پژوهشگران بنیاد Sentient، چهارچوبی به نام Open Deep Search (ODS) را عرضه کرده‌اند که به‌عنوان یک راه‌حل متن‌باز، قابلیت‌هایی مشابه با سیستم‌های جستجوی هوش مصنوعی اختصاصی مانند Perplexity و ChatGPT Search را ارائه می‌دهد. این سیستم، مدل‌های زبانی بزرگ (LLM) را با عوامل هوش مصنوعی پیشرفته‌ای مجهز می‌کند که قادر به استفاده از جستجوی وب و سایر ابزارها برای پاسخ به سوالات هستند. برای سازمان‌هایی که به دنبال ابزارهای قابل‌تنظیم جستجوی هوش مصنوعی هستند، ODS یک جایگزین کارآمد و تجربه‌محور برای راه‌حل‌های تجاری بسته فراهم می‌آورد.
راهکارهای مدرن جستجوی هوش مصنوعی مانند Perplexity و ChatGPT Search، می‌توانند با ترکیبی از دانش و استدلال LLMها و جستجوی وب، پاسخ‌های به‌روز ارائه دهند. اما این راه‌حل‌ها معمولاً اختصاصی و بسته هستند و سفارشی‌سازی آنان برای کاربردهای خاص را دشوار می‌سازد. به گفته هیمانشو تایگی، هم‌بنیان‌گذار Sentient، «بسیاری از نوآوری‌ها در جستجوی هوش مصنوعی در پشت درهای بسته صورت گرفته‌اند. تلاش‌های متن‌باز تاکنون از نظر راحتی استفاده و کارایی عقب بوده‌اند. ODS با ارائه کیفیت، سرعت و انعطاف‌پذیری، قصد دارد این فاصله را پر کند.»
Open Deep Search به‌عنوان یک سیستم گسترده و انعطاف‌پذیر طراحی شده که می‌تواند با مدل‌های متن‌باز مانند DeepSeek-R1 و مدل‌های بسته مانند GPT-4o و Claude یکپارچه شود. ODS از دو جزء اصلی تشکیل شده، که هر دو از مدل پایه LLM انتخابی استفاده می‌کنند:
-
ابزار جستجوی باز: این ابزار، پرسش‌ها را دریافت کرده و اطلاعات مورد نیاز را از وب جمع‌آوری می‌کند. در ابتدا، اصل پرسش را به اشکال مختلف بازنویسی می‌کند تا پوشش جستجو را گسترده‌تر کرده و دیدگاه‌های متنوعی را جذب کند. سپس نتایج جستجو را از موتورهای جستجو گردآوری کرده و از تکنیک‌های فیلتر و رتبه‌بندی مجدد استفاده می‌کند تا مرتبط‌ترین محتوا را ارائه دهد. این ابزار قابلیت اولویت‌بندی منابع قابل‌اعتماد هنگام مواجهه با اطلاعات متناقض را دارد.
-
عامل استدلال باز: این عامل، پرسش کاربر را دریافت کرده و با استفاده از LLM پایه و ابزارهای مختلف (شامل ابزار جستجوی باز)، پاسخ نهایی را شکل می‌دهد. Sentient دو معماری عامل مجزا را در ODS ارائه می‌دهد:
-
ODS-v1: از چارچوب عاملی ReAct در کنار استدلال زنجیره‌ای (CoT) بهره‌مند است. این عامل پاسخ نهایی را از طریق فرآیندهای فکری و اقدامات مختلف تولید می‌کند و در صورت نیاز به رویکرد CoT Self-Consistency می‌رود.
-
ODS-v2: از زنجیره کد (CoC) و عامل CodeAct بهره می‌گیرد که توسط کتابخانه SmolAgents پیاده‌سازی شده است. این نسخه از قدرت LLM برای ایجاد و اجرای قطعات کد استفاده می‌کند و به این ترتیب می‌تواند وظایف پیچیده‌تر را که به برنامه‌ریزی دقیق و جستجوهای چندمرحله‌ای نیاز دارند، مدیریت کند.
کنترل عمقی که ODS ارائه می‌دهد، به کاربران امکان می‌دهد تا عوامل و ابزارهای متن‌باز مورد ترجیح خودشان را یکپارچه کنند و از خرید انحصاری دوری کنند. چارچوب ODS قابلیت‌های استدلالی محکمی را برای کسب‌وکارها فراهم می‌آورد و از شفافیت و قدرت تنظیم بالا برخوردار است. به گفته تایگی، ODS قادر است به صورت پویا ابزارها را بر اساس توصیف‌هایی که در ورودی‌ها ارائه می‌شود، انتخاب کند و با ابزارهای ناشناخته نیز به خوبی تعامل کند.
رای سازمان‌هایی که به دنبال ابزارهای قابل تطبیق و عملکرد بالا برای استدلال هوش مصنوعی هستند، ODS یک گزینه جذاب به شمار می‌آید. برای کسب اطلاعات بیشتر درباره این پروژه و یا دسترسی به کد آن می‌توانید به صفحه GitHub مراجعه کنید.
بنیاد Sentient ارزیابی گسترده‌ای از ODS با مدل متن‌باز DeepSeek-R1 انجام داده است و این سیستم در مقایسه با رقبای بسته مانند Perplexity AI و GPT-4o Search Preview عملکرد برتری را نشان داده است. نتایج نشان می‌دهند که ODS می‌تواند به عنوان یک راه‌حل متن‌باز و انعطاف‌پذیر، در کسب وکارها به کار گرفته شود و محدودیت‌های راه‌حل‌های اختصاصی را برطرف کند.