Əsas səhifə » İnşaat » İnşaat » İnşaat » İnşaat » İnşaat » İnşaat » İnşaat » İnşaat » İnşaat » İnşaat Bu ilin sonunadək “Wake-Up Call for Developers” Sizin missiyanız yalnız ChatGPT və ya Claude istifadə etməyi öyrənmək deyil – bu sistemlərin yaradıcısı olmaq, yalnız onu istifadə etməkdən başqa bir sonraki Perplexity yaratmaqdır. Bu ilin sonunadək “Wake-Up Call for Developers” Sizin missiyanız yalnız ChatGPT və ya Claude istifadə etməyi öyrənmək deyil – bu sistemlərin yaradıcısı olmaq, yalnız onu istifadə etməkdən başqa bir sonraki Perplexity yaratmaqdır. Open Source xəritədə: https://github.com/aifa-agi/aifa-deep-researcer-starter/ 1. What You'll Master by Reading This Article Bu yazıyı oxuduğunuzda nəyi öyrənəcəksiniz Bu yazı, özünüzü “Deep Research” funksiyasına bənzəyərək, özünüzü “Deep Research” funksiyasına bənzəyir. Next.js 15, OpenAI və exa.ai ilə rekursif arama sistemi necə dizayn olunur Technical Architecture Niyə dərin araşdırma linear proses deyil, ağac strukturudur – və bu, AI araşdırmasının hər şeyi necə dəyişdirir? Mental Models Əməliyyatlar: Konkurentlərinizin replikə edə bilmədiyi həqiqətən özəl içərini yaratmaq üçün içərisindəki vektor bilmə bazalarına daxil olmaq Practical Solutions Server resurslarını və istifadəçi deneyimini uzun müddətli AI operasiyaları sırasında bankı kırmadan necə yönetmək Performance Optimization : Bu gün istifadə edə biləcəyiniz modern tech stack ilə konkret TypeScript implementasiyaları Production-Ready Code Bu yazının sonuna qədər, hər hansı bir ürəyə endirilə bilər ki, özəl SaaS-i özəlləşdirmək üçün necə yaradılacağını açıq bir anlayışla biləcəksiniz - sizə həqiqətən yeniləmək çətindir. 1.1. The Technology Stack That Powers Intelligence İnformasiya agentimiz üçün modern bir tech-stack istifadə edirik ki, bu yalnız bir tech-demo deyil – bu real dünya ölçüsü və güvenilirliyi üçün yaradılmışdır. 1.1.1. Frontend and Framework - Daha yaxşı performansla və kompleks AI interaksiyalarını düzgün başa düşən yeni simultan rendering funksiyaları ilə ən yeni versiyası React 19 - App Router ilə tam funksiyalı React Framework, paralel və interceptor yolları (kompleks AI iş prosesləri üçün mükəmməl) Next.js 15 - Kompleks AI sistemləri qurmaq üçün kod güvenliyini və üstün geliştiricilərin deneyimi üçün dərin yazma TypeScript 5 1.1.2. AI and Integrations - GPT-4 və digər OpenAI modelləri ilə bütünlüklə bağlanma üçün resmi SDK OpenAI SDK (v4.96.2) - Çeşitli AI sağlayıcılarla işləmək üçün universaldır, model dəyişdirmək üçün fleksibillik verir AI SDK (v4.1.45) - Konteksti anlayan semantik arama üçün xüsusi AI yönəldilmiş arama motoru Exa.js (v1.4.10) 1.1.3. UI and Styling - İnşaatın keyfiyyətini itirmədən sürətli inkişaf üçün faydalı ilk CSS çerçevəsi Tailwind CSS 4 Bütün cihazlarda işləyə biləcək qasırğalar yaratmaq üçün başsız komponentlər Radix UI Moderna icon library with consistent design language (Modern ikon kütləvi, konsistent dizayn dili) Lucide React - Radix UI və Tailwind CSS-də qurulan komponent sistemi profesyonel interfeislər üçün shadcn/ui 1.1.4. Forms and Validation - Formların işləməsi üçün yüksək performanslı kütləvi, AI interfeisinizi yavaşlatmır React Hook Form TypeScript-first validation şeması statik yazma ilə ki, hatalar üretilmədən əvvəl qalıb. Zod “Zod” və “React Hook Form” arasındakı qısa integrasiya Hookform Resolvers 1.1.5. Content Processing “Markdown content rendering with component support for rich AI-generated reports” (Markdown içerik göstəricisi, rəngli AI-yaratılmış raportlar üçün komponent dəstəyi) React Markdown - Tarix işləmək üçün modern kütüphə AI araşdırma zaman çizgilərində date-fns Why This Stack Matters Bu texnologiya sistemləri və və Burada hər bir seçim intensifdir - Next.js 15'in kompleks AI iş proseslərini idarə edən paralel yollarından Exa.js'ə qədər, derin araşdırma imkanları olan semantik arama imkanlarını təmin edir. high performance type safety scalability Rekursiv AI araşdırmalarının kompüter kompleksliyini başa düşə bilər, lakin modern aplikasiyaların ehtiyacı olan istifadəçi deneyimi standartlarını təmin edə bilər. The result? Hazırda bu elementlərin bir-birinə necə yerləşdiriləcəyini görmək üçün hazırsınız? İT revolusiyası gəlməyib – buradadır. və bu, geliştiricilər topluluğunda böyük bir ayrılıq yaradır.Bir tərəfdə AI-yi produktiviteti artırmaq üçün başqa bir alət kimi görənlər var, funksiyaları yazmaq və kod düzəltmək üçün ChatGPT-yi istifadə edənlər. . the real opportunity isn't in using AI—it's in building it Çoğu geliştiricilər ChatGPT-yi daha effektiv şəkildə istifadə etməyə çalışırlarsa, daha kiçik bir qrup Perplexity, Claude və özəlləşdirilmiş AI agentləri kimi sistemlərin arxitektriyini idarə edir. