问题节点，并根据WebSearcher的搜索结果逐步扩展图。

MindSearch的原理分析

MindSearch的设计基于多智能体的思路，由两个主要成分组成：WebPlanner和WebSearcher。WebPlanner负责理解查询和规划查询任务，将复杂问题分解为可以并行解决的原子子问题。WebSearcher负责细粒度的网络搜索，并将有价值的信息总结回WebPlanner，形成一个有效的多智能体框架。这个框架通过将推理和检索过程的不同方面分配给专门的agent，大大减轻了每个单个agent的负载。

任务规划与实现

在MindSearch中，任务规划通过LLM来完成，采用了一种创新的方法：将搜索任务用代码来输出。这种方法利用了Python编程语言的灵活性，通过代码生成和执行来完成复杂的任务规划。这一过程是通过迭代完成的，WebPlanner会根据搜索结果动态添加新的节点，直到任务完成。

代码块示例

web_search_graph = WebSearchGraph()
web_search_graph.add_root_node('用户查询')

Augur：美团的在线预估框架

在美团的AI搜索架构中，Augur是一个核心组件。它为搜索AI化提供了从离线训练到在线服务的一系列解决方案。Augur的设计目标是解决特征抽取和模型预估的高效迭代问题，同时实现能力的快速复用并保障业务安全。Augur采用了Operator和Transformer概念，通过分离IO和计算，提升了特征抽取的性能。

Augur的功能特点

Augur通过分布式、无状态的设计，实现了高效的模型预估能力。其核心在于特征的处理逻辑，分为ContextLevel和DocLevel特征。Augur的异步非阻塞流程大大提高了资源利用率，使单机服务容量提升超过100%。

特征计算示例

ReadKV('feature_exp', '_id', '_id', 'binarybusinesstime', 'STRING')

MindSearch与其他AI搜索引擎的比较

在深度、广度和生成响应的准确性三个方面，MindSearch的表现与ChatGPT-Web、Perplexity.ai（Pro）进行了比较。评估结果显示，MindSearch在处理复杂任务时具有显著优势。此外，MindSearch通过对InternLM2.5-7B-Chat模型进行微调，提供了与GPT4相媲美的效果。

美团搜索的AI化历程

美团在搜索AI化的过程中，经历了从传统检索引擎到AI搜索引擎的升级。其架构主要由搜索数据平台、在线检索框架及云搜平台、在线AI服务及实验平台三大体系构成。核心组件包括模型训练平台Poker和在线预估框架Augur，支持商户、外卖、内容等核心搜索场景的业务指标提升。

Augur与Poker的结合

Augur与Poker的结合为美团的搜索业务提供了强大的支持。Poker作为搜索实验平台，通过在线预估服务管理模块，简化了模型和特征的管理流程，提高了算法迭代的效率。Augur的在线预估框架与Poker的管理平台共同构成了一个高效的搜索实验平台。

总结与未来展望

AI搜索技术架构正在快速发展，MindSearch和Augur为我们展示了未来搜索技术的可能性。通过多智能体协作和高效的特征处理，AI搜索引擎能够更好地满足用户的搜索需求。未来，随着技术的进一步发展，我们可以期待更多创新的AI搜索解决方案出现。

FAQ

问：MindSearch的核心优势是什么？
- 答：MindSearch采用多智能体框架，通过动态图构建和细粒度的网络搜索，提高了搜索的深度和广度，提供了更高质量的搜索结果。
问：Augur如何提升模型预估的性能？
- 答：Augur通过分布式、无状态设计，结合特征处理的优化，实现了高效的模型预估，使得单机服务容量提升超过100%。
问：如何在搜索业务中应用Augur和Poker？
- 答：通过Augur的在线预估框架和Poker的管理平台，用户可以快速进行模型和特征的管理，实现高效的搜索策略迭代。
问：美团搜索AI化的主要挑战是什么？
- 答：主要挑战在于特征的高效抽取和模型预估的快速迭代，以及在保证性能的同时实现业务的快速扩展。