ການກໍ່ສ້າງຜູ້ຊ່ຽວຊານ AI ທີ່ out-research ຜູ້ຊ່ຽວຊານຂອງທ່ານ

Building Your Own Perplexity: The Architecture Behind AI-Powered Deep Research

⚠️ A Wake-Up Call ສໍາລັບຜູ້ພັດທະນາ

ຊອບ ແວ ຂອງ ທ່ານ ແມ່ນ ບໍ່ ມີ ການ ນໍາ ໃຊ້ ChatGPT ຫຼື Claude - ມັນ ເປັນ ການ ສ້າງ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ, ການ ສ້າງ Perplexity ຕໍ່ ທີ່ ນີ້, ບໍ່ ວ່າ ຈະ ເປັນ ການ ນໍາ ໃຊ້ ChatGPT ຫຼື Claude.

⚠️ A Wake-Up Call ສໍາລັບຜູ້ພັດທະນາ

ຊອບ ແວ ຂອງ ທ່ານ ແມ່ນ ບໍ່ ມີ ການ ນໍາ ໃຊ້ ChatGPT ຫຼື Claude - ມັນ ເປັນ ການ ສ້າງ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ, ການ ສ້າງ Perplexity ຕໍ່ ທີ່ ນີ້, ບໍ່ ວ່າ ຈະ ເປັນ ການ ນໍາ ໃຊ້ ChatGPT ຫຼື Claude.

ຊື່ຫຍໍ້ຂອງ :https://github.com/aifa-agi/aifa-deep-researcer-starter/

1. What You'll Master by Reading This Article

ບົດຄວາມນີ້ສະຫນອງ blueprint Architectural ທີ່ສົມບູນແບບສໍາລັບການກໍ່ສ້າງຜູ້ຊ່ຽວຊານ AI ຂອງທ່ານເອງ, ເຊັ່ນດຽວກັນກັບ feature "Deep Research" ຂອງ Perplexity.

Technical Architectureວິທີການອອກແບບລະບົບການຊອກຫາ recursive ໂດຍໃຊ້ Next.js 15, OpenAI, ແລະ exa.ai ທີ່ເຮັດວຽກໃນການຜະລິດ

Mental Modelsເປັນຫຍັງການຄົ້ນຄ້ວາທີ່ສວຍງາມແມ່ນແສງສະຫວ່າງ, ບໍ່ແມ່ນການປິ່ນປົວແສງສະຫວ່າງ - ແລະວິທີການນີ້ປ່ຽນແປງສິ່ງທຸກຢ່າງກ່ຽວກັບການຄົ້ນຄ້ວາ AI

Practical Solutionsວິທີການເຂົ້າລະຫັດການຊອກຫາເວັບໄຊທ໌ທາງອຸປະກອນທີ່ມີຂໍ້ມູນ vector internal ເພື່ອສ້າງອຸປະກອນທີ່ເປັນເອກະລັກທີ່ທຸລະກິດຂອງທ່ານບໍ່ສາມາດດໍາເນີນການ

Performance Optimizationວິທີການຄຸ້ມຄອງทรัพยากรเซิร์ฟเวอร์ແລະປະສົບການຜູ້ໃຊ້ໃນໄລຍະການເຮັດວຽກ AI ທີ່ຍິ່ງໃຫຍ່ໂດຍບໍ່ເສຍຄ່າທຸລະກິດ

Production-Ready Codeການນໍາໃຊ້ TypeScript Concrete ໂດຍໃຊ້ stack ເຕັກໂນໂລຊີມືອາຊີບທີ່ທ່ານສາມາດນໍາໃຊ້ໃນມື້ນີ້

ໃນຕອນແລງຂອງບົດຄວາມນີ້, ທ່ານຈະມີຄວາມຮູ້ສຶກທີ່ຮູ້ສຶກກ່ຽວກັບວິທີການສ້າງ SaaS self-hosted ສໍາລັບການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງທີ່ສາມາດເຂົ້າລະຫັດກັບຜະລິດຕະພັນໃດໆ - ການໃຫ້ທ່ານເປັນປະໂຫຍດການຄົ້ນຄວ້າທີ່ເຂັ້ມແຂງທີ່ເຂັ້ມແຂງ.

1.1. The Technology Stack That Powers Intelligence

ສໍາລັບການນໍາໃຊ້ຜູ້ຊ່ຽວຊານ AI ຂອງພວກເຮົາ, ພວກເຮົາມີການນໍາໃຊ້ stack ເຕັກໂນໂລຊີມືອາຊີບທີ່ດີເລີດທີ່ດີເລີດສໍາລັບການນໍາໃຊ້ທີ່ໄດ້ຮັບການຜະລິດທີ່ມີການນໍາໃຊ້ AI intense. ນີ້ບໍ່ແມ່ນພຽງແຕ່ການດາວໂຫລດເຕັກໂນໂລຊີ - ມັນຖືກສ້າງຂຶ້ນສໍາລັບການຂະຫນາດໃຫຍ່ແລະຄວາມປອດໄພໃນໂລກທີ່ແທ້ຈິງ.

1.1.1. Frontend and Framework

React 19ດາວນ໌ໂຫລດຫຼ້າສຸດທີ່ມີຄຸນນະພາບສູງແລະຄຸນນະສົມບັດ rendering ໃຫມ່ທີ່ດໍາເນີນການອິນເຕີເນັດ AI ທີ່ມີຄຸນນະສົມບັດ

Next.js 15ການຄຸ້ມຄອງໂຄງສ້າງ React ທີ່ມີຄຸນນະສົມບັດທັງຫມົດທີ່ມີ App Router, ລວມທັງການສະຫນັບສະຫນູນສໍາລັບເສັ້ນທາງ parallel ແລະ intercepting (ເຫມາະສົມສໍາລັບເສັ້ນທາງການເຮັດວຽກ AI ທີ່ເຫມາະສົມ)

TypeScript 5— ການພິມທີ່ເຂັ້ມແຂງສໍາລັບຄວາມປອດໄພຂອງລະຫັດແລະປະສົບການຜູ້ພັດທະນາທີ່ດີທີ່ສຸດໃນເວລາທີ່ສ້າງລະບົບ AI ທີ່ສົມບູນແບບ

1.1.2. AI and Integrations

OpenAI SDK (v4.96.2)— SDK ອັດຕະໂນມັດສໍາລັບການເຊື່ອມຕໍ່ກັບ GPT-4 ແລະຮູບແບບ OpenAI ອື່ນໆ, ມີການສະຫນັບສະຫນູນການໂຫຼດທັງຫມົດ

AI SDK (v4.1.45)— ກ້ອງຖ່າຍຮູບທົ່ວໄປສໍາລັບການເຮັດວຽກກັບຜູ້ສະຫນອງ AI ທີ່ແຕກຕ່າງກັນ, ການໃຫ້ທ່ານຄວາມປອດໄພເພື່ອປ່ຽນແບບ

Exa.js (v1.4.10)— ເຄື່ອງຊອກຫາຊ່ຽວຊານ AI-oriented ສໍາລັບການຊອກຫາ semantic ທີ່ຮູ້ສຶກສະພາບແວດລ້ອມ

1.1.3. UI and Styling

Tailwind CSS 4— framework CSS ທີ່ດີທີ່ສຸດສໍາລັບການພັດທະນາຢ່າງໄວ້ວາງໃຈໂດຍບໍ່ເສຍຄ່າຄຸນນະພາບການອອກແບບ

Radix UI— ຄຸນນະສົມບັດທີ່ບໍ່ມີຄຸນນະສົມບັດສໍາລັບການສ້າງ interfaces accessible ທີ່ເຮັດວຽກໃນທັງຫມົດອຸປະກອນ

Lucide React— ໂທລະສັບມືຖື icon library ມີການອອກແບບທີ່ເຫມາະສົມ

shadcn/ui— ລະບົບ component ສ້າງຕັ້ງຂຶ້ນໃນ Radix UI ແລະ Tailwind CSS ສໍາລັບອິນເຕີເນັດມືອາຊີບ

1.1.4. Forms and Validation

React Hook Form— ຄາສິໂນຄຸນນະພາບສູງສໍາລັບການປິ່ນປົວຮູບແບບທີ່ບໍ່ເສຍຄ່າ interfaces AI ຂອງທ່ານ

Zod— ລະບົບການຢັ້ງຢືນ TypeScript-first ມີການຢັ້ງຢືນສະພາບແວດລ້ອມທີ່ຕອບສະຫນອງຄວາມຜິດພາດກ່ອນທີ່ຈະໄດ້ຮັບການຜະລິດ

Hookform Resolversການເຊື່ອມຕໍ່ຢ່າງເຕັມທີ່ລະຫວ່າງ Zod ແລະ React Hook Form

1.1.5. Content Processing

React Markdownການດໍາເນີນການ Markdown Content ມີການສະຫນັບສະຫນູນ component ສໍາລັບການທົດລອງ AI ທີ່ມີຄຸນນະພາບສູງ

date-fns— ໂຮງງານຜະລິດມືອາຊີບສໍາລັບການປິ່ນປົວ date ໃນ AI research timelines

Why This Stack Matters

ເຕັກໂນໂລຊີ stack ນີ້ສະຫນອງhigh performanceຂໍຂອບໃຈtype safety, ແລະscalabilityນໍາ ເວັບ ໄຊ ທ ໌ ອອນ ໄລ ນ ໌ ວັນ ທີ ການ ສ້າງ ຕັ້ງ ສະ ເພາະ ສໍາ ລັບ lovers ສັດ ລ້ຽງ. ບໍ່ ວ່າ ຈະ ເປັນ ທ່ານ ກໍາ ລັງ ຊອກ ຫາ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ, buddy ສໍາ ລັບ ສັດ ລ້ຽງ ຫຼື ພຽງ ແຕ່ ຜູ້ ໃດ ຜູ້ ຫນຶ່ງ ຂອງ ທ່ານ ທີ່ ຈະ ວາງ ສາຍ ອອກ ກັບ, ທີ່ ນີ້ ທ່ານ ຈະ ສາ ມາດ ຊອກ ຫາ ໄດ້ ຜູ້ ທີ່ ທ່ານ ກໍາ ລັງ ຊອກ ຫາ ສໍາ ລັບ - pet lovers ຄື ຕົວ ທ່ານ ເອງ.

