过去一年，从向量数据库入手，做RAG或者Agent，绝对是普通人转大模型最快的捷径。 但最近，我开始考虑放弃让男朋友卷传统RAG了。 因为传统RAG只能解决检索问题，生成答案，花了半年搞部署优化，最后只得到了一个搜索功能的贵替[失望R]。老板看了要连夜开除一组人的程度。 不久前OpenAI发布的Deep Research功能倒是挺好用，可以基于互联网上的权威数据，检索并生成完整报告。 不过这里吐槽一下，Deep Research一个月要200美金就算了，还没办法利用本地数据。[扯脸H] 所以，作为资深的向量数据库使用者，我推荐男朋友不久前Zilliz魔改的开源DeepSearcher。这个方法的优势是不仅能生成完整报告，又能很好的利用本地数据，还能自由的更换DeepSeek在内的大模型。可能更适合大部分有本地数据的企业级部署需求。 目前该项目在Github上已经收获了2000+star，还被DeepSeek官方集成仓库收录了。[哇R] 其思路可以简化如下： 1️⃣第一步，用DeepSeek等大模型，对问题进行深度拆解 2️⃣第二步，引入开源向量数据库Milvus，同时检索本地数据与互联网数据。 3️⃣第三步，基于检索结果完成内容判定与生成。 具体思路以及部署方式，放在图里了。