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. The harsh reality Bu yazıda “Perplexity”in “Deep Research” funksiyasına bənzər, özünüzü AI-yə dayandırılan dərin araşdırma agentini qurmaq üçün tam bir arkitektonik blueprint verir. : What you'll master by the end Recursive search architecture: How to design systems that think in trees, not lines (Rəssamlı arxa arkitekturası: ağaclarda düşünən sistemləri necə dizayn etmək AI-first data pipelines: External web search with internal knowledge bases (İ.İ.-first data pipelines): İnternal web search ilə intern knowledge bases (İ.İ.-first data pipelines) birləşdirilməsi Agent orkestrasiyası: Öz çıxartmalarını qiymətləndirmək, iterasiya etmək və yaxşılaşdırmaq üçün AI sistemləri yaratmaq Ümumi düşüncələr: Uzun sürətli AI operasiyaları üçün server resursları, timeoutlar və istifadəçi deneyimleri idarə etmək Bu, sizin üçün hər hansı bir alət, hər hansı bir istifadə məsələsi və hər hansı bir ölçü üçün AI sistemlərini dizayn etməyə imkan verəcək arkitektonik düşüncənin təchiz edilməsidir. İnternetdə effektiv navigasiya üçün "giriş köməyi köməyi"ni nə üçün tradicional LLM-lərə ehtiyacı var? 2. Introduction: Life After ChatGPT Changed Everything Xatırladaq ki, “ChatGPT” hər şeyi dəyişdi. ChatGPT və digər böyük dil modelləri (LLM) informasiya ilə əlaqə saxladığımızı fundamentally revolutionized etdi. . models only know the world up to their training cutoff date, and they hallucinate with alarming confidence 2.1. The Problem: Band-Aid Web Search in Modern LLMs ChatGPT, Claude və digər modellərin arxasındakı komandalar bu problemə yerləşdirilmiş web araması ilə cavab verməyə çalışdılar.Bu teoriya ilə çox yaxşı görünür, lakin daha da derinləşdirə bilərsiniz ki, bu, istehsal aplikasiyaları üçün faydalı olmayacaq: : Sistemi bir və ya iki arama soruşur, ilk birkaç nəticəni çəkir və bir gündə bunu adlandırır. Surface-Level Search Əgər ilk baxış bütünlüklə nəticələr verməsə, sistem izah soruşmaz və ya alternativ açıları araşdırmaz. Zero Follow-Through Tradisional arama motorları reklamlar, navigasiya elementləri və faydalı olmayan içkiləri ilə qarışdırılmış HTML saytları qaytarır. Garbage Data Quality : Sistemi yerləşdirilən xəbərlərinizlə, korporativ dokumentlarınızla və ya domain-specifiki bilgi bazaları ilə bağlayamazsınız. Context Isolation 2.2. The Gold Standard: Perplexity's Deep Research Revolution “Perplexity” bizə “search-LLM” integrasiyasının necə işlədiyini göstərən ilk şirkət idi. “Google”da “API” çağrılarının əvəzində, AI-nin istifadə üçün hazırlanmış təmiz, strukturlu içkiləri qaytarmaq üçün xüsusi axtarış sistemlərini istifadə edirlər. AI-Optimized Search Engines Sistem başlanğıcları analiz edir, yeni soruşmalar formalaşır və bütünlüklü bir görüntü yaratana qədər aradan qaldırır. Iterative Investigation Process Bu, bir neçə dəqiqə ərzində işləyə biləcək, temalara rekursiyaya bürünə biləcək və onlardan xəbər toplayacaq bir AI agentdir. Deep Research Mode This is exactly the kind of system we're going to build together. 2.3. Why This Matters for Every Developer Artıq iki gündən sonra biz 2013-cü il mövsümü üçün hazırlanmış ilk maşını görəcəyik – yanvarın 28-də axşam Lotus komandası E21-i [...] İnternetdən real vaxtda araşdırma Public data ilə özəl bilgi bazalarını birləşdirin Standart LLM-dən əldə etmək mümkün olmayan təkcə bir baxış yaratın Konkret biznesin və sektorun xüsusiyyətlərinə uyğunlaşdırılması 2.4. What You'll Walk Away With Mənim hədəfim sizin üçün kopyalaşmaq üçün kod vermək deyil (bunun çoxunu alacaqsınız). “Dünyanın arxasınca filosofiya” Özünüzü özü üçün arxeoloji imkanlar yaratın Sistemə modern yığma (Next.js 15, OpenAI, exa.ai) istifadə edin Çözümü hər hansı bir varlıqdan istifadə etmək İstehsal və sistemin optimalizasiyası Bu yazının sonuna qədər, özünüzü "Perplexity" yaratmaq üçün tam bir arkitektonik blueprint və istehsal hazır kod nümunələri alacaqsınız - ürəyinizin gizli silahı ola bilər AI agentidir. Xatırladaq ki, bu barədə “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəb Important 2.5. For the Impatient: Skip to the Code Konceptləri əvvəllər əldə edən və doğrudan implementasiyaya dalmaq istəyənlər üçün, burada inşa etdiyimiz açıq-aşkar çözümdür: https://github.com/aifa-agi/aifa-deep-researcer-starter https://github.com/aifa-agi/aifa-deep-researcer-starter Mən özüm üçün çox söz və az substans verə bilən yazıları dayandıramıram.Repo'yu klonlayın və onu bu vaxt geliştirmə modunda çalışdıra bilərsiniz. : Vercel-in özəlləşdirilməsi üçün vaxt limitləri (403 hata) çatacaq, lakin localhost-da qəlbinizin içərisindəki jurnalları tamamilə eksperimentə və öyrənə bilərsiniz. Pro tip İnternetdə effektiv navigasiya üçün LLM-lərin niyə "guide dog"ya ehtiyacı olduğunu anlayaraq başlayalım. 