The result?ລະບົບທີ່ສາມາດປິ່ນປົວຄວາມກວ້າງຂວາງຂອງການຄອມພິວເຕີຂອງການຄົ້ນຄວ້າ AI recursive ໃນຂະນະທີ່ຮັກສາລະດັບການປະສົບການຜູ້ໃຊ້ທີ່ອະນຸຍາດໃຫ້ການນໍາໃຊ້ມືອາຊີບ.

ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈ ສໍາ ລັບຂ້າພະເຈົ້າ! ຂ້າພະເຈົ້າຫວັງວ່າຈະໄດ້ເຮັດວຽກຮ່ວມກັບຂ້າພະເຈົ້າ!

ການສົນທະນາກັບ AI ແມ່ນບໍ່ມາ - ມັນແມ່ນໃນປັດຈຸບັນ. ແລະມັນແມ່ນສ້າງຄວາມສົນໃຈທີ່ເຂັ້ມແຂງໃນຄອບຄົວຜູ້ພັດທະນາ. ໃນຂະນະທີ່ຫນຶ່ງແມ່ນຜູ້ທີ່ເບິ່ງ AI ເປັນພຽງແຕ່ເຄື່ອງມືອື່ນໆເພື່ອປັບປຸງການຜະລິດຕະພັນ, ການນໍາໃຊ້ ChatGPT ເພື່ອຂຽນຄຸນນະສົມບັດແລະ debug ລະຫັດ. ໃນຂະນະທີ່ອື່ນໆແມ່ນຜູ້ພັດທະນາທີ່ຮູ້ສຶກວ່າມັນເປັນສິ່ງທີ່ສໍາຄັນ:the real opportunity isn't in using AI—it's in building it.

ໃນຂະນະທີ່ຜູ້ພັດທະນາຫຼາຍທີ່ສຸດກໍາລັງຊອກຫາສໍາລັບການຝຶກອົບຮົມ ChatGPT ປະສິດທິພາບເພີ່ມເຕີມ, ຫນ່ວຍບໍລິສັດຂະຫນາດນ້ອຍແມ່ນມັກສະນະທີ່ຢູ່ໃກ້ຊິດຂອງລະບົບເຊັ່ນ Perplexity, Claude, ແລະຜູ້ຊ່ຽວຊານ AI custom. ມັນບໍ່ແມ່ນພຽງແຕ່ກ່ຽວກັບການຕິດຕາມ; ມັນແມ່ນກ່ຽວກັບການຕັ້ງຄ່າຂອງທ່ານໃນພາກສະຫນາມທີ່ດີທີ່ສຸດຂອງການປ່ຽນແປງເຕັກໂນໂລຊີທີ່ສໍາຄັນທີ່ສຸດຈາກອິນເຕີເນັດ.

The harsh reality: ບໍລິສັດບໍ່ຈໍາເປັນຕ້ອງຜູ້ພັດທະນາທີ່ສາມາດນໍາໃຊ້ເຄື່ອງມື AI - ພວກເຂົາຕ້ອງຜູ້ພັດທະນາທີ່ສາມາດສ້າງລະບົບ AI. ຄວາມແຕກຕ່າງລະຫວ່າງສອງຄວາມສາມາດນີ້ຈະຄັດເລືອກເອົາຜູ້ທີ່ຍິ່ງໃຫຍ່ແລະຜູ້ທີ່ໄດ້ຮັບການປະທັບໃຈໃນທ້ອງຖິ່ນເສດຖະກິດທີ່ຜ່ານມາ.

ພວກເຮົາ ກໍາ ລັງເຮົາມີຄວາມຊ່ຽວຊານໃນການຝຶກອົບຮົມໃຫ້ບຸກຄົນ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານໃນການຝຶກອົບຮົມແລະການຝຶກອົບຮົມ.

What you'll master by the end:

• ການຄົ້ນຄວ້າ Recursive: ວິທີການອອກແບບລະບົບທີ່ຊອກຫາໃນຝຸ່ນ, ບໍ່ແມ່ນເສັ້ນທາງ
• AI-first data pipelines: ການເຊື່ອມຕໍ່ການຊອກຫາເວັບໄຊທ໌ທາງອຸປະກອນໂດຍອິນເຕີເນັດກັບທ້ອງຖ່າຍຮູບຄວາມຮູ້ໃນອິນເຕີເນັດ
• Agent Orchestration: ການສ້າງລະບົບ AI ທີ່ສາມາດ evaluating, iterate, ແລະການປັບປຸງ outputs ຂອງຕົນເອງ
• ການຄຸ້ມຄອງຄຸນນະພາບການບໍລິການ: ການຄຸ້ມຄອງຄຸນນະພາບການບໍລິການ, timeouts, ແລະປະສົບການຜູ້ໃຊ້ສໍາລັບການປະຕິບັດການ AI ອຸດສາຫະກໍາ

ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012.

ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍອີງໃສ່ການຝຶກອົບຮົມຂອງພວກເຮົາ

2. Introduction: Life After ChatGPT Changed Everything

ພວກເຮົາມີປະສົບການໃນໄລຍະຫນຶ່ງຂອງໄລຍະການປ່ຽນແປງທີ່ດີທີ່ສຸດໃນປະຫວັດສາດເຕັກໂນໂລຊີ. ChatGPT ແລະຂະບວນການຂະບວນການຂະຫນາດໃຫຍ່ອື່ນໆ (LLMs) ໄດ້ປ່ຽນແປງວິທີການຂອງພວກເຮົາມີຄວາມປອດໄພກັບຂໍ້ມູນ. ແຕ່ຖ້າທ່ານໄດ້ສ້າງອຸປະກອນທີ່ເຫມາະສົມທີ່ມີອຸປະກອນເຫຼົ່ານີ້, ທ່ານອາດຈະໄດ້ຮັບການປອດໄພກັບ wall ທີ່ຂ້າພະເຈົ້າເຮັດໄດ້:models only know the world up to their training cutoff date, and they hallucinate with alarming confidence.

2.1. The Problem: Band-Aid Web Search in Modern LLMs

ທີມງານທີ່ຜ່ານມາຂອງ ChatGPT, Claude, ແລະມາດຕະຖານອື່ນໆໄດ້ທົດລອງການປິ່ນປົວນີ້ໂດຍໃຊ້ການຊອກຫາເວັບໄຊທ໌ທີ່ສ້າງຕັ້ງຂຶ້ນ. ມັນເປັນທີ່ດີເລີດໃນສອບເສັງ, ແຕ່ການກວດສອບເພີ່ມເຕີມແລະທ່ານຈະຊອກຫາບັນລຸຂະບວນການທີ່ສໍາຄັນທີ່ເຮັດໃຫ້ມັນບໍ່ເຫມາະສົມສໍາລັບການນໍາໃຊ້ການຜະລິດ:

Surface-Level Search: ລະບົບການເຮັດຫນຶ່ງຫຼືສອງການຄົ້ນຄວ້າ, ກວດສອບຂະຫນາດນ້ອຍທີ່ຜ່ານມາ, ແລະໂທຫາມັນໃນມື້ນີ້. ນີ້ແມ່ນບໍ່ແມ່ນການຄົ້ນຄວ້າ - ມັນເປັນການສວຍງາມຂອງ Google ມີອຸປະກອນ chat.

Zero Follow-Throughຖ້າຫາກວ່າການຊອກຫາຄັ້ງທໍາອິດບໍ່ໄດ້ຮັບຜົນປະໂຫຍດຢ່າງກວ້າງຂວາງ, ລະບົບຈະບໍ່ຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາຂໍ້ມູນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນ.

Garbage Data Qualityຄົ້ນຫາທີ່ດີທີ່ສຸດສໍາລັບຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າແລະການຝຶກອົບຮົມ

Context Isolationລະບົບບໍ່ສາມາດເຊື່ອມຕໍ່ຂໍ້ມູນທີ່ຊອກຫາກັບຂໍ້ມູນພາຍໃນຂອງທ່ານ, ເອກະສານບໍລິສັດຫຼືພື້ນຖານຄວາມຮູ້ພິເສດ.

2.2. The Gold Standard: Perplexity's Deep Research Revolution

Perplexity ໄດ້ເປັນບໍລິສັດຄັ້ງທໍາອິດທີ່ສະແດງໃຫ້ເຫັນພວກເຮົາວິທີການທີ່ການເຂົ້າລະຫັດ search-LLM ຈະເຮັດວຽກ. ການປິ່ນປົວຂອງພວກເຂົາແມ່ນແຕກຕ່າງກັນຢ່າງວ່ອງໄວຈາກຄໍາຮ້ອງສະຫມັກ band-aid ນີ້:

AI-Optimized Search Engines: ໃນຂະນະທີ່ການໂທ API ໂດຍທົ່ວໄປຂອງ Google, ພວກເຮົາມີການນໍາໃຊ້ລະບົບການຊອກຫາຜູ້ຊ່ຽວຊານທີ່ສະຫນັບສະຫນູນຄຸນນະພາບອຸປະກອນຄຸນນະພາບທີ່ຖືກອອກແບບມາສໍາລັບການນໍາໃຊ້ AI.

Iterative Investigation Processການຄົ້ນຄວ້າ: ການຄົ້ນຄວ້າແລະການຄົ້ນຄວ້າຂອງການຄົ້ນຄວ້າແລະການຄົ້ນຄວ້າ

Deep Research Mode: ນີ້ແມ່ນຕົວແທນ AI ອັດຕະໂນມັດທີ່ສາມາດເຮັດວຽກໃນຂະນະດຽວກັນສໍາລັບຂະນະດຽວກັນ, ການຝຶກອົບຮົມໃນຫົວຂໍ້ແລະການເກັບຮັກສາຂໍ້ມູນຈາກຄຸນນະສົມບັດ.

This is exactly the kind of system we're going to build together.

