MindSearch允许llm生成类似jupyter notebook的代码片段自主的规划搜索路径，形成搜索图可以自由的控制最大迭代步数，这种灵活的特性使得的MindSearch搜索效果相比写死的代码要效果好很多。
MindSearch代码不多，但是调用很复杂，不行请看这个时序图，请格外关注WebSearchGraph和MindSearchAgent两个类，MindSearchAgent是一切代理的总主管，WebSearchGraph是通过llm生成自主规划的搜索路径的小主管，由llm生成的代码就是通过WebSearchGraph规划搜索路径的。
%%{init:{'theme':'forest', 'themeVariables':{'fontSize':'20px'}, "securityLevel": "loose"}}%%
sequenceDiagramparticipant Clientparticipant FastAPIparticipant EventSourceResponseparticipant init_agentparticipant MindSearchAgentparticipant SearcherAgentparticipant WebSearchGraphparticipant LLMparticipant ActionExecutorClient->>FastAPI: POST /solve (GenerationParams)activate FastAPIFastAPI->>init_agent: init_agent(lang, model_format, search_engine)activate init_agentinit_agent->>LLM: Create/Get LLM instanceinit_agent->>ActionExecutor: Create BingBrowser executorinit_agent->>MindSearchProtocol: Create protocol with promptsinit_agent->>MindSearchAgent: Create agent(llm, protocol, searcher_cfg)init_agent-->>FastAPI: Return agent instancedeactivate init_agentFastAPI->>MindSearchAgent: stream_chat(inputs)activate MindSearchAgentMindSearchAgent->>MindSearchProtocol: format(inner_step)MindSearchProtocol-->>MindSearchAgent: formatted promptMindSearchAgent->>LLM: stream_chat(prompt)loop For each responseLLM-->>MindSearchAgent: Stream responseMindSearchAgent->>MindSearchProtocol: parse(response)MindSearchProtocol-->>MindSearchAgent: language, actionalt Has code executionMindSearchAgent->>WebSearchGraph: execute_code(command)activate WebSearchGraphWebSearchGraph->>SearcherAgent: Create searcher agentsactivate SearcherAgentSearcherAgent->>MindSearchProtocol: format(question)MindSearchProtocol-->>SearcherAgent: formatted promptSearcherAgent->>LLM: stream_chat(question)LLM-->>SearcherAgent: Stream responsealt Has tool actionSearcherAgent->>ActionExecutor: Execute tool actionactivate ActionExecutornote over ActionExecutor: Handles plugin executionnote over ActionExecutor: - BingBrowser actionsnote over ActionExecutor: - Tool invocationsnote over ActionExecutor: - Action status trackingActionExecutor-->>SearcherAgent: Action resultdeactivate ActionExecutorendSearcherAgent->>WebSearchGraph: Put result in queuedeactivate SearcherAgentloop For each queued resultWebSearchGraph->>WebSearchGraph: Process queueWebSearchGraph-->>MindSearchAgent: Yield (node_name, node, adj)enddeactivate WebSearchGraphMindSearchAgent->>MindSearchAgent: _generate_reference()alt Has plugin actionMindSearchAgent->>ActionExecutor: Execute plugin actionactivate ActionExecutornote over ActionExecutor: Handles plugin executionnote over ActionExecutor: - Plugin invocationsnote over ActionExecutor: - Action status trackingActionExecutor-->>MindSearchAgent: Action resultdeactivate ActionExecutorendendMindSearchAgent->>MindSearchAgent: convert_adjacency_to_tree()MindSearchAgent-->>FastAPI: Yield AgentReturnenddeactivate MindSearchAgentFastAPI->>EventSourceResponse: Create SSE responseEventSourceResponse-->>Client: Stream JSON responsesdeactivate FastAPInote over MindSearchAgent: AgentReturn includes:
note over MindSearchAgent: - nodes
note over MindSearchAgent: - adjacency_list (tree structure)
note over MindSearchAgent: - inner_steps
note over MindSearchAgent: - references
note over MindSearchAgent: - adj (original adjacency list)
MindSearch的llm调用库lagent是他们团队手搓原创的，连siliconflow调用qwen模型都不支持，为了调通只能魔改lagent，这里就不赘述。文档里支持的四个搜索API：GoogleSearch、DuckDuckGoSearch、BraveSearch、BingSearch，推荐用GoogleSearch和DuckDuckGoSearch，DuckDuckGoSearch免费需要设置proxy，GoogleSearch是通过serper.dev绑卡赠送一次性额度，BraveSearch绑卡有免费月额度但是并发1，BingSearch要开通azure绑定Visa卡。
如果单纯调用LLM的API，不需要本地推理，可以把requirements.txt里面的lmdeploy、transformers注释掉不用安装。
用原版的提示词效果最好的是GPT4o和internlm2.5，为了让qwen和deepseek也能跑通，需要修改提示词文件mindsearch_prompt.py，修改GRAPH_PROMPT_CN给llm增加一个示例，下面是我改的：
## 注意事项1. 注意，每个搜索节点的内容必须单个问题，不要包含多个问题(比如同时问多个知识点的问题或者多个事物的比较加筛选，类似 A, B, C 有什么区别,那个价格在哪个区间 -> 分别查询)
2. 不要杜撰搜索结果，要等待代码返回结果
3. 同样的问题不要重复提问，可以在已有问题的基础上继续提问
4. 一次输出中，不要包含多个代码块，每次只能有一个代码块
5. 每个代码块应该放置在一个代码块标记中，同时生成完代码后添加一个<|action_end|>标志，如下所示：<|action_start|><|interpreter|>```python# 你的代码块```<|action_end|>
6. 一个代码块中，一个节点必须和一条边相连，并最后调用node方法获取结果。
7. 整个图构建最后一次回复应该是添加node_name为'response'的 response 节点，必须添加 response 节点，不要添加其他节点。 添加 response 节点的时候，要单独添加，不要和其他节点一起添加，不能同时添加 response 节点和其他节点
示例（注意这是多次的回答而不是单次的）：
<|action_start|><|interpreter|>```python
graph = WebSearchGraph()
# 添加根节点
graph.add_root_node(node_content="人工智能的最新进展有哪些？\", node_name="root")
# 添加搜索节点
graph.add_node(node_name="key_areas", node_content="人工智能研究的关键领域有哪些？")
# 添加边，表示搜索节点之间的关系
graph.add_edge(start_node="key_areas", end_node="trends")
# 读取节点的查询结果并打印出来
graph.node("key_areas")
```<|action_end|>
<|action_start|><|interpreter|>```python
# 添加根节点
graph.add_node(node_name="trends", node_content="机器学习的最新趋势是什么？")
graph.add_edge(start_node="key_areas", end_node="trends")
graph.node("trends")
```<|action_end|>
<|action_start|><|interpreter|>```python
graph.add_response_node(node_name="response")
graph.add_edge(start_node="trends", end_node="response")
```<|action_end|>
从这个例子可以看出，graph.node()方法必须调用，否则llm就获取不到搜索代理返回的信息，导致结果瞎编乱造。顺带一提，internlm2.5竟然把from ilagent.agents.python_web import WebSearchGraph炼在模型里，光靠提示词大模型是不可能写出这行代码的，怪不得配合MindSearch效果好。
我还碰到一个奇怪的问题，有的时候只会执行一次搜索就结束了，但是代码明显没跑完，因为他没有走到最后一个response节点，我怀疑是mindsearch_agent.py代码导致的，这里修改确保graph已经创建成功在执行后续操作。
@@ -373,6 +402,20 @@ class MindSearchAgent(BaseAgent):args=(command, ))producer_thread.start()+ # 等待确保 graph 对象被创建
+ max_retries = 10
+ retry_count = 0
+ while retry_count < max_retries:
+ graph = self.local_dict.get('graph')
+ if graph is not None:
+ break
+ time.sleep(0.1) # 短暂等待
+ retry_count += 1
+ logger.info(f"Waiting for graph object, attempt {retry_count}")
+
+ if self.local_dict.get('graph') is None:
+ raise RuntimeError("Failed to initialize graph object")
+responses = defaultdict(list)ordered_nodes = []active_node = None