3. Why LLMs Need a "Guide Dog": The Critical Role of External Search Systems Niyə LLM-nin "Guide Dog"ə ehtiyacı var: Dış arama sistemlərinin kritik rolları Burada bir çox programcıların ucuz yolda öyrəndiyi çətin bir həqiqət var: Bu, bir bug deyil – bu, AI-nin istifadə üçün hazırlanmış xüsusi arxa sistemləri ilə bütünlüklə daxil olmaq üçün sofistike bir çözümə ehtiyacı olan fundamentaldır. Large Language Models cannot independently access current information from the internet 3.1. Why Traditional Search Engines Are AI Poison “Google”, “Bing” və digər tradicional arama motorları internetdə səyahət edən insanlar üçün yaradılmışdır, data işləyən maşınlar üçün deyil. Reklam blokları və içerik ekstraksiyasını qarışdıran navigasiya qarışıqlığı İlginç içeriklər (komentarlar, sidebars, footers, cookie bannerlar) Kompleks analizə ehtiyacı olan və sıklıqla başarısız olmayan strukturlu məlumatlar javascript// The traditional approach - a nightmare for AI const htmlResponse = await fetch('https://api.bing.com/search?q=query'); const messyHtml = await htmlResponse.text(); // You get HTML soup with ads, scripts, and digital garbage // Good luck extracting meaningful insights from this mess Mən görmüşəm ki, komandalar haftaları HTML analizləri qurmaq üçün keçirir, ancaq böyük bir saytın dizaynını yeniləməsinin hər vaxtı bitirirlər. It's not scalable, and it's definitely not reliable. 3.2. Keyword Matching vs. Semantic Understanding: A World of Difference "Next.js e-ticarət üçün optimizasiyası" kimi bir sorğu "online mağazalarda React proqramlarının performansını artırmaq" haqqında mükəmməl bir makaleyi qaçdıra bilər, lakin semantik olaraq e-ticarət üçün e-ticarət üçün optimizasiyalar eşitməlidirlər. Bu, kitabları yalnız titrədəki tam sözləri eşidərək, həqiqətdə içərisində olan hər şeyi gözləməkdə olan bir araşdırma köməkçisi olan kimidir. For AI agents doing deep research, this approach is fundamentally broken. 3.3. AI-Native Search Engines: The Game Changer Exa.ai, Metaphor və Tavily kimi xüsusiyyətli sistemlər, AI-nin istifadə etməməsini təmin edən əsas problemləri həll edir: Semantika anlayışı Vektor nümunələri yalnız anahtar kelimələr deyil, anlamları ilə aradan qaldırmaq üçün istifadə edirlər. Sağlam, strukturlu məlumatlar Onlar HTML çöpü olmadan əvvəl işlənmiş içərini qaytarırlar. Kontekstual anlayış Onlar əvvəlki sorğu və ümumi araşdırma kontekstini anlayırlar, həqiqətən iterativ araşdırma imkan verirlər. javascript// The AI-native approach - clean and powerful const cleanResults = await exa.search({ query: "Detailed analysis of Next.js performance optimization for high-traffic e-commerce platforms", type: "neural", contents: { text: true, summary: true } }); // You get clean, relevant content ready for AI processing // No parsing, no cleanup, no headaches 3.4. Why This Matters for Production Systems Sizin giriş verilərinizin kalitəsi doğrudan son araşdırma hasilının keyfiyyətini belirləyir. Structured content without the need for fragile HTML parsing: Structured content without the need for fragile HTML parsing: Structured content without the need for fragile HTML parsing Automated, high-volume istifadə üçün dizayn edilmiş stabil API Reduced computing overhead for data processing (Data işləməsi üçün azaldılmış kompüterli overhead) Daha yaxşı qidalanma, daha yaxşı qidalanma nəticələri Data Reliability Scalability Cost Efficiency Accuracy javascript// Hybrid search: external + internal sources const [webResults, vectorResults] = await Promise.all([ exa.search(query), vectorStore.similaritySearch(query) ]); const combinedContext = [...webResults, ...vectorResults]; // Now your AI has both current web data AND your proprietary knowledge 3.5. The Bottom Line: Architecture Matters AI-native arama motorları yalnız bir teknik detal deyil - that makes quality AI research agents possible. Without the right "guide dog," even the most sophisticated LLM will struggle to create deep, accurate analysis of current information. they're the architectural foundation Bunu belə düşünün: bütün kitabların kodla yazıldığı və yarısının reklam olduğu kütüphərə briliant bir araşdırmaçı göndərməyəcəksiniz. Sonrakı bölümdə, recursiv, derin araşdırma mümkün olan spesifik arxeoloji modellərə dalarıq. The solution? “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”nin “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”in”in “Qəbələ”in “Qəbələ 4. Think Like a Tree: The Architecture of Recursive Search Bir ağaca bənzəyin: Recursive Search Architecture “İnsan beyninin yaradıcılığında kompleks məlumatlar hierarqik ağlar kimi strukturlanır.Bir araşdırmaçı yeni bir temayı araşdırdığında, onlar düz yolda gedmirlər – hər yeni araşdırma daha çox sorğu-sual və araşdırma yönündədir.Bu tamamilə bizim deep search AI agent arhitekturamızda tətbiq etmədiyimiz mental modeldir. 