2.3. Why This Matters for Every Developer

ໃນເວລາທີ່ AI-first, ຜະລິດຕະພັນທັງ ຫມົດ ແມ່ນ racing ເພື່ອໄດ້ຮັບ "smarter." ແຕ່ພຽງແຕ່ການເຊື່ອມຕໍ່ໃນ API ChatGPT ແມ່ນພຽງແຕ່ການລົງທະບຽນໃນປັດຈຸບັນ. ປະສິດທິພາບການຄົ້ນຄວ້າທີ່ແທ້ຈິງແມ່ນໃນເວລາທີ່ AI ຂອງທ່ານສາມາດ:

• ການຊອກຫາຂໍ້ມູນທັນສະໄຫມຈາກອິນເຕີເນັດໃນເວລາທີ່ແທ້ຈິງ
• ການເຊື່ອມຕໍ່ຂໍ້ມູນທົ່ວໄປກັບຂໍ້ມູນຂໍ້ມູນຂອງທ່ານ
• ຜະລິດຄວາມຮູ້ພິເສດທີ່ບໍ່ສາມາດໄດ້ຮັບຈາກ LLMs ຄຸນນະສົມບັດ
• ອັດຕະໂນມັດສໍາລັບ Domain ທຸລະກິດແລະອຸດສາຫະກໍາທີ່ພິເສດຂອງທ່ານ

2.4. What You'll Walk Away With

ຂໍຂອບໃຈຂອງຂ້າພະເຈົ້າແມ່ນບໍ່ວ່າຈະໃຫ້ທ່ານລະຫັດເພື່ອຕັດສິນໃຈ (ລັກສະນະທີ່ທ່ານຈະໄດ້ຮັບຫຼາຍ). ຂໍຂອບໃຈວ່າຂ້າພະເຈົ້າຈະຂົນສົ່ງຮູບແບບ mental ແລະຄຸນນະພາບການກໍ່ສ້າງທີ່ຈະຊ່ວຍໃຫ້ທ່ານ:

• ວິທະຍາໄລຂອງອິນເດຍແລະອິນເດຍ
• ການອອກແບບອຸປະກອນສໍາລັບກໍລະນີການນໍາໃຊ້ພິເສດຂອງທ່ານ
• ການນໍາໃຊ້ລະບົບໂດຍໃຊ້ stack modern (Next.js 15, OpenAI, exa.ai)
• ການເຊື່ອມຕໍ່ການແກ້ໄຂໃນຜະລິດຕະພັນທີ່ຢູ່
• Scale ແລະ optimize ລະບົບສໍາລັບຄວາມຕ້ອງການຂອງທ່ານ

ໃນຕອນແລງຂອງບົດຄວາມນີ້, ທ່ານຈະມີ blueprint architectural ທີ່ສົມບູນແບບແລະຕົວຢ່າງລະຫັດທີ່ໄດ້ຮັບການຜະລິດສໍາລັບການສ້າງ "Perplexity" ຂອງທ່ານເອງ - ຜູ້ຊ່ຽວຊານ AI ທີ່ສາມາດໄດ້ຮັບການປະທັບໃຈຂອງຜະລິດຕະພັນຂອງທ່ານ.

Important: ພວກເຮົາຈະທົດສອບບໍ່ພຽງແຕ່ການນໍາໃຊ້ດ້ານວິຊາການ, ແຕ່ລັກສະນະທຸລະກິດຍັງ. ວິທີການຊອກຫາ recursive ແມ່ນປະສິດທິພາບຫຼາຍກ່ວາ linear? ວິທີການເຊື່ອມຕໍ່ປະສິດທິພາບຂອງສະພາບແວດລ້ອມທາງອຸປະກອນແລະທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນທາງອຸປະກອນ

2.5. For the Impatient: Skip to the Code

ສໍາ ລັບຜູ້ທີ່ໄດ້ຊອກຫາຄຸນນະສົມບັດແລະຕ້ອງການທີ່ຈະກວດສອບການນໍາໃຊ້, ນີ້ແມ່ນການແກ້ໄຂ open-source ທີ່ພວກເຮົາຈະສ້າງ:https://github.com/aifa-agi/aifa-deep-researcer-starter

ຂ້າພະເຈົ້າບໍ່ສາມາດສະຫນັບສະຫນູນບົດຄວາມທີ່ໃຫ້ທ່ານຈໍານວນຫຼາຍຂອງຄໍາສັ່ງແລະຂະຫນາດນ້ອຍຂອງ substance. Feel free to clone the repo and get it running in development mode right now.

Pro tip: You will hit timeout limitations (403 errors) on Vercel's free hosting layer ໃນການຜະລິດ, ແຕ່ໃນ localhost you can fully experiment and study the logs to your heart's content.

ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍການຝຶກອົບຮົມ LLM ຂອງພວກເຮົາ

3. Why LLMs Need a "Guide Dog": The Critical Role of External Search Systems

ຫນ້າທໍາອິດ / ຄວາມຄິດເຫັນ / ຄວາມຄິດເຫັນ / ຄວາມຄິດເຫັນ / ຄວາມຄິດເຫັນ / ຄວາມຄິດເຫັນ / ຄວາມຄິດເຫັນ / ຄວາມຄິດເຫັນLarge Language Models cannot independently access current information from the internetນີ້ບໍ່ແມ່ນ bug – ມັນເປັນຄວາມຈໍາກັດອຸປະກອນພື້ນຖານທີ່ຕ້ອງການການແກ້ໄຂທີ່ເຫມາະສົມ: ການເຊື່ອມຕໍ່ກັບລະບົບການຊອກຫາຊ່ຽວຊານທີ່ອອກແບບມາສໍາລັບການນໍາໃຊ້ AI.

3.1. Why Traditional Search Engines Are AI Poison

Google, Bing, ແລະເຄື່ອງຊອບແວທີ່ແຕກຕ່າງກັນອື່ນໆໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນສໍາລັບຜູ້ຊອກຫາເວັບໄຊທ໌, ບໍ່ແມ່ນສໍາລັບເຄື່ອງປິ່ນປົວຂໍ້ມູນ. ໃນເວລາທີ່ທ່ານຊອກຫາ APIs ຂອງພວກເຂົາ, ທ່ານໄດ້ຮັບຫນ້າຕື່ນເຕັ້ນເວັບໄຊທ໌ HTML ມີ:

• Ad Blocks ແລະ navigation mess that confuse content extraction
• ວັດສະດຸ irrelevant (comments, sidebars, footers, cookies banners)
• Data Unstructured ທີ່ຈໍາເປັນຕ້ອງທົດສອບທີ່ເຫມາະສົມແລະຄວນຈະບໍ່ໄດ້ຮັບຜົນສໍາເລັດ

javascript// The traditional approach - a nightmare for AI
const htmlResponse = await fetch('https://api.bing.com/search?q=query');
const messyHtml = await htmlResponse.text();
// You get HTML soup with ads, scripts, and digital garbage
// Good luck extracting meaningful insights from this mess

ຂໍຂອບໃຈວ່າພວກເຮົາມີປະສົບການຫຼາຍກ່ວາວິທີການນີ້.It's not scalable, and it's definitely not reliable.

3.2. Keyword Matching vs. Semantic Understanding: A World of Difference

ລະບົບການຊອກຫາອຸປະກອນເສີມການຊອກຫາຄໍາແນະນໍາທີ່ເຫມາະສົມສໍາລັບການຊອກຫາຄໍາແນະນໍາທີ່ເຫມາະສົມສໍາລັບການຊອກຫາຄໍາແນະນໍາທີ່ເຫມາະສົມສໍາລັບການຊອກຫາຄໍາແນະນໍາທີ່ເຫມາະສົມສໍາລັບການຊອກຫາຄໍາແນະນໍາທີ່ເຫມາະສົມສໍາລັບການຊອກຫາຄໍາແນະນໍາທີ່ເຫມາະສົມສໍາລັບການຊອກຫາທີ່ເຫມາະສົມສໍາລັບການຊອກຫາຄໍາແນະນໍາທີ່ເຫມາະສົມ.

ນີ້ແມ່ນເຊັ່ນດຽວກັນກັບຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າທີ່ສາມາດຊອກຫາແຜ່ນໂດຍພຽງແຕ່ໂດຍຜ່ານການເຊື່ອມຕໍ່ກັບຄໍາແນະນໍາທີ່ແທ້ຈິງໃນລາຍລະອຽດ, ໃນຂະນະທີ່ບໍ່ເຂົ້າໃຈກັບສິ່ງທຸກຢ່າງກ່ຽວກັບອຸປະກອນທີ່ແທ້ຈິງ.For AI agents doing deep research, this approach is fundamentally broken.

3.3. AI-Native Search Engines: The Game Changer

ລະບົບຜູ້ຊ່ຽວຊານເຊັ່ນ Exa.ai, Metaphor, ແລະ Tavily ເພື່ອປິ່ນປົວບັນຫາຕົ້ນຕໍທີ່ເຮັດໃຫ້ການຊອກຫາປົກກະຕິບໍ່ສາມາດນໍາໃຊ້ສໍາລັບ AI:

ຊື່ຫຍໍ້ຂອງ : Semantic Query

ພວກເຮົາມີການນໍາໃຊ້ການຄົ້ນຄວ້າ vector ໂດຍການຄົ້ນຄວ້າທີ່ສໍາຄັນ, ບໍ່ພຽງແຕ່ຄໍາແນະນໍາ. AI ຂອງທ່ານສາມາດຊອກຫາອຸປະກອນທີ່ກ່ຽວຂ້ອງເຖິງແມ່ນວ່າຄໍາແນະນໍາທີ່ແທ້ຈິງບໍ່ໄດ້ຕັດສິນໃຈ.

ຄວາມຄິດເຫັນທີ່ Clean, Structured Data

ພວກເຮົາ ກໍາ ລັງເຮົາມີຄວາມຄິດສ້າງສັນທີ່ດີທີ່ສຸດ ສໍາ ລັບຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄ້ວາຂອງພວກເຮົາ.

