DeepSearch复现篇2（优势：低门槛）：基于DeepSeek官网API的Agentic RAG的全链路实现
March 18, 2025
全文阅读约2分钟~
背景
在上一篇DeepSearch复现篇：QwQ-32B ToolCall功能初探，以Agentic RAG为例中，我们探讨了基于本地部署的QwQ-32B的Agentic RAG实现方案。然而实际工程落地中，云端API调用具有更低的准入和复现门槛。本文将以 DeepSeek-R1官网API 和 Tavily检索API 为核心（是的，你只需要申请这两个API的Key即可！），展示无需本地算力的全链路Agentic RAG实现方案。
关键优势：零本地部署，仅需两个API密钥，即可在本地实现端到端的深度检索智能体搭建！
相较于DeepSearch复现篇：QwQ-32B ToolCall功能初探，以Agentic RAG为例的本地部署方案，本次升级的核心变化就是：
模型层：使用DeepSeek官网的的DeepSeek-R1接口替代本地部署模型
详细实践
项目地址：Agentic_RAG
- 1、下载项目地址文件：
git clone https://github.com/Paul33333/Agentic_RAG.git
- 2、安装必要的环境（tavily-python、dotenv、openai）
cd Agentic_RAG
pip install -r requirements.txt
- 3、设置API Key:
- 将你的API KEY写进环境变量，避免显式暴露（非必须，你也可以改为不访问环境变量的方式，直接显式读取）
export DEEPSEEK_API_KEY="<Your DeepSeek API Key>"
export TAVILY_API_KEY="<Your Tavily API Key>"
- 4、运行程序
python Agentic_RAG.py
效果测试
一、单轮问答
输入问题：“请给我详细介绍下前段时间小米发布的Su7 Ultra这款跑车的相关信息，要求信息尽可能全面”
对比上一篇DeepSearch复现篇：QwQ-32B ToolCall功能初探，以Agentic RAG为例中我们没有实现的多轮检索问答，这次我们成功触发了多轮（层次递进的）的联网搜索
返回结果具体如下：
其整体响应流程可以总结如下：
- 1、拿到问题-> 调用推理模型处理...
- 2、思考后，触发第一次检索：“小米SU7 Ultra 正式发布 详细参数”
- 3、读取检索响应后（可能还有思考），其自身触发第二次检索：“小米SU7 Ultra 技术亮点”
- 4、读取检索响应后（可能还有思考），其自身触发第三次检索：“小米SU7 Ultra 市场反响”
- 5、最后，结合三次检索的内容，生成最后的输出
这三次检索的流程编排、检索关键词设置均由模型动态指导自己完成
详细响应部分截图如下：
二、多轮问答
在完成上面的第一个对话后，我们续着进行第二轮问答。
问题："请你再继续对比下tesla modelS的产品信息， 给我生成一份小米Su7 Ultra和 tesla modelS的产品对比手册"
详细响应部分截图如下（继续触发了两次检索）：