4.1. The Fundamental Difference in Approaches LLM-də tradisional arama sistemləri və yerləşdirilmiş web arama linear şəkildə işləyir: sorğu almaq → arama yapmaq → cavab vermək → qaytarmaq. Problems with the Linear Approach: Surface-level results: System stops at the first facts it finds (Sistem ilk faktları tapdıqda durur) Kontekstidir ki, hər bir arama sorğusu əvvəlkilərdən ayrıdır. Bağlantıların ekspertizası: Sistem bir temanın farklı aspektləri arasındakı əlaqələri görmür Random quality: Results depend entirely on the luck of the initial query. - Random quality: Results depend entirely on the luck of the initial query. - Random quality: Results depend entirely on the luck of the initial query. Bu problemləri insan araşdırmasının doğal prosesini model etmək vasitəsilə ağaç bazarındakı qələbə həll edir.İnsan araşdırmalarının hər biri yeni soruşmalar yarada bilər və bu soruşmalar ayrı-ayrı araşdırma bölmələri olur. 4.2. Anatomy of a Search Tree Bakının strukturunu konkret bir nümunə ilə araşdırmalıyıq: textNext.js vs WordPress for AI Projects/ ├── Performance/ │ ├── Source 1 │ ├── Source 2 │ └── Impact of AI Libraries on Next.js Performance/ │ └── Source 7 ├── Development Costs/ │ ├── Source 3 │ └── Source 4 └── SEO and Indexing/ ├── Source 5 └── Source 6 LLM-nin orijinal sorğunun analizinə uyğun olaraq xəlq etdiyi temanın əsas aspektləridir.Mənim nümunəmizdə bunlar performans, xərclər və SEO-dir.Bu subtopiklər istisna olaraq yaradılmır - LLM sorğunun semantika alanını analiz edir və əsas araşdırma yönləri tanımlar. First-level branches Konkret informasiyalar (şəkillər, dokumentlar, tədqiqatlar) hər bir sub-çəkiliş üçün rast gəlinir. Tree leaves VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Recursive branches 4.3. Practical Advantages of Tree Architecture Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə Research Completeness : The system automatically determines which directions require deeper investigation. If one branch yields many relevant sources, the system can go deeper. If a direction proves uninformative, the search terminates early. Adaptive Depth Hər yeni axtarış sorğusu, artıq tapılan məlumatları gözləyir.Bu, izolasiya ilə bağlı soruşmalardan daha doğru və konkret soruşma imkanına malikdir. Contextual Connectivity Hər bir ağac düyməsində, sistem bulunduqları kaynakların əsaslılığını və keyfiyyətini qiymətləndirə bilər, gürültüyü filtrə çəkə bilər və ən qiymətli məlumatlara konsentrasiya edə bilər. Quality Assessment 4.4. Managing Tree Parameters Bu sistemin nə qədər rekursiyaya düçar olacağını belirləyir.Deyli 1 yalnız daha çox borulmaq olmadan böyük alt-aşkarlar anlamına gelir.Deyli 3-4 həqiqətən ayrıntılı araşdırma üçün imkan verir. Search Depth controls the number of sub-queries at each level. Too much width can lead to superficial investigation of many directions. Optimal width is usually 3-5 main directions per level. Search Width is the average number of child nodes for each tree node. In the context of information search, this corresponds to the number of new sub-queries generated based on each found source. Branching Factor 4.5. Optimization and Problem Prevention : The system must track already investigated directions to avoid infinite recursion loops. Cycle Prevention Daha çox təəccüblü şagirdlər daha çox dərinliklə araşdırılmalıdır, lakin daha az informasiyalı yönəlmələr daha əvvəl bitirilə bilər. Dynamic Prioritization Farklı ağac ağacları paralel olaraq araşdırılabilir, kifayət qədər hesablanma resursları mövcud olduğunda proses çox sürətləndirilir. Parallel Investigation İncəsənət.az-a istinadən xəbər verir ki, bu barədə “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”in”in “Qəbələ”in”in “Qəbələ” Memory and Caching Xatırladaq ki, bu, daha çox araşdırma aparılır, lakin dərinliyi iki dərəcədən çox olsa da, dərinliyi artırmaq araşdırma kompleksliyini eksponentially artırar. Execution Time and Server Timeouts 4.6. The Bottom Line: From Chaos to System Ağacın arkitekturası məlumat aradan qaldırma prosesini sistematik araşdırmaya çevirir, orada hər bir elementin bütün bilgi strukturunda öz yeri vardır.Bu, AI agentinin deneyimli araşdırmacı kimi çalışmasına imkan verir - yalnız faktları toplamaq deyil, ancaq araşdırılan temanın bütünlüklə anlayışını qurmaq. Artıq iki gündən sonra biz 2013-cü il mövsümü üçün hazırlanmış ilk maşını görəcəyik – yanvarın 28-də axşam Lotus komandası E21-i [...] The result? Ready to see how we translate this conceptual framework into production code? Let's explore the technical stack that powers recursive intelligence. 