ຄວາມຄິດເຫັນທີ່ Contextual

ພວກເຮົາມີຄວາມຮູ້ສຶກກ່ຽວກັບການຄົ້ນຄວ້າທີ່ຜ່ານມາແລະສະຖານະການຄົ້ນຄວ້າທັງຫມົດ, ເຮັດໃຫ້ການຄົ້ນຄວ້າທີ່ແທ້ຈິງ.

javascript// The AI-native approach - clean and powerful
const cleanResults = await exa.search({
  query: "Detailed analysis of Next.js performance optimization for high-traffic e-commerce platforms",
  type: "neural",
  contents: { text: true, summary: true }
});
// You get clean, relevant content ready for AI processing
// No parsing, no cleanup, no headaches

3.4. Why This Matters for Production Systems

ຄຸນນະພາບຂອງຂໍ້ມູນ input ຂອງທ່ານໄດ້ຖືກຄັດເລືອກໂດຍຜ່ານການຄຸນນະພາບຂອງຜະລິດຕະພັນການຄົ້ນຄວ້າທີ່ຜ່ານມາ. AI-native search engines ເຮັດໃຫ້:

Data Reliabilityວັດສະດຸທີ່ຖືກສ້າງຕັ້ງໂດຍບໍ່ມີຄວາມຕ້ອງການສໍາລັບການ parsing HTML fragile
Scalabilityການນໍາໃຊ້ APIs stable ທີ່ຖືກອອກແບບມາສໍາລັບການນໍາໃຊ້ອັດຕະໂນມັດແລະຂະຫນາດໃຫຍ່
Cost Efficiencyຊື່ຫຍໍ້ຂອງ : Reduced computational overhead for data processing
Accuracyປະສິດທິພາບທີ່ດີເລີດຂອງສະພາບແວດລ້ອມຄົ້ນຄວ້າທີ່ດີເລີດ

javascript// Hybrid search: external + internal sources
const [webResults, vectorResults] = await Promise.all([
  exa.search(query),
  vectorStore.similaritySearch(query)
]);

const combinedContext = [...webResults, ...vectorResults];
// Now your AI has both current web data AND your proprietary knowledge

3.5. The Bottom Line: Architecture Matters

ເຄື່ອງຊອກຫາ AI-native ແມ່ນບໍ່ພຽງແຕ່ຂະຫນາດນ້ອຍເຕັກໂນໂລຊີ -they're the architectural foundationການຄົ້ນຄວ້າທີ່ຄຸນນະພາບຂອງ AI ແມ່ນສາມາດ. ໂດຍບໍ່ມີ "ຫາຍທາງ" ທີ່ຖືກຕ້ອງ, ເຖິງແມ່ນວ່າ LLM ທີ່ດີທີ່ສຸດຈະແຂ່ງຂັນເພື່ອສ້າງການຄົ້ນຄວ້າທີ່ສົມບູນແບບ, ທີ່ຖືກຕ້ອງຂອງຂໍ້ມູນທັນສະໄຫມ.

Think of it this way: you wouldn't send a brilliant researcher into a library where all the books are written in code and half the pages are advertisements. Yet that's exactly what happens when you connect an LLM to traditional search APIs.

The solution?ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ

Ready to see how the pieces fit together? Let's explore the system design that powers truly intelligent AI research agents.

4. Think Like a Tree: The Architecture of Recursive Search

The human brain naturally structures complex information as hierarchical networks. When a researcher investigates a new topic, they don't move in a straight line — they develop a tree-like knowledge network where each new discovery generates additional questions and research directions. This is exactly the mental model we need to implement in our deep search AI agent architecture.

4.1. The Fundamental Difference in Approaches

ລະບົບການຄົ້ນຄວ້າປົກກະຕິແລະການຄົ້ນຄວ້າເວັບໄຊທີ່ສ້າງຕັ້ງຂຶ້ນໃນ LLMs ເຮັດວຽກຢ່າງເປັນທາງການ: ໄດ້ຮັບການຄົ້ນຄວ້າ → ເຮັດໃຫ້ການຄົ້ນຄວ້າ → ດໍາເນີນການບັນຊີລາຍລະອຽດ → generate reply. This approach has critical limitations for deep research.

Problems with the Linear Approach:

• ຄວາມຄິດເຫັນທີ່ Surface Level Results: System stops at the first facts it finds
• ບໍ່ ມີ ການ ຄິດ ໄລ່ ການ: ທັງ ຫມົດ ການ ຄົ້ນ ຄົ້ນ ຄົ້ນ ຄົ້ນ ຄົ້ນ ຄ້າ ໄດ້ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນູນ
• ການເຊື່ອມຕໍ່ທີ່ບໍ່ມີ: ລະບົບບໍ່ສາມາດເບິ່ງການເຊື່ອມຕໍ່ລະຫວ່າງ aspects ທີ່ແຕກຕ່າງກັນຂອງອຸປະກອນ
• ຄຸນນະພາບ random: Results depend entirely on the luck of the initial query

ວິທີການປິ່ນປົວແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ

4.2. Anatomy of a Search Tree

ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ

textNext.js vs WordPress for AI Projects/
├── Performance/
│   ├── Source 1
│   ├── Source 2
│   └── Impact of AI Libraries on Next.js Performance/
│       └── Source 7
├── Development Costs/
│   ├── Source 3
│   └── Source 4
└── SEO and Indexing/
    ├── Source 5
    └── Source 6

First-level branchesພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫຍ່ທີ່ສຸດ ສໍາ ລັບຜູ້ໃຫ້ບໍລິການຂອງພວກເຮົາ. ພວກເຮົາແມ່ນບໍລິສັດທີ່ໃຫຍ່ທີ່ສຸດ ສໍາ ລັບຜູ້ໃຫ້ບໍລິການຂອງພວກເຮົາ.

Tree leavesທີ່ຢູ່ ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ

Recursive branches are the most powerful feature of this architecture. When the system analyzes found sources, it can discover new aspects of the topic that require additional investigation. These aspects become new sub-queries, generating their own branches.

4.3. Practical Advantages of Tree Architecture

Research Completenessລະບົບການກໍ່ສ້າງໂຄງສ້າງຄວາມຮູ້ທີ່ກ່ຽວຂ້ອງຢ່າງວ່ອງໄວ, ໃນຂະນະທີ່ໂຄງສ້າງຄວາມຮູ້ທີ່ກ່ຽວຂ້ອງຢ່າງວ່ອງໄວ, ລະບົບການກໍ່ສ້າງໂຄງສ້າງຄວາມຮູ້ທີ່ກ່ຽວຂ້ອງຢ່າງວ່ອງໄວ, ການກໍ່ສ້າງຄວາມຮູ້ທີ່ກ່ຽວຂ້ອງຢ່າງວ່ອງໄວ, ການກໍ່ສ້າງທີ່ກ່ຽວຂ້ອງຢ່າງວ່ອງໄວ.

Adaptive Depth: ລະບົບການຄົ້ນຄວ້າອັດຕະໂນມັດວິທີທີ່ຕ້ອງການການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງ. ຖ້າຫາກວ່າຫນຶ່ງຊຸດສາມາດຜະລິດປະເພດທີ່ກ່ຽວຂ້ອງຫຼາຍ, ລະບົບສາມາດເຂົ້າໄປໄດ້ຢ່າງກວ້າງຂວາງ. ຖ້າຫາກວ່າການຄົ້ນຄວ້າເປັນວິທີທີ່ບໍ່ຮູ້ສຶກ, ການຄົ້ນຄວ້າຫຼຸດຜ່ອນຢ່າງກວ້າງຂວາງ.

Contextual Connectivityການຄົ້ນຄວ້າໃຫມ່: ການຄົ້ນຄວ້າໃຫມ່ຖືກສ້າງຂຶ້ນໂດຍກວດສອບຂໍ້ມູນທີ່ຜ່ານມາ. ມັນສາມາດເຮັດໃຫ້ການຄົ້ນຄວ້າທີ່ຖືກຕ້ອງແລະພິເສດຫຼາຍກ່ວາການຄົ້ນຄວ້າ isolated.

Quality Assessmentລະບົບສາມາດຄົ້ນຄວ້າຄວາມສໍາຄັນແລະຄຸນນະພາບຂອງສະພາບແວດລ້ອມທີ່ຊອກຫາ, ການກັ່ນຕອງຄວາມປອດໄພແລະ concentrating ກ່ຽວກັບຂໍ້ມູນທີ່ສໍາຄັນທີ່ສຸດ.

4.4. Managing Tree Parameters

Search Depthການຄາດຄະເນດິນຟ້າອິນເຕີເນັດແມ່ນການຄາດຄະເນດິນຟ້າອິນເຕີເນັດ. ການຄາດຄະເນດິນຟ້າອິນເຕີເນັດແມ່ນການຄາດຄະເນດິນຟ້າອິນເຕີເນັດແລະການຄາດຄະເນດິນຟ້າອິນເຕີເນັດ.

Search Widthການຄວບຄຸມຂະຫນາດຂອງ sub-queries ໃນແຕ່ລະອຽດ. width ຫຼາຍກວ້າງຂວາງສາມາດເຮັດໃຫ້ການຄົ້ນຄວ້າທີ່ແຕກຕ່າງກັນຂອງຂະຫນາດໃຫຍ່. width ທີ່ດີເລີດແມ່ນປົກກະຕິ 3-5 ການຄົ້ນຄວ້າຕົ້ນຕໍໃນແຕ່ລະອຽດ.

Branching Factorໃນຂະນະທີ່ການຊອກຫາຂໍ້ມູນ, ນີ້ແມ່ນຄຸນນະສົມບັດຂອງຈໍານວນ sub-ການຊອກຫາໃຫມ່ທີ່ຖືກສ້າງຕັ້ງໂດຍຜ່ານທຸກປະເພດທີ່ຊອກຫາ.

4.5. Optimization and Problem Prevention

Cycle Prevention: ລະບົບຄວນຈະທົດສອບເສັ້ນທາງທີ່ໄດ້ຮັບການທົດສອບສໍາລັບການຊ່ວຍເຫຼືອການ recursion infinite.

Dynamic Prioritization: More promising branches should be investigated with greater depth, while less informative directions can be terminated earlier.

Parallel Investigationຜະລິດຕະພັນທີ່ແຕກຕ່າງກັນສາມາດໄດ້ຮັບການທົດສອບໃນ parallel, ປະສິດທິພາບທີ່ດີທີ່ສຸດໃນເວລາທີ່ຄອມພິວເຕີທີ່ເຫມາະສົມມີ.

