如何利用AI的能力来强化搜索一直是业内的关注方向，大家都希望可以给用户带来更好的体验。

今天我们分享一个开源项目，它也同样受Perplexity启发，利用AI的能力来提升搜索体验，它就是：llm-answer-engine

llm-answer-engine 是什么

llm-answer-engine 是一个开源的AI增强搜索引擎，它包含构建复杂答案引擎所需的代码和指令，该引擎利用Groq、Mistral AI 的 Mixtral、Langchain.JS、Brave Search、Serper API和OpenAI的功能。

该项目旨在根据用户查询高效地返回源、答案、图像、视频和后续问题，是对自然语言处理和搜索技术感兴趣的开发人员的理想起点。

项目使用的技术栈：

• Next.js：用于构建服务器端渲染和静态 Web 应用程序的 React 框架。
• Tailwind CSS：实用程序优先的 CSS 框架，用于快速构建自定义用户界面。
• Vercel AI SDK：Vercel AI SDK 是一个用于构建人工智能驱动的流文本和聊天 UI 的库。
• Groq & Mixtral：处理和理解用户查询的技术。
• Langchain.JS：一个专注于文本操作的 JavaScript 库，例如文本分割和嵌入。
• Brave Search：一个注重隐私的搜索引擎，用于采购相关内容和图像。
• Serper API：用于根据用户的查询获取相关的视频和图像结果。
• OpenAI Embeddings：用于创建文本块的矢量表示。
• Cheerio：用于 HTML 解析，允许从网页中提取内容。
• Ollama（可选）：用于流式推理和嵌入。
• Upstash Redis 速率限制（可选）：用于为应用程序设置速率限制。

项目的作者在网上发布了很详细的项目介绍，里面详细的说明的项目的基本结构和实现的思路等，有条件的话，非常值得去看一下，这样还可以省下阅读代码的时间，效率更高。可以看下下图，里面就有了大致的一个思路和步骤，其实看起来不难，但是落地就不容易。

安装使用llm-answer-engine

安装前准备：

1. 需要确保你的环境中已经安装好Nodejs和NPM2. 项目会使用到4种API key：	OpenAI	Groq	Brave Search	Serper	密钥的获取方式可以从对应的网站查看。

安装部署

接下来我们可以开始从源码安装，可以通过以下步骤：

#获取代码git clone <https://github.com/developersdigest/llm-answer-engine.git>#安装依赖npm install#配置env，在根目录下新建.env,添加提前准备好的API keyOPENAI_API_KEY=your_openai_api_keyGROQ_API_KEY=your_groq_api_keyBRAVE_SEARCH_API_KEY=your_brave_search_api_keySERPER_API=your_serper_api_key

安装完成后就可以起动服务了。

npm run dev

完成安装后我们可以体验 llm-answer-engine ，它总体上可以帮我们：

• 快速建立问答系统：通过集成不同AI模型，快速搭建一个能够处理多种类型问题的智能问答平台。
• 高效答案检索：利用Groq的向量数据库能力，对大规模知识库进行高效的近似最邻近搜索，确保问题得到精准匹配的答案。
• 模块化开发：借助Mixtral和Langchain，开发者可以便捷地添加、移除或替换不同模块，以适应不同场景需求。

编辑配置

配置文件位于该app/config.tsx文件中。您可以修改以下值

- useOllamaInference: false,- useOllamaEmbeddings：假，- 推理模型：'mixtral-8x7b-32768'，- inferenceAPIKey：process.env.GROQ_API_KEY，- embeddingsModel: 'text-embedding-3-small',- 文本块大小：800，- 文本块重叠：200，- numberOfSimilarity结果：2，- 扫描页数：10，- nonOllamaBaseURL: ' <https://api.groq.com/openai/v1>'- useFunctionCalling: true- useRateLimiting: false

总结

llm-answer-engine 构建了一个比较完整的AI增强搜索，覆盖到了目前主流的技术实现，所以如果对这个方向有关注，那么可以参考和学习一下其内在的实现逻辑。从整体上也可以总结一下它具备的特点：

1. 多模型融合：项目支持集成多种AI服务商的大型语言模型，如OpenAI GPT系列，为用户提供丰富且准确的答案来源。
2. 高性能架构：运用Groq作为底层向量数据库，确保了在大规模数据环境下快速有效地检索和生成答案。
3. 灵活性与扩展性：通过Mixtral和Langchain组件，项目具备极强的模块化和可扩展能力，方便开发者根据不同需求定制和增强问答引擎。
4. 前端优化：依托Next.js框架，构建出响应式、高性能的用户界面，实现无缝的交互体验。
5. 隐私与安全性：与Brave浏览器技术相结合，强化了用户数据保护和隐私安全措施。

目前国内在这个方向上也有很多的企业在发力，比如Kimi和秘塔搜索等，所以了解现有的一些实现方式，思考如何进一步创新非常重要。

项目信息

• 项目名称： llm-answer-engine
• GitHub 链接：https://github.com/developersdigest/llm-answer-engine
• Star 数：3K