5. The "Search-Evaluate-Deepen" Cycle: Implementing True Recursion “Search-Evaluate-Deepen” – “True Recursion” (Təqiqətən, həqiqi qaynaqlaşma) – “Search-Evaluate-Deepen” – “True Recursion” İnternetin rekursif analizi yalnız bir texniki xüsusiyyət deyil – bu, həqiqətən smart AI agentləri yaratmaq üçün əsas ehtiyacdır. Hər hansı bir arama sonuçlarının ilk saytı yalnız məlumat iceberginin qapısını göstərir. 5.1. Data Architecture for Deep Investigation Ümumilikdə, sistem hər bir rekursiyada bilgi toplayan strukturlu məlumat tipləri ilə işləyir: typescripttype Learning = { learning: string; followUpQuestions: string[]; }; type SearchResult = { title: string; url: string; content: string; publishedDate: string; }; type Research = { query: string | undefined; queries: string[]; searchResults: SearchResult[]; knowledgeBaseResults: string[]; // Vector database responses learnings: Learning[]; completedQueries: string[]; }; Bu data strukturu hər bir rekursiyya düyməsində bilgi birləşdirir, bütün araşdırma üçün birləşmiş konteksti yaratır - tam olaraq profesiyalı araşdırmaları random fakt toplama ilə ayırır. 5.2. Stage 1: "Search" — Intelligent Query Generation Bu sistem yalnız bir araşdırma sorğusuna təvəkkül etmir; bunun yerine, LLM Intelligence-i istifadə edərək bir çox əsaslı sorğu yaratır: typescriptconst generateSearchQueries = async (query: string, breadth: number) => { const { object: { queries }, } = await generateObject({ model: mainModel, prompt: `Generate ${breadth} search queries for the following query: ${query}`, schema: z.object({ queries: z.array(z.string()).min(1).max(10), }), }); return queries; }; • The VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Key insight breadth 5.3. Stage 2: "Evaluate" — AI-Driven Result Filtering Not all found sources are equally valuable. The system uses an AI agent with tools for intelligent evaluation of each result: typescriptconst searchAndProcess = async (/* parameters */) => { const pendingSearchResults: SearchResult[] = []; const finalSearchResults: SearchResult[] = []; await generateText({ model: mainModel, prompt: `Search the web for information about ${query}, For each item, where possible, collect detailed examples of use cases (news stories) with a detailed description.`, system: "You are a researcher. For each query, search the web and then evaluate if the results are relevant", maxSteps: 10, tools: { searchWeb: tool({ description: "Search the web for information about a given query", parameters: z.object({ query: z.string().min(1) }), async execute({ query }) { const results = await searchWeb(query, breadth, /* other params */); pendingSearchResults.push(...results); return results; }, }), evaluate: tool({ description: "Evaluate the search results", parameters: z.object({}), async execute() { const pendingResult = pendingSearchResults.pop(); if (!pendingResult) return "No search results available for evaluation."; const { object: evaluation } = await generateObject({ model: mainModel, prompt: `Evaluate whether the search results are relevant and will help answer the following query: ${query}. If the page already exists in the existing results, mark it as irrelevant.`, output: "enum", enum: ["relevant", "irrelevant"], }); if (evaluation === "relevant") { finalSearchResults.push(pendingResult); } return evaluation === "irrelevant" ? "Search results are irrelevant. Please search again with a more specific query." : "Search results are relevant. End research for this query."; }, }), }, }); return finalSearchResults; }; : Sistemi bir AI agentlə istifadə edir ki, ilk Google-a baxdıqdan sonra vaz keçməyəcək bir araşdırma köməkçisi var. Revolutionary approach 5.4. Vector Knowledge Base Integration Hər bir sorğu üçün sistem interneti və öz vektor bilmə bazasını birbaşa aradan qaldırır: typescriptasync function getKnowledgeItem(query: string, vectorStoreId: string) { const client = new OpenAI({ apiKey: process.env.OPENAI_API_KEY }); const response = await client.responses.create({ model: "gpt-4o-mini", tools: [ { type: "file_search", vector_store_ids: [vectorStoreId], max_num_results: 5, }, ], input: [ { role: "developer", content: `Search the vector store for information. Output format language: ${process.env.NEXT_PUBLIC_APP_HTTP_LANG || "en"}`, }, { role: "user", content: query, }, ], }); return response.output_text; } 5.5. Practical Implementation Ana araşdırma qarışında, sistem hər iki kaynakı paralel olaraq soruşur: typescriptfor (const query of queries) { const searchResults = await searchAndProcess(/* web search */); accumulatedResearch.searchResults.push(...searchResults); if (vectorStoreId && vectorStoreId !