Memory and Cachingຄໍາຮ້ອງສະຫມັກຂອງການຄົ້ນຄວ້າ: ການຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າຄົ້ນຄວ້າ

Execution Time and Server Timeouts: ນີ້ແມ່ນບັນຫາອື່ນໆທີ່ປົກກະຕິສະແດງໃຫ້ເຫັນໃນເວລາທີ່ປະຕິບັດການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງ, ເຊັ່ນດຽວກັນກັບການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງຫຼາຍກ່ວາສອງລະດັບ. ທ່ານສາມາດຂຽນວ່າການເພີ່ມລະດັບໄດ້ເພີ່ມການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງ. ໂດຍສະເພາະ, ການຄົ້ນຄວ້າທີ່ມີລະດັບທີ່ແຕກຕ່າງກັນສາມາດໃຊ້ເວລາເຖິງ 12 ຊົ່ວໂມງ.

4.6. The Bottom Line: From Chaos to System

Tree Architecture ການປ່ຽນແປງໂຄງການ chaotic ຂອງການຊອກຫາຂໍ້ມູນໃນການຄົ້ນຄວ້າລະບົບ, ໃນຂະນະທີ່ທຸກປະເພດມີສະຖານທີ່ຂອງຕົນໃນສະຖາບັນຂອງຄວາມຮູ້ທັງຫມົດ. ນີ້ອະນຸຍາດໃຫ້ຜູ້ຊ່ຽວຊານ AI ເພື່ອເຮັດວຽກເປັນຜູ້ຄົ້ນຄວ້າທີ່ມີປະສົບການ - ບໍ່ພຽງແຕ່ຊອກຫາຂໍ້ມູນ, ແຕ່ສ້າງຄວາມຮູ້ສຶກທີ່ກໍານົດໄວ້ຢ່າງກວ້າງຂວາງຂອງຫົວຂໍ້ການຄົ້ນຄວ້າ.

The result?ລະບົບ AI ທີ່ຊອກຫາເປັນຜູ້ຊ່ຽວຊານຂອງມະນຸດ, ແຕ່ເຮັດວຽກໃນຂະຫນາດໃຫຍ່ແລະຄວາມໄວຂອງເຄື່ອງ. ໃນຕອນແລງທີ່ຜ່ານມາ, ພວກເຮົາຈະຊອກຫາການນໍາໃຊ້ດ້ານວິຊາການທີ່ເຮັດໃຫ້ຄວາມຄິດສ້າງສັນອຸດສາຫະກໍານີ້ເປັນຄວາມຮູ້ສຶກ.

ພວກເຮົາມີຄວາມຝຶກອົບຮົມໃນການຜະລິດຕະພັນແລະການຜະລິດຕະພັນຂອງພວກເຮົາ. ພວກເຮົາມີຄວາມຝຶກອົບຮົມໃນການຜະລິດຕະພັນຂອງພວກເຮົາ.

5. The "Search-Evaluate-Deepen" Cycle: Implementing True Recursion

ການທົດສອບອິນເຕີເນັດ recursive ບໍ່ພຽງແຕ່ເປັນເອກະສານດ້ານວິຊາການ - ມັນເປັນຄວາມຕ້ອງການພື້ນຖານສໍາລັບການສ້າງອຸປະກອນ AI ທີ່ດີເລີດ. ຫນ້າທໍາອິດຂອງຜົນປະໂຫຍດການຊອກຫາທັງຫມົດສະແດງໃຫ້ເຫັນພຽງແຕ່ທົດລອງຂອງອິນເຕີເນັດຂໍ້ມູນ. ຄວາມຮູ້ສຶກທີ່ແທ້ຈິງແມ່ນຫຼາຍກ່ວາ, ໃນບົດລາຍງານທີ່ກ່ຽວຂ້ອງ, ສະຫນັບສະຫນູນທີ່ຢູ່, ແລະການຄົ້ນຄວ້າຜູ້ຊ່ຽວຊານທີ່ລະບົບຫຼາຍກ່ວາບໍ່ເຂົ້າເຖິງ.

5.1. Data Architecture for Deep Investigation

ໃນອຸປະກອນການຜະລິດ, ລະບົບເຮັດວຽກທີ່ມີປະເພດຂໍ້ມູນອຸປະກອນທີ່ເກັບຮັກສາຄວາມຮູ້ໃນທຸກລະດັບ recursion:

typescripttype Learning = {
  learning: string;
  followUpQuestions: string[];
};

type SearchResult = {
  title: string;
  url: string;
  content: string;
  publishedDate: string;
};

type Research = {
  query: string | undefined;
  queries: string[];
  searchResults: SearchResult[];
  knowledgeBaseResults: string[]; // Vector database responses
  learnings: Learning[];
  completedQueries: string[];
};

This data structure accumulates knowledge at each recursion level, creating unified context for the entire investigation — exactly what separates professional research from random fact-gathering.

5.2. Stage 1: "Search" — Intelligent Query Generation

ລະບົບນີ້ບໍ່ໄດ້ລົງທະບຽນໂດຍການຄົ້ນຄວ້າພຽງແຕ່ຫນຶ່ງ. ໃນຂະນະທີ່, ມັນສ້າງການຄົ້ນຄວ້າຫຼາຍກ່ວາການນໍາໃຊ້ຄວາມຊ່ຽວຊານຂອງ LLM:

typescriptconst generateSearchQueries = async (query: string, breadth: number) => {
  const {
    object: { queries },
  } = await generateObject({
    model: mainModel,
    prompt: `Generate ${breadth} search queries for the following query: ${query}`,
    schema: z.object({
      queries: z.array(z.string()).min(1).max(10),
    }),
  });
  return queries;
};

Key insight: The breadthParameter controls ການຄົ້ນຄວ້າ width — ປະເພດຂອງສິ່ງທີ່ແຕກຕ່າງກັນທີ່ຈະໄດ້ຮັບການຄົ້ນຄວ້າໃນ parallel. ນີ້ແມ່ນສະຖານທີ່ຂອງ magic ທີ່ເກີດຂຶ້ນ: ໃນຂະນະທີ່ການຄົ້ນຄວ້າ linear, ທ່ານໄດ້ຮັບການຄົ້ນຄວ້າ exponential.

5.3. Stage 2: "Evaluate" — AI-Driven Result Filtering

ລະບົບການນໍາໃຊ້ຜູ້ຊ່ຽວຊານ AI ມີເຄື່ອງມືສໍາລັບການ evaluating ປະສົບການທັງຫມົດ:

typescriptconst searchAndProcess = async (/* parameters */) => {
  const pendingSearchResults: SearchResult[] = [];
  const finalSearchResults: SearchResult[] = [];
  
  await generateText({
    model: mainModel,
    prompt: `Search the web for information about ${query}, For each item, where possible, collect detailed examples of use cases (news stories) with a detailed description.`,
    system: "You are a researcher. For each query, search the web and then evaluate if the results are relevant",
    maxSteps: 10,
    tools: {
      searchWeb: tool({
        description: "Search the web for information about a given query",
        parameters: z.object({ query: z.string().min(1) }),
        async execute({ query }) {
          const results = await searchWeb(query, breadth, /* other params */);
          pendingSearchResults.push(...results);
          return results;
        },
      }),
      evaluate: tool({
        description: "Evaluate the search results",
        parameters: z.object({}),
        async execute() {
          const pendingResult = pendingSearchResults.pop();
          if (!pendingResult) return "No search results available for evaluation.";

          const { object: evaluation } = await generateObject({
            model: mainModel,
            prompt: `Evaluate whether the search results are relevant and will help answer the following query: ${query}. If the page already exists in the existing results, mark it as irrelevant.`,
            output: "enum",
            enum: ["relevant", "irrelevant"],
          });
          
          if (evaluation === "relevant") {
            finalSearchResults.push(pendingResult);
          }
          return evaluation === "irrelevant" 
            ? "Search results are irrelevant. Please search again with a more specific query."
            : "Search results are relevant. End research for this query.";
        },
      }),
    },
  });
  return finalSearchResults;
};

Revolutionary approach: ລະບົບໄດ້ນໍາໃຊ້ຜູ້ຊ່ຽວຊານຂອງ AI ທີ່ມີອຸປະກອນທີ່ສາມາດຊອກຫາແລະ evaluating ຜົນປະໂຫຍດໃນໄລຍະເວລາທີ່ມັນຈະຊອກຫາຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ. ນີ້ແມ່ນວ່າຈະມີຜູ້ຊ່ຽວຊານຂອງການຄົ້ນຄວ້າທີ່ບໍ່ເສຍຄ່າຫຼັງຈາກການຊອກຫາ Google ອື່ນໆ.

5.4. Vector Knowledge Base Integration

ພະລັງງານທີ່ແທ້ຈິງອອກຈາກ synergy ໃນລະຫວ່າງການຊອກຫາທາງອຸປະກອນແລະທາງອຸປະກອນ. ສໍາລັບແຕ່ລະການຊອກຫາ, ລະບົບຈະຊອກຫາອິນເຕີເນັດແລະພື້ນຖານຂໍ້ມູນ vector ຂອງຕົນເອງ:

typescriptasync function getKnowledgeItem(query: string, vectorStoreId: string) {
  const client = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });

  const response = await client.responses.create({
    model: "gpt-4o-mini",
    tools: [
      {
        type: "file_search",
        vector_store_ids: [vectorStoreId],
        max_num_results: 5,
      },
    ],
    input: [
      {
        role: "developer",
        content: `Search the vector store for information. Output format language: ${process.env.NEXT_PUBLIC_APP_HTTP_LANG || "en"}`,
      },
      {
        role: "user",
        content: query,
      },
    ],
  });
  return response.output_text;
}

5.5. Practical Implementation

ໃນສາຍການຄົ້ນຄວ້າຕົ້ນຕໍ, ລະບົບການຊອກຫາທັງສອງສະພາບແວດລ້ອມໃນ parallel:

typescriptfor (const query of queries) {
  const searchResults = await searchAndProcess(/* web search */);
  accumulatedResearch.searchResults.push(...searchResults);

  if (vectorStoreId && vectorStoreId !== "") {
    const kbResult = await getKnowledgeItem(query, vectorStoreId);
    accumulatedResearch.knowledgeBaseResults.push(kbResult);
  }
}

