STORM 使用指南給一個主題自動生成帶引用的調研報告【免費下載鏈接】stormAn LLM-powered knowledge curation system that researches a topic and generates a full-length report with citations.項目地址: https://gitcode.com/GitHub_Trending/sto/storm寫綜述、寫報告時最花時間的往往是資料搜集與參考整理。STORM 是一個由大語言模型驅動的知識策展系統給它一個主題它會自動完成互聯網調研、生成大綱并輸出一篇帶完整引用的維基式長文報告初稿可以一次成型。三步跑通 STORM 示例安裝依賴pip install knowledge-storm想改流程本身則先克隆代碼git clone https://gitcode.com/GitHub_Trending/sto/storm.git再pip install -r requirements.txt。在項目根目錄建secrets.toml填入 OpenAI 密鑰OPENAI_API_TYPE設為openai或azure以及所用搜索引擎的密鑰。目前支持 Bing、You.com、Serper、Brave 等十幾種檢索后端實現在 knowledge_storm/rm.py。運行示例腳本python examples/storm_examples/run_storm_wiki_gpt.py --output-dir ./output --retriever bing --do-research --do-generate-article。對話日志、大綱、成品文章都會落到輸出目錄里方便回看。STORM 兩階段流程如何把長文寫出來STORM 把長文寫作拆成兩個階段。預寫作階段負責研究模擬不同角色對話、檢索網頁、積累參考文獻并生成大綱寫作階段再依據大綱和素材逐節撰寫末尾附上引用。兩個階段的編排邏輯在 knowledge_storm/storm_wiki/engine.py且各自有獨立開關——可以跳過研究直接復用上次結果或只重寫文章不再檢索。讓模型問出好問題多視角與模擬對話直接讓模型列問題問出來往往又淺又重復。STORM 用兩種辦法提升提問質量。其一是視角引導先讀類似主題的現有文章提煉出幾個不同觀察角度再分別按這些角度提問其二是模擬對話讓模型扮演維基作者與領域專家問答對話推進中模型對主題的理解不斷更新追問自然更深。Co-STORM加入人的協作對話協議Co-STORM 把人加了進來。對話由三類角色輪流推進LLM 專家基于外部資料作答并提出后續問題主持人從檢索器發現但前幾輪沒用的信息中生成發人深省的問題人類用戶既可以旁觀學習也可以隨時注入一句話把討論帶回關心處。同時系統維護一張動態更新的思維導圖把收集的信息組織成層級結構和用戶共享同一個概念空間長討論時壓力更小。編排代碼見 knowledge_storm/collaborative_storm/engine.py。STORM 本地界面從輸入主題到展示成稿倉庫自帶一個最簡 Streamlit 界面frontend/demo_light。輸入主題后系統識別不同專家視角、進行提問式研究最終把成稿與參考文獻并列展示STORM 適用場景與降低成本的做法產出更接近預寫作素材官方也提示它還需人工修訂后才算定稿。因此它適合選題調研與資料梳理、報告初稿、維基條目起步。幾個實用做法各組件可接不同模型對話模擬、提問用便宜快速的大綱和成稿用強的成本可控。模型抽象在 knowledge_storm/lm.pylitellm 支持的基本都能接。研究、大綱、成稿、潤色四個開關可自由組合換主題后通常只需重跑后兩步。在 Co-STORM 中適時注入一兩句把對話保持在最關心的子話題上。STORM 把研究一個主題再整理素材變成了一條能自動跑起來的流水線不妨拿一個你一直想摸透的主題先試一篇。【免費下載鏈接】stormAn LLM-powered knowledge curation system that researches a topic and generates a full-length report with citations.項目地址: https://gitcode.com/GitHub_Trending/sto/storm創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 STORM 使用指南：給一個主題，自動生成帶引用的調研報告
STORM 使用指南給一個主題自動生成帶引用的調研報告【免費下載鏈接】stormAn LLM-powered knowledge curation system that researches a topic and generates a full-length report with citations.項目地址: https://gitcode.com/GitHub_Trending/sto/storm寫綜述、寫報告時最花時間的往往是資料搜集與參考整理。STORM 是一個由大語言模型驅動的知識策展系統給它一個主題它會自動完成互聯網調研、生成大綱并輸出一篇帶完整引用的維基式長文報告初稿可以一次成型。三步跑通 STORM 示例安裝依賴pip install knowledge-storm想改流程本身則先克隆代碼git clone https://gitcode.com/GitHub_Trending/sto/storm.git再pip install -r requirements.txt。在項目根目錄建secrets.toml填入 OpenAI 密鑰OPENAI_API_TYPE設為openai或azure以及所用搜索引擎的密鑰。目前支持 Bing、You.com、Serper、Brave 等十幾種檢索后端實現在 knowledge_storm/rm.py。運行示例腳本python examples/storm_examples/run_storm_wiki_gpt.py --output-dir ./output --retriever bing --do-research --do-generate-article。對話日志、大綱、成品文章都會落到輸出目錄里方便回看。STORM 兩階段流程如何把長文寫出來STORM 把長文寫作拆成兩個階段。預寫作階段負責研究模擬不同角色對話、檢索網頁、積累參考文獻并生成大綱寫作階段再依據大綱和素材逐節撰寫末尾附上引用。兩個階段的編排邏輯在 knowledge_storm/storm_wiki/engine.py且各自有獨立開關——可以跳過研究直接復用上次結果或只重寫文章不再檢索。讓模型問出好問題多視角與模擬對話直接讓模型列問題問出來往往又淺又重復。STORM 用兩種辦法提升提問質量。其一是視角引導先讀類似主題的現有文章提煉出幾個不同觀察角度再分別按這些角度提問其二是模擬對話讓模型扮演維基作者與領域專家問答對話推進中模型對主題的理解不斷更新追問自然更深。Co-STORM加入人的協作對話協議Co-STORM 把人加了進來。對話由三類角色輪流推進LLM 專家基于外部資料作答并提出后續問題主持人從檢索器發現但前幾輪沒用的信息中生成發人深省的問題人類用戶既可以旁觀學習也可以隨時注入一句話把討論帶回關心處。同時系統維護一張動態更新的思維導圖把收集的信息組織成層級結構和用戶共享同一個概念空間長討論時壓力更小。編排代碼見 knowledge_storm/collaborative_storm/engine.py。STORM 本地界面從輸入主題到展示成稿倉庫自帶一個最簡 Streamlit 界面frontend/demo_light。輸入主題后系統識別不同專家視角、進行提問式研究最終把成稿與參考文獻并列展示STORM 適用場景與降低成本的做法產出更接近預寫作素材官方也提示它還需人工修訂后才算定稿。因此它適合選題調研與資料梳理、報告初稿、維基條目起步。幾個實用做法各組件可接不同模型對話模擬、提問用便宜快速的大綱和成稿用強的成本可控。模型抽象在 knowledge_storm/lm.pylitellm 支持的基本都能接。研究、大綱、成稿、潤色四個開關可自由組合換主題后通常只需重跑后兩步。在 Co-STORM 中適時注入一兩句把對話保持在最關心的子話題上。STORM 把研究一個主題再整理素材變成了一條能自動跑起來的流水線不妨拿一個你一直想摸透的主題先試一篇。【免費下載鏈接】stormAn LLM-powered knowledge curation system that researches a topic and generates a full-length report with citations.項目地址: https://gitcode.com/GitHub_Trending/sto/storm創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考