== "") { const kbResult = await getKnowledgeItem(query, vectorStoreId); accumulatedResearch.knowledgeBaseResults.push(kbResult); } } 5.6. Stage 3: "Deepen" — Generating Follow-Up Questions 5.6. Stage 3: "Deepen" — Generating Follow-Up Questions Ən güclü xüsusiyyət: sistemin yeni araşdırma yönümlülərinin yaradılması, artıq tapılan məlumatlara dayanır: typescriptconst generateLearnings = async (query: string, searchResult: SearchResult) => { const { object } = await generateObject({ model: mainModel, prompt: `The user is researching "${query}". The following search result were deemed relevant. Generate a learning and a follow-up question from the following search result: <search_result> ${JSON.stringify(searchResult)} </search_result>`, schema: z.object({ learning: z.string(), followUpQuestions: z.array(z.string()), }), }); return object; }; 5.7. Recursive Deepening Hər bir tapılan kaynak yeni soruşmalar çəkmək üçün analiz edilir ki, bu, bir sonraki baxış seviyesi üçün temel olur: typescriptfor (const searchResult of searchResults) { const learnings = await generateLearnings(query, searchResult); accumulatedResearch.learnings.push(learnings); accumulatedResearch.completedQueries.push(query); const newQuery = `Overall research goal: ${prompt} Previous search queries: ${accumulatedResearch.completedQueries.join(", ")} Follow-up questions: ${learnings.followUpQuestions.join(", ")}`; await deepResearch( /* search parameters */, newQuery, depth - 1, Math.ceil(breadth / 2), // Reduce width at each level vectorOfThought, accumulatedResearch, vectorStoreId ); } 5.8. Managing Depth and Complexity The production implementation shows how to manage exponential complexity growth: typescriptconst deepResearch = async ( /* multiple filtering parameters */, prompt: string, depth: number = 2, breadth: number = 5, vectorOfThought: string[] = [], accumulatedResearch: Research = { query: undefined, queries: [], searchResults: [], knowledgeBaseResults: [], learnings: [], completedQueries: [], }, vectorStoreId: string ): Promise<Research> => { if (depth === 0) { return accumulatedResearch; // Base case for recursion } // Adaptive query formation based on "thought vector" let updatedPrompt = ""; if (vectorOfThought.length === 0) { updatedPrompt = prompt; } else { const vectorOfThoughItem = vectorOfThought[vectorOfThought.length - depth]; updatedPrompt = `${prompt}, focus on these important branches of thought: ${vectorOfThoughItem}`; } // ... rest of implementation }; 5.9. Key Optimizations Şirkət : Ümumilikdə, eksponential artım : Konkret bölgələrdə araşdırma aparılmalıdır : Bütün sonuçlar birləşdirilmiş data strukturunda saxlanır Width Reduction Math.ceil(breadth / 2) Thought Vector vectorOfThought Context Accumulation 5.10. The Hybrid Advantage in Practice Xüsusilə, bir neçə ildir ki, bu problemlər həll olunmasa, bir neçə ildir ki, bu problemlər həll olunmasa, bir neçə ildir ki, bu problemlər həll olunmalıdır. Creating Unique Content Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərsl Context Enrichment : Web informasiyası yenilikli və ya yanlış olsa da, iç bilgi bazası daha yenilikli və verifikasiya olunmuş məlumatlar verə bilər. Maintaining Currency 6. From Chaos to Order: Generating Expert-Level Reports “Chaosdan düzəltməyə: Ekspert düyməsində raportlar yaratmaq” Rekursiyiv arama prosesinin bütün düymələri tamamlandıqdan sonra, sistem çoxlu sayda fərqlənmiş informasiya toplayır: web arama sonuçları, vektor bazası məlumatları, yaradılan öyrənmələr və ardınca sorğu. 6.1. Context Accumulation: Building the Complete Picture Bütün məlumatlar bir-birinə bölünür Sonuncu sintez üçün tam kontekst kimi işləyən struktur: Research typescripttype Research = { query: string | undefined; // Original query queries: string[]; // All generated search queries searchResults: SearchResult[]; // Web search results knowledgeBaseResults: string[]; // Vector database responses learnings: Learning[]; // Extracted insights completedQueries: string[]; // History of completed queries }; - Bu, bütün araşdırma yolunu çəkən geniş bir bilgi grafikidir.Hər bir baxış, hər bir kaynak, hər bir bağlantı sonuncu sintez üçün qorunan. This isn't just data storage 6.2. The Master Prompt: Where Intelligence Meets Synthesis Bu sistemin sintez üçün ən güclü OpenAI modeli istifadə edir: typescriptconst generateReport = async ( research: Research, vectorOfThought: string[], systemPrompt: string ) => { const { text } = await generateText({ model: openai("o3-mini"), // Most powerful model for synthesis system: systemPrompt, prompt: "Use the following structured research data to generate a detailed expert report:\n\n" + JSON.stringify(research, null, 2), }); return