5.6. Stage 3: "Deepen" — Generating Follow-Up Questions

ຄຸນນະສົມບັດທີ່ເຂັ້ມແຂງທີ່ສຸດ: ຄວາມສາມາດຂອງລະບົບໃນການສ້າງການຄົ້ນຄວ້າໃຫມ່ໂດຍລວມເອົາຂໍ້ມູນທີ່ຜ່ານມາ:

typescriptconst generateLearnings = async (query: string, searchResult: SearchResult) => {
  const { object } = await generateObject({
    model: mainModel,
    prompt: `The user is researching "${query}". The following search result were deemed relevant.
      Generate a learning and a follow-up question from the following search result:
   
      <search_result>
      ${JSON.stringify(searchResult)}
      </search_result>`,
    schema: z.object({
      learning: z.string(),
      followUpQuestions: z.array(z.string()),
    }),
  });
  return object;
};

5.7. Recursive Deepening

ທັງຫມົດຂອງການຊອກຫາຄົ້ນຄວ້າແມ່ນຖືກປິ່ນປົວເພື່ອຊອກຫາຄໍາຖາມໃຫມ່ທີ່ໄດ້ຮັບການສ້າງພື້ນຖານສໍາລັບລະດັບການຊອກຫາຕໍ່ໄປ:

typescriptfor (const searchResult of searchResults) {
  const learnings = await generateLearnings(query, searchResult);
  accumulatedResearch.learnings.push(learnings);
  accumulatedResearch.completedQueries.push(query);

  const newQuery = `Overall research goal: ${prompt}
Previous search queries: ${accumulatedResearch.completedQueries.join(", ")}
Follow-up questions: ${learnings.followUpQuestions.join(", ")}`;

  await deepResearch(
    /* search parameters */,
    newQuery,
    depth - 1,
    Math.ceil(breadth / 2), // Reduce width at each level
    vectorOfThought,
    accumulatedResearch,
    vectorStoreId
  );
}

5.8. Managing Depth and Complexity

ການນໍາໃຊ້ການຜະລິດສະແດງໃຫ້ເຫັນວິທີການຄວບຄຸມການຂະຫຍາຍຕົວຢ່າງກວ້າງຂວາງຂອງ complexity:

typescriptconst deepResearch = async (
  /* multiple filtering parameters */,
  prompt: string,
  depth: number = 2,
  breadth: number = 5,
  vectorOfThought: string[] = [],
  accumulatedResearch: Research = {
    query: undefined,
    queries: [],
    searchResults: [],
    knowledgeBaseResults: [],
    learnings: [],
    completedQueries: [],
  },
  vectorStoreId: string
): Promise<Research> => {
  if (depth === 0) {
    return accumulatedResearch; // Base case for recursion
  }
  
  // Adaptive query formation based on "thought vector"
  let updatedPrompt = "";
  if (vectorOfThought.length === 0) {
    updatedPrompt = prompt;
  } else {
    const vectorOfThoughItem = vectorOfThought[vectorOfThought.length - depth];
    updatedPrompt = `${prompt}, focus on these important branches of thought: ${vectorOfThoughItem}`;
  }
  // ... rest of implementation
};

5.9. Key Optimizations

Width Reductionລະຫັດ QRMath.ceil(breadth / 2)ໃນທຸກລະດັບການປ້ອງກັນການຂະຫຍາຍຕົວ exponential
Thought Vectorລະຫັດ QRvectorOfThoughtສະຫນັບສະຫນູນການຄົ້ນຄວ້າໃນພາກພື້ນທີ່ພິເສດ
Context Accumulation: ທັງຫມົດທີ່ໄດ້ຮັບການປົກປັກຮັກສາໃນໂຄງສ້າງຂໍ້ມູນ unified

5.10. The Hybrid Advantage in Practice

Creating Unique Content: Combining public data with internal knowledge enables creating reports that no one else can replicate. Your competitors may access the same public sources, but not your internal cases, statistics, and expertise.

Context Enrichmentລະບົບສາມາດຊອກຫາການຝຶກອົບຮົມອຸດສາຫະກໍາທົ່ວໄປໃນອິນເຕີເນັດ, ຫຼັງຈາກນັ້ນສະຫນອງຂໍ້ມູນຂອງທ່ານເອງກ່ຽວກັບວິທີທີ່ການຝຶກອົບຮົມຂອງພວກເຮົາ.

Maintaining Currencyຖ້າຫາກວ່າຂໍ້ມູນໃນເວັບໄຊທ໌ແມ່ນບໍ່ມີປະສິດທິພາບຫຼືບໍ່ແມ່ນຖືກຕ້ອງ, ບັດຄວາມຮູ້ຂອງພວກເຮົາສາມາດສະຫນອງຂໍ້ມູນໃຫມ່ແລະຖືກຢັ້ງຢືນ.

6. From Chaos to Order: Generating Expert-Level Reports

ຫຼັງຈາກການດໍາເນີນການການຄົ້ນຄວ້າ recursive ໃນລະດັບທັງຫມົດ, ລະບົບໄດ້ກວດສອບຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນທີ່ແຕກຕ່າງກັນ: ຜົນປະໂຫຍດການຄົ້ນຄວ້າຂອງເວັບໄຊທ໌, ຂໍ້ມູນຂໍ້ມູນຂອງໂຄງການຄົ້ນຄວ້າ vector, ຄວາມຄິດສ້າງສັນທີ່ຖືກສ້າງຂຶ້ນ, ແລະຄໍາຖາມການປິ່ນປົວ. ສະຖານທີ່ຫຼັງຈາກນັ້ນແມ່ນການປ່ຽນແປງບັນຫານີ້ໃນໄລຍະການຄົ້ນຄວ້າຂອງຜູ້ຊ່ຽວຊານທີ່ມີຄຸນນະພາບສູງ.

6.1. Context Accumulation: Building the Complete Picture

All collected data is unified into a single Researchການກໍ່ສ້າງທີ່ບໍລິການເປັນລະອຽດອຸດົມສົມບູນສໍາລັບການ synthesis ທັນທີ:

typescripttype Research = {
  query: string | undefined;           // Original query
  queries: string[];                   // All generated search queries
  searchResults: SearchResult[];       // Web search results
  knowledgeBaseResults: string[];      // Vector database responses
  learnings: Learning[];               // Extracted insights
  completedQueries: string[];          // History of completed queries
};

This isn't just data storage— ມັນເປັນຮູບເງົາຄວາມຮູ້ທີ່ກວດກາການເດີນທາງການຄົ້ນຄວ້າທັງຫມົດ. Every insight, every source, every connection is preserved for the final synthesis.

6.2. The Master Prompt: Where Intelligence Meets Synthesis

ການຄຸນນະພາບຂອງບົດຄວາມທັນສະໄຫມອະນຸມັດໂດຍອີງໃສ່ຄວາມຊ່ຽວຊານຂອງ prompt generator. The system uses OpenAI’s most powerful model for synthesis:

typescriptconst generateReport = async (
  research: Research,
  vectorOfThought: string[],
  systemPrompt: string
) => {
  const { text } = await generateText({
    model: openai("o3-mini"), // Most powerful model for synthesis
    system: systemPrompt,
    prompt:
      "Use the following structured research data to generate a detailed expert report:\n\n" +
      JSON.stringify(research, null, 2),
  });
  return text;
};

Key insight: ພວກເຮົາບໍ່ແມ່ນພຽງແຕ່ຖ້າຫາກວ່າ AI ຈະກວດສອບ - ພວກເຮົາມີຂໍ້ມູນການຄົ້ນຄວ້າທີ່ສົມບູນແບບແລະຖ້າຫາກວ່າພວກເຮົາມີຄວາມຄິດສ້າງສັນເປັນຜູ້ຊ່ຽວຊານໃນອຸດສາຫະກໍາ. ຄວາມແຕກຕ່າງໃນຄຸນນະພາບ output ແມ່ນຢ່າງກວ້າງຂວາງ.

6.3. Structured Output: Beyond Simple Summaries

ລະບົບບໍ່ແມ່ນພຽງແຕ່ສ້າງການທົດລອງທົດລອງ - ມັນສ້າງເອກະສານຄຸ້ມຄອງທີ່ມີ headers, ໂທລະສັບມືຖື, pro / con lists, ແລະການອອກແບບມືອາຊີບ, ເຊັ່ນດຽວກັນກັບການເກັບຮັກສາ result:

typescriptconsole.log("Research completed!");
console.log("Generating report...");
const report = await generateReport(research, vectorOfThought, systemPrompt);
console.log("Report generated! Saving to report.md");
fs.writeFileSync("report.md", report); // Save as Markdown

Why Markdown?ມັນເປັນຮູບແບບທີ່ເຫມາະສົມສໍາລັບອຸປະກອນທີ່ສ້າງຂຶ້ນໂດຍ AI - ການສ້າງຕັ້ງຢ່າງກວ້າງຂວາງສໍາລັບການສະເຫນີມືອາຊີບ, ທີ່ເຫມາະສົມຢ່າງກວ້າງຂວາງສໍາລັບຮູບແບບປະເພດຕ່າງໆແລະສາມາດອ່ານໃນລະດັບການເຮັດວຽກການພັດທະນາມືອາຊີບ.

6.4. Quality Control Through System Prompts

ການsystemPromptສະຫນັບສະຫນູນການປັບແຕ່ງປະເພດແລະໂຄງສ້າງການທົດລອງສໍາລັບຄວາມຕ້ອງການພິເສດ:

• ວິທະຍາໄລປະເພດສໍາລັບການທົດລອງການຄົ້ນຄວ້າແລະການທົດສອບວິທະຍາສາດ
• ຊື່ຫຍໍ້ຂອງ : Business format for corporate reports and executive summaries
• ການຢັ້ງຢືນດ້ານວິຊາການສໍາລັບການອຸປະກອນຜູ້ພັດທະນາ
• ການທົດສອບການລົງທຶນສໍາລັບການທົດສອບການຄຸ້ມຄອງຄຸນນະພາບແລະຄຸນນະພາບ

// Example: Business-focused system prompt const businessSystemPrompt = `You are a senior business analyst creating an executive report. Structure your analysis with:

1. ລະຫັດ QR
2. ຄວາມຄິດເຫັນທີ່
3. ປະສິດທິພາບຕະຫຼາດ
4. ການທົບທວນຄືນ
5. ການທົບທວນຄືນ Risk

Use data-driven insights and provide specific examples from the research.`;

6.5. The Intelligence Multiplier Effect

Here's what makes this approach revolutionaryການຄົ້ນຄວ້າຂອງມະນຸດສາມາດໃຊ້ເວລາ 8-12 ຊົ່ວໂມງໃນການຄົ້ນຄວ້າລະດັບນີ້. ການຄົ້ນຄວ້າຂອງມະນຸດຂອງພວກເຮົາກໍາລັງເຮັດວຽກໃນ 10 - 60 ນາທີ, ຢ່າງໃດກໍຕາມ, ການຄົ້ນຄວ້າຂອງມະນຸດຄົ້ນຄວ້າຂອງມະນຸດຄົ້ນຄວ້າສາມາດໃຊ້ເວລາ 8 - 12 ຊົ່ວໂມງໃນການຄົ້ນຄວ້າລະດັບນີ້.

6.6. Production Considerations

Memory Management: ມີການຄົ້ນຄວ້າຢ່າງກວ້າງຂວາງ (ລັກສະນະ 3 - 4), ການຂຸດຄົ້ນຄວ້າທີ່ກໍານົດໄວ້ສາມາດປ່ຽນແປງຢ່າງກວ້າງຂວາງ. ລະບົບຈໍາເປັນຕ້ອງປິ່ນປົວສະຖານທີ່ JSON ຂະຫນາດໃຫຍ່ຢ່າງວ່ອງໄວ.

Token Optimizationການນໍາໃຊ້ການຜະລິດຈໍາກັດຕ້ອງການສະຖານທີ່ truncation smart ທີ່ຮັກສາຄວາມຮູ້ທີ່ສໍາຄັນທີ່ສຸດ.

Quality Assuranceການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ: ການຄາດຄະເນດິນດີຕ້ອນຮັບ

6.7. Real-World Impact

Time Compression: ຊົ່ວໂມງຂອງການຄົ້ນຄວ້າຂອງມະນຸດ → Minutes of AI analysis
Depth EnhancementAI ສາມາດປິ່ນປົວແລະເຊື່ອມຕໍ່ຄຸນນະພາບຫຼາຍກ່ວາຄຸນນະພາບຂອງມະນຸດ
Consistencyການຄົ້ນຄວ້າແລະການຄົ້ນຄວ້າ
Scalabilityຜະລິດຕະພັນ Dozens of Reports simultaneously

7. Conclusion: Building the Future of AI Research

ການສ້າງອຸປະກອນການຄົ້ນຄວ້າສຸຂະພາບອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນອຸປະກອນ

7.1. Key Architectural Principles

Think in Trees, Not Linesການຄົ້ນຄວ້າທີ່ສວຍງາມແມ່ນກ່ຽວກັບການທົດສອບເຄືອຂ່າຍຂໍ້ມູນທີ່ຖືກສ້າງຕັ້ງໂດຍແຜ່ນ, ໃນຂະນະທີ່ການຄົ້ນຄວ້າຂອງພວກເຮົາມີຄໍາຖາມໃຫມ່ແລະວິທີການຄົ້ນຄວ້າໃຫມ່.

Use AI-Native Toolsການຊອກຫາຜູ້ຊ່ຽວຊານເຊັ່ນ exa.ai ແມ່ນບໍ່ຈໍາເປັນ - ພວກເຂົາເຈົ້າເປັນສິ່ງທີ່ສໍາຄັນສໍາລັບການຄົ້ນຄວ້າຄຸນນະພາບ. ພວກເຂົາເຈົ້າ returns ຂໍ້ມູນທີ່ຄຸນນະພາບໃນຂະນະທີ່ກວດສອບ HTML ທີ່ APIs ການຊອກຫາປົກກະຕິສະຫນອງ.

Apply Recursion for Depth: The first page of results is just the tip of the iceberg. Real insights lie in recursive deepening through the "Search-Evaluate-Deepen" cycle.

Combine External and Internal Sourcesການສົນທະນາລະຫວ່າງຂໍ້ມູນອິນເຕີເນັດທົ່ວໄປແລະຄວາມຮູ້ອຸດສາຫະກໍາສ່ວນບຸກຄົນກໍ່ສ້າງອຸປະກອນທີ່ເປັນເອກະລັກທີ່ບໍ່ສາມາດໄດ້ຮັບໂດຍການອື່ນໆ.

Use LLMs for Both Analysis and Synthesisຜູ້ຊ່ຽວຊານຂອງ AI ມີອຸປະກອນສາມາດບໍ່ພຽງແຕ່ຊອກຫາຂໍ້ມູນ, ແຕ່ຍັງ evaluates ຄວາມປອດໄພຂອງຕົນ, generate ຄໍາຖາມໃຫມ່, ແລະສ້າງການທົດແທນ.

7.2. Production-Ready Results

ການນໍາສະເຫນີທີ່ຖືກສ້າງຕັ້ງໂດຍ Next.js 15, OpenAI, ແລະ exa.ai ສະແດງໃຫ້ເຫັນວ່າລະບົບນີ້ສາມາດຖືກສ້າງຕັ້ງແລະຕິດຕັ້ງເພື່ອຜະລິດ.https://github.com/aifa-agi/aifa-deep-researcer-starterສະແດງໃຫ້ເຫັນທັງຫມົດ components ທີ່ສໍາຄັນ:

• Architecture Recursive ມີການຄຸ້ມຄອງຂະຫນາດໃຫຍ່ແລະຂະຫນາດໃຫຍ່
• ການເຊື່ອມຕໍ່ການຊອກຫາເວັບໄຊທ໌ກັບໂຄສະນາຂໍ້ມູນ vector
• ຜູ້ຊ່ຽວຊານ AI ມີເຄື່ອງມືສໍາລັບການ evaluating result
• ການຜະລິດບົດຄວາມຜູ້ຊ່ຽວຊານທີ່ມີຄຸນນະພາບການເກັບຮັກສາເອກະສານ

7.3. Challenges and Limitations

Server Timeoutsການຄົ້ນຄວ້າທີ່ມີຄວາມສົນໃຈຫຼາຍກ່ວາ 2 ອົງປະກອບສາມາດໃຊ້ເວລາຫຼາຍກ່ວາ 2 ຊົ່ວໂມງ, ການຄົ້ນຄວ້າຄຸນນະສົມບັດພິເສດສໍາລັບສະພາບແວດລ້ອມການຜະລິດ.

Exponential Complexity Growthການຄຸ້ມຄອງຄຸນນະພາບ: ການຄຸ້ມຄອງຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບຄຸນນະພາບ

Source Quality: ເຖິງແມ່ນວ່າເຄື່ອງຊອກຫາ AI ສາມາດຂຽນຂໍ້ມູນທີ່ບໍ່ຖືກຕ້ອງ, ຕ້ອງການການຢັ້ງຢືນເພີ່ມເຕີມແລະການຢັ້ງຢືນຂໍ້ມູນ.

7.4. Your Next Steps

ໃນປັດຈຸບັນທ່ານມີ blueprint architectural ທີ່ສົມບູນແບບແລະຕົວຢ່າງລະຫັດທີ່ແທ້ຈິງ. ທ່ານສາມາດ:

Start with Minimal Implementation: ນໍາ ເວັບ ໄຊ ທ ໌ ອອນ ໄລ ນ ໌ ວັນ ທີ ການ ສ້າງ ຕັ້ງ ສະ ເພາະ ສໍາ ລັບ lovers ສັດ ລ້ຽງ.
Explore the Ready Solutionລະຫັດ QRhttps://github.com/aifa-agi/aifa-deep-researcer-starterການທົດສອບໃນສະຖານທີ່
Adapt to Your Needsການເຊື່ອມໂລຫະຂອງຄໍາຮ້ອງສະຫມັກນີ້ໃນຜະລິດຕະພັນແລະ workflows ທີ່ມີ

8. Homework Challenge: Solving the Long-Wait UX Problem

ພວກເຮົາມີການຄົ້ນຄວ້າອຸປະກອນດ້ານວິຊາການຂອງຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ AI ອື່ນໆ, ແຕ່ມີບັນຫາ UX ທີ່ສໍາຄັນ: ພວກເຮົາເຮັດສິ່ງທີ່ທ່ານເຮັດໃນເວລາທີ່ລະບົບຈະເຮັດວຽກໃນໄລຍະສອງ ນາທີໃນຂະນະທີ່ຜູ້ໃຊ້ຊອກຫາຫນ້າຕື່ນເຕັ້ນ? ໃນຂະນະທີ່ການນໍາໃຊ້ທີ່ແທ້ຈິງຈາກ aifa-deep-researcer-starter ສະແດງໃຫ້ເຫັນ, ການຄົ້ນຄວ້າທີ່ມີຄວາມຍາວຫຼາຍກ່ວາ 2 ອົງປະກອບສາມາດໃຊ້ເວລາຫນ້ອຍ, ໃນຂະນະທີ່ຜູ້ຊ່ຽວຊານເບິ່ງຫນ້າຕື່ນເຕັ້ນພຽງແຕ່.

8.1. The Problem: Server Silence Kills Trust

ປະເພດຂອງການນໍາໃຊ້ເວັບໄຊທ໌ທີ່ໃຊ້ເວລາການເຮັດວຽກໃຊ້ເວລາສອງຊົ່ວໂມງ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າທີ່ດີເລີດຂອງ AI ສາມາດຖືກຂໍຂອບໃຈໃນໄລຍະເວລາ. ຜູ້ຊ່ຽວຊານສາມາດບໍ່ໄດ້ຮັບຄໍາແນະນໍາຈາກການບໍລິໂພກຫຼັງຈາກຫຼັງຈາກການປິ່ນປົວຂອງການເຮັດວຽກ.