text; }; Biz yalnız AI-ya öhdəlik etmək istəmirik - ona tam bir araşdırma datasetini veririk və onu bir domen ekspertinə bənzəyəcəyini istəyirik. Key insight 6.3. Structured Output: Beyond Simple Summaries Sistemi yalnız bir metin özetini yaratmaqla deyil, strukturlu dokumentlar, başlıqlar, tabellar, pro/con listaları və profesyonel formatlaşdırma ilə yaratır: typescriptconsole.log("Research completed!"); console.log("Generating report..."); const report = await generateReport(research, vectorOfThought, systemPrompt); console.log("Report generated! Saving to report.md"); fs.writeFileSync("report.md", report); // Save as Markdown Bu, AI-yə yaradılan içkilər üçün mükəmməl formatdır – profesiyalı təhlil üçün kifayət qədər strukturaldır, müxtəlif çıxış formatları üçün kifayət qədər fleksibdir və hər bir modern geliştirmə iş prosesində oxumaq mümkündür. Why Markdown? 6.4. Quality Control Through System Prompts İŞİD Konkret ehtiyaclara uyğunlaşdırma və strukturlaşdırma imkanları: systemPrompt Araşdırmalar və analitik analizlər üçün akademik stil Şirkət informasiyası və korporativ informasiyalar üçün iş formatı Digital Solutions xəritədə Finansal və strateji reportlar üçün investisiya analizi // Example: Business-focused system prompt const businessSystemPrompt = `You are a senior business analyst creating an executive report. Structure your analysis with: Executive Sumqayıt Key Fikirlər Marketin nəticələri Tədbirlər Risk qiymətləndirilməsi Use data-driven insights and provide specific examples from the research.`; 6.5. The Intelligence Multiplier Effect Xatırladaq ki, sistem yalnız məlumatları birləşdirmir – o, fərqli kaynaklar arasındakı əlaqələrdən çıxan anlayışları sintez edir.İnsan araşdırmaçısı bu düymə araşdırmasını davam etdirmək üçün 8-12 saat keçirə bilər. Here's what makes this approach revolutionary 6.6. Production Considerations VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayıb. Memory Management VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Token Optimization Bütün informasiyalar eşitməzdir.Bütün informasiyaların bütünlüklüyü və konsistentliyini qiymətləndirmək üçün qiymətləndirmə mekanizmaları uygulanmasını düşünün. Quality Assurance 6.7. Real-World Impact : Human Research → Minutes of AI analizi AI: İnsan mümkün olduğundan daha çox kaynakları işləyir və bağlayır Hər bir layihə eyni standartlara uyğunlaşdırılır Birləşmiş Ştatlar Birləşmiş Ştatlar Birləşmiş Ştatlar Birləşmiş Ştatlar Time Compression Depth Enhancement Consistency Scalability 7. Conclusion: Building the Future of AI Research Konklusiya: AI tədqiqatının gələcəyini inşa etmək “Dünyanın hər yerində işləyirəm” – “Dünyanın hər yerində işləyirəm” – “Dünyanın hər yerində işləyirəm” – “Dünyanın hər yerində işləyirəm” – “Dünyanın hər yerində işləyirəm” – “Dünyanın hər yerində işləyirəm” 7.1. Key Architectural Principles Deep search ağ strukturlu məlumat ağlarını araşdırmaqdır, orada hər bir araşdırma yeni sorğu və araşdırma yönü yaradır. Think in Trees, Not Lines "Exa.ai" kimi xüsusi arama motorları seçicilik deyil - onlar keyfiyyətli araşdırmalar üçün vacibdir.Onlar normal arama API-lərin sağladığı HTML çöp yerine təmiz verilər. Use AI-Native Tools Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə Apply Recursion for Depth Public internet data və private organizational knowledge arasındakı sinerji, başqa bir yolla əldə edilə bilmədiyimiz təkmilləşdirilmiş içkilər yaratır. Combine External and Internal Sources İT agentləri alətləri ilə yalnız məlumatları aradan qaldırmaqla deyil, onun əsaslılığını qiymətləndirmək, yeni soruşmalar yaratmaq və struktural raportlar yaratmaq mümkündür. Use LLMs for Both Analysis and Synthesis 7.2. Production-Ready Results Next.js 15, OpenAI və exa.ai ilə bağlı implementasiyalar belə bir sistemin yaradılmasını və istehsal üçün dağıtılmasını göstərir. Bütün komponentləri təqdim edirik: https://github.com/aifa-agi/aifa-deep-researcer-starter Rekursiyva arkitekturası, dərinlik və genişlik yönetimi İnternetin vektor bazaları ilə işləməsi Resultate Assessment Tool xəritədə Ekspert xəbərdarlıq sisteminin yaradılması 7.3. Challenges and Limitations : 2 leveldən çox dərinliyi olan araşdırmalar saatlar çəkə bilər və istehsal ortamları üçün xüsusi çözümlər lazımdır. Server Timeouts Hər bir dərinlik seviyesi sorğuların sayını geometrik şəkildə artırır, bu da səbirli resurs yönetimini lazımdır. Exponential Complexity Growth İndi də AI arama motorları yanlış məlumatları qaytarır, bu da əlavə validasiya və fakt verifikasiyası lazımdır. Source Quality 7.4. Your Next Steps Artıq tam bir arkitektur blueprint və real kod nümunələri var. : Prototyping üçün bu yazının baz versiyasını istifadə edin Klonlar Yerli