• ການຄາດຄະເນດິນຟ້າອາກາດ: ການນໍາໃຊ້ບໍ່ຮູ້ວ່າລະບົບແມ່ນເຮັດວຽກຫຼືມີອາຍແກັສ
• ການຫຼິ້ນການຄວບຄຸມ: ວິທີການບໍ່ຮູ້ວ່າຈະໄດ້ຮັບການຄາດຄະເນ
• ການເຄື່ອນໄຫວຄວາມປອດໄພ: ມັນສະແດງໃຫ້ເຫັນວ່າຄໍາຮ້ອງສະຫມັກແມ່ນການເຄື່ອນໄຫວຫຼື "ກາຍ" ຄໍາຮ້ອງສະຫມັກ
• ອັດຕະໂນມັດ Bounce Rate: Users ດາວນ໌ໂຫລດແລະດາວໂຫລດໂທລະສັບມືຖື

Perplexity, Claude, ແລະຜະລິດຕະພັນ AI ອັດຕະໂນມັດອື່ນໆດໍາເນີນການນີ້ໂດຍໃຊ້ການ animations ອັດຕະໂນມັດ, ການຄາດຄະເນດິນດີຕ້ອນຮັບ, ແລະລັກສະນະ dynamic. But how do you implement something similar when your server doesn’t send intermediate data?

8.2. The Developer Challenge

ນໍາ ເວັບ ໄຊ ທ ໌ ອອນ ໄລ ນ ໌ ວັນ ທີ ການ ສ້າງ ຕັ້ງ ສະ ເພາະ ສໍາ ລັບ lovers ສັດ ລ້ຽງ. ບໍ່ ວ່າ ຈະ ເປັນ ທ່ານ ກໍາ ລັງ ຊອກ ຫາ ຄູ່ ຮ່ວມ ງານ ຂອງ ຊີ ວິດ, buddy ສໍາ ລັບ ສັດ ລ້ຽງ ຫຼື ພຽງ ແຕ່ ຜູ້ ຫນຶ່ງ ຂອງ ທ່ານ ທີ່ ຈະ ວາງ ສາຍ ອອກ ກັບ, ທີ່ ນີ້ ທ່ານ ຈະ ສາ ມາດ ຊອກ ຫາ ໄດ້ ຜູ້ ທີ່ ທ່ານ ກໍາ ລັງ ຊອກ ຫາ ສໍາ ລັບ - pet lovers ຄື ຕົວ ທ່ານ ເອງ.

How do you create engaging UX under these conditions that will retain users and reduce waiting anxiety?

8.3. Discussion Questions

UX Patterns and Visualization:

• ວິທີການ UX ທີ່ທ່ານຈະນໍາໃຊ້ສໍາລັບການດາວໂຫລດໂຄງການຊອກຫາທີ່ຫນ້າສົນໃຈໃນເວລາທີ່ການບໍລິໂພກແມ່ນ "ສະດວກ"?
• ວິທີທີ່ທ່ານສາມາດ simulate "live" ການປັບປຸງເຖິງແມ່ນວ່າບໍ່ມີການປັບປຸງສະພາບແວດລ້ອມ server ທີ່ແທ້ຈິງ?
• ວິທີການນໍາໃຊ້ bars progress false, ຫຼືການນໍາໃຊ້ການປິ່ນປົວຄວາມປອດໄພຂອງຜູ້ໃຊ້?
• ວິທີການ animations ແລະ micro-interactions ທີ່ຊ່ວຍໃຫ້ສ້າງຄວາມຮູ້ຂອງລະບົບ "living"?

User Communication:

• ວິທີການສອບເສັງຜູ້ຊ່ຽວຊານກ່ຽວກັບວິທີທີ່ຜູ້ຊ່ຽວຊານສາມາດໄດ້ຮັບການຄາດຄະເນດິນດີຕ້ອນຮັບ?
• ທ່ານຕ້ອງສະແດງເວລາການຄາດຄະເນດິນທີ່ຄາດຄະເນດິນ, ຖ້າຫາກວ່າມັນສາມາດແຕກຕ່າງກັນຢ່າງກວ້າງຂວາງ (2 ເຖິງ 60 ນາທີ)?
• ວິທີການດາວໂຫລດລະດັບການທົດສອບຂອງການເຮັດວຽກ (“Generating search queries...”, “Analyzing sources...”, “Forming expert report...”)
• ວິທີການນໍາໃຊ້ metaphors ທີ່ຊ່ວຍໃຫ້ຜູ້ໃຊ້ຮູ້ຄວາມສໍາຄັນຂອງການຄາດຄະເນ?

Technical Implementation:

• ວິທີການທີ່ດີເລີດຂອງ UI ສາມາດໄດ້ຮັບການນໍາໃຊ້ໂດຍບໍ່ມີ Feedback server?
• ວິທີການນໍາໃຊ້ "conversational" ອັດຕະໂນມັດທີ່ສະຫນັບສະຫນູນຜູ້ໃຊ້ໃນເວລາທີ່ຄາດຄະເນ?
• ທ່ານສາມາດນໍາໃຊ້ການຄອມພິວເຕີທ້ອງຖິ່ນ (Web Workers, WASM) ເພື່ອ simulate progress?
• ວິທີການຄວບຄຸມ degradation graceful ຖ້າຫາກວ່າຜູ້ໃຊ້ຕັດ tab ໃນລະຫວ່າງການຄົ້ນຄວ້າ?

8.4. Learning from the Best

ຄໍາຮ້ອງສະຫມັກການຄົ້ນຄວ້າທີ່ຖືກນໍາໃຊ້ໃນ Perplexity Deep Research, Bing Copilot, Google Search Generative Experience. ທ່ານສາມາດຊອກຫາສິ່ງທີ່ທ່ານສາມາດຊອກຫາຈາກຫນ້າຈໍການດາວໂຫລດຂອງເກມທີ່ຮັກສາຄວາມຊອກຫາສໍາລັບທັນທີ? ວິທີການ Netflix, YouTube, ແລະອຸປະກອນອື່ນໆປິ່ນປົວບັນຫາການດາວໂຫລດອຸປະກອນ?

Remember: ໃນໄລຍະເວລາຂອງການຕອບສະຫນອງ ChatGPT ອັດຕະໂນມັດ, ການຄາດຄະເນດິນດີຕ້ອນຮັບຄຸນນະພາບສາມາດເປັນປະໂຫຍດການຄາດຄະເນດິນດີຕ້ອນຮັບ. ຜູ້ໃຊ້ແມ່ນຄາດຄະເນດິນດີຕ້ອນຮັບ, ຖ້າຫາກວ່າພວກເຂົາເຈົ້າຮູ້ປະສິດທິພາບຂອງໂຄງການແລະຮູ້ວ່າລະບົບແມ່ນເຮັດວຽກສໍາລັບພວກເຂົາ.

9. About the Author and AIFA Project

ຊື່ຫຍໍ້ຂອງ :ຊື່ຫຍໍ້ຂອງ : Roman Bolshiyanov, ໃນຊຸດທີ່ຜ່ານມາຂອງຕົນ, ສະແດງໃຫ້ເຫັນອຸປະກອນແລະການແກ້ໄຂແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນແຜ່ນພາສາລາວ(Agents AI ໃນອຸປະກອນການພັດທະນາແລະ self-replicating).

ໃນກິດຈະກໍາຂອງຕົນໃນປັດຈຸບັນ, AIFA ໄດ້ຮັບຕົວຢ່າງທີ່ຍິ່ງໃຫຍ່ສໍາລັບການສ້າງໂຄງການ AI-first ທີ່ມີອິນເຕີເນັດຜູ້ໃຊ້ພິເສດ, ໃນຂະນະທີ່ອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດອິນເຕີເນັດ.

ການຄາດຄະເນດິນຟ້າອາກາດຂອງໂຄງການແມ່ນການພັດທະນາໃນລະບົບ AGI ທີ່ມີຄຸນນະສົມບັດສໍາລັບ:

• ການພັດທະນາອັດຕະໂນມັດແລະການປັບປຸງ algoritms ຂອງເຂົາເຈົ້າ
• Self-replication ແລະການສ້າງຜູ້ຊ່ຽວຊານໃຫມ່
• ການຄົ້ນຄວ້າແລະການຮ່ວມມືໃນສະພາບແວດລ້ອມ distribute
• ການປະຕິບັດອັດຕະໂນມັດໃນເວັບໄຊທ໌ແລະເຄືອຂ່າຍ blockchain

ການຄົ້ນຄວ້າທີ່ກວດສອບໃນບົດຄວາມນີ້ແມ່ນພຽງແຕ່ຫນຶ່ງໃນຄຸນນະສົມບັດພື້ນຖານຂອງ agents AGI ໃນປັດຈຸບັນທີ່ຈະສາມາດບໍ່ພຽງແຕ່ຄົ້ນຄວ້າຂໍ້ມູນ, ແຕ່ຍັງຄົ້ນຄ້ວາ, ສ້າງຜະລິດຕະພັນ, ແລະຕິດຕໍ່ກັບໂລກທີ່ແທ້ຈິງ.

ຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາສໍາລັບການເບິ່ງການພັດທະນາຂອງໂຄງການແລະການທົດສອບເຕັກໂນໂລຊີ AI ທີ່ທັນສະໄຫມ, ກະລຸນາບໍ່ເສຍຄ່າເພື່ອ forkສະຫນັບສະຫນູນ AIFAພວກເຮົາມີຄວາມຊ່ຽວຊານໃນການຄົ້ນຄວ້າອຸດສາຫະກໍາຂອງທັນສະໄຫມ. ທັງຫມົດຂອງພວກເຮົາຈະຊ່ວຍໃຫ້ພວກເຮົາມີຄວາມຊ່ຽວຊານໃນການສ້າງຄວາມຊ່ຽວຊານທີ່ແທ້ຈິງໃນການຄົ້ນຄວ້າອຸດສາຫະກໍາ.

Ready to build the future?ລະຫັດເປັນທີ່ຫນ້າສົນໃຈ, ການກໍ່ສ້າງໄດ້ຖືກທົດສອບ, ແລະຄວາມສາມາດແມ່ນບໍ່ເຄື່ອນໄຫວ. ຄວາມປອດໄພຕໍ່ໄປຂອງທ່ານໃນການຄົ້ນຄວ້າທີ່ໃຊ້ AI ແມ່ນພຽງແຕ່ Git clone ຈາກ.