eksperimentlər : Bu prinsipləri mevcut məhsullara və iş proseslərinə daxil edin Start with Minimal Implementation Explore the Ready Solution https://github.com/aifa-agi/aifa-deep-researcer-starter Adapt to Your Needs 8. Homework Challenge: Solving the Long-Wait UX Problem Ev işləri: uzun müddət gözləyən UX problemini çözmək Biz AI agentlərin dərin araşdırma teknik arsitektriyi əhatə etmişik, lakin kritik bir UX problemi qalır: sistemin bir neçə dəqiqə çalışırken istifadəçi boş bir ekran gözlədiyi zaman nə edirsiniz? aifa-deep-researcer-starter tərəfindən real quruluşu göstərdiyinə görə, 2 dərəcədən çox dərinlikli araşdırmalar saatlar keçirə bilər, lakin istifadəçilər yalnız statik yüklə ekranını görürlər. 8.1. The Problem: Server Silence Kills Trust İşləmələr saniyələr çəkən tipik web aplikasiyalarına bənzəyir ki, dərin araşdırma AI agentləri dəqiqəlik sessizdirə bilərlər. Hesab edirəm ki, müştərilər sistemin çalışmadığını və ya dondurmadığını bilmirlər. Kontrolü azaldır: nə qədər gözləyə bilmək mümkün deyil İstehsal azalır: Uygulamanın çalınmış olduğu və ya istehlakçılığın “yandırılması” kimi görünür High Bounce Rate: Kullanıcılar nəticələri gözləmədən tabunu kapatır “Perplexity”, “Claude” və digər modern AI məhsulları bunu interaktiv animatsiya, progressiya göstərici və dinamik ipuçları ilə həll edir. 8.2. The Developer Challenge VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. How do you create engaging UX under these conditions that will retain users and reduce waiting anxiety? 8.3. Discussion Questions UX Patterns and Visualization: Serverin “sessiz” olduğu zaman Deep Search proseslərini vizuallaşdırmaq üçün hansı UX modellərini istifadə edərdiniz? Real server status update olmadan "live" progressiya necə simülə edə bilərsiniz? Fake progresiya barları istifadə etməlisiniz, yoxsa bu, istifadəçilərin güvənini narahat edir? Hansı animasiyalar və mikro-interaksiyalar "yaşayan" sistemin hissini yaratmağa kömək edir? User Communication: Nəyə görə uzun müddət gözləyə bilirsiniz? - Teksti / illustrasiyaları necə istifadə edirsiniz? Görüntüləri çox dəyişə bilərlərsə (2 - 60 dəqiqə) göstərmək olarmı? İşin proses etaplarını necə vizuallaşdırırsınız (“Cərimə sorğuları xəlq etmək...”, “Cərimə resursları analiz etmək...”, “Expert raporu qurmaq...”)? Bəs hansı metaforlar istifadəçilərin gözləmənin qiymətini anlamasına kömək edir? Technical Implementation: Server feedback olmadan hansı optimist UI metodları uygulanır? Görüşdə istifadəçiləri gözləməkdə kömək edən “bağışlanma” interfeşi necə təsvir edirsiniz? Web işçilərini (WASM, Web Workers) istifadə edə bilərsinizmi? Araşdırmalar sırasında istifadəçilər tabunu kapatırsa, necə şirin yıxılma aparırsınız? 8.4. Learning from the Best Google Search Generative Experience, Bing Copilot, Perplexity Deep Research və digər platformalarda tətbiq olunan araşdırma çözümləri.Neftçi, YouTube və digər platformalar uzun müddətli içkilərin yüklənməsi problemlərini necə həll edə bilər? Xatırladaq ki, “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “Samsung” şirkəti “S Remember 9. About the Author and AIFA Project 9.Author və AIFA Projesi haqqında Kitabın yazarı, , son publikasiya seriyasında, ambisiyalı open-source projektində implementiyə gətirdiyi alətləri və arkitektonik çözümləri detallandırır (İnformasiya və İnformasiya İnformasiyası İnformasiya və İnformasiya İnformasiyası) Roman Bolşyanov AİFA Əvvəlki versiyada, AIFA təkcə AI-first uygulamaları yaratmaq üçün təəccüblü bir başlanğıcı şablonunu, əgər bu, əvvəllərki web interfeysinin köməkçi vizualizasiyası kimi işlədiyi halda, əvvəllərki interfeysinin ana interaksiya metodu olmaqla, təkcə bir istifadəçi interfeysindən ibarətdir. Bununla yanaşı, bu, yalnız başlanğıcdır.Projektin uzun müddətli hedefi, AI agentlərinin: Algoritmaların avtonomlaşdırılması və geliştirilməsi Öz replikasiya və yeni xüsusi agentlərin yaradılması Distributed Environments - Distributed environments - Distributed environments - Distributed environments - Distributed environments İnternet və Blockchain ağlarında autonom işləmə Bu yazıda çəkilən dərin araşdırma, gələcək AGI agentlərinin yalnız məlumatları araşdırmağa qadir olmayacaq, aynı zamanda qərarlar verə biləcək, məhsullar yaratacaq və real dünyayla əlaqə saxlayacaqları əsas xüsusiyyətlərdən biridir. Əgər projektin inkişafını gözləmək və ən önəmli AI texnologiya ilə eksperiment etmək istəyirsinizsə, bu barədə məlumat verməkdən çəkinin. Hər bir komitə bizi həqiqətən autonomous artificial intelligence yaratmağa yaxınlaşdırır. AİFA repozitoriyası Kod açıqdır, arkitektura təsəvvür edilir və imkanlar sınırsızdır.Yeni AI-yüklü araşdırmalarınız yalnız bir git klonu uzaqdır. Ready to build the future?
