动手学构建基于ERNIE 4.5 + WebSearch的应用：让答案更专业！

🔍 1. 为什么引入 Web Search 是让 LLM 答案更专业的关键？ ​

随着大语言模型（LLM）在问答、检索增强生成（RAG）等任务中的广泛应用，单靠模型参数生成答案的方式逐渐暴露出局限。引入实时联网检索（Web Search Augmented Generation）正在成为提升答案时效性与可靠性的关键路径。

传统 LLM 在封闭环境下常面临两大挑战：

1. 时效性缺失：模型知识静态封存于训练数据中，难以覆盖最新政策、实时新闻、行业动态等信息；
2. 幻觉问题严重：当模型缺乏足够知识支撑时，容易“编造”事实，生成内容虽语法通顺但事实错误，缺乏可验证性。

通过引入 Web Search，可以有效缓解这些问题：

• 动态检索补充最新信息，让模型具备“现查现答”能力；
• 基于真实来源生成答案，显著降低幻觉发生率；
• 为生成提供上下文支撑，增强语义一致性与引用可信度。

因此，结合 Web Search 的 LLM 不仅能回答“更专业”，还能回答“更新、更准”。这类系统为构建可信赖的 AI 助手和问答服务提供了关键能力支撑。

快速体验：本项目已部署于HuggingFace Spaces，用户可通过 Web UI 体验智能联网问答。

💡 2. ERNIE Web Search 项目设计亮点 ​

与传统 LLM 问答相比，本项目实现了四大创新亮点：

本项目处理流程如下：

本项目使用的大模型简介： ERNIE 4.5是百度于 2025 年 6 月 30 日最新开源的多模态大模型家族，包含 10 种不同规模的模型，其中：

• 最大的 MoE 架构的 VLMs 模型 ERNIE-4.5-VL-424B-A47B，拥有424B总参数和47B激活参数
• 最大的 MoE 架构的 LLMs 模型 ERNIE-4.5-300B-A47B，拥有300B总参数和47B激活参数
• 还包括 0.3B 参数的 Dense 架构模型 ERNIE-4.5-0.3B

🛠️ 3. 关键实现细节与代码解析 ​

🧠 3.1 意图判断与问题改写 ​

为减少无效搜索，模型会先判断用户问题是否需要联网检索，并智能改写问题以提升检索效果。这样设计可显著提升搜索相关性和效率，L260-280@app.py:

# 智能判断是否需要搜索
search_info_message = SEARCH_INFO_PROMPT.format(
    date=datetime.now().strftime("%Y-%m-%d %H:%M:%S"),  # 注入当前时间
    context=conversation_str,  # 对话历史上下文
    query=query,  # 原始用户问题
)

# 调用ERNIE 4.5进行意图分析
search_conversation = [{"role": "user", "content": search_info_message}]
search_info_res = GradioEvents.get_search_query(
    search_conversation,
    model_name,
    bot_client,
    temperature=0.2  # 低随机性保证判断准确
)

# 问题改写示例：原问题 → 优化后query列表
# "AI最新政策" → ["2023年中国AI产业政策解读", "人工智能最新法规"]

🌐 3.2 联网检索与内容融合 ​

调用 AI Search API 获取多条权威网页结果，并通过异步爬虫提取高质量文本。爬虫自动过滤广告、导航等无关内容，保证答案专业性，L290-310@app.py

# 并发执行搜索请求（最大线程数可配置）
search_result = bot_client.get_web_search_res(
    search_info_res["query_list"],
    max_results=5  # 每query获取5条结果
)

# 异步爬取网页内容（避免I/O阻塞）
complete_search_result = await GradioEvents.get_complete_search_content(
    search_result,
    max_crawler_threads=10,  # 并发爬取线程数
    bot_client,
    timeout=15  # 单页面超时时间
)

# 权威源过滤：优先保留.gov/.edu等域名内容
filtered_results = filter_authoritative_sources(complete_search_result)

📝 3.3 专业答案生成 ​

结合对话上下文、当前时间和参考资料，生成专业且有出处编号的答案，优先引用权威信息源。这里使用了 ANSWER_PROMPT 模板，将对话上下文、检索结果和当前时间嵌入到问题中，L315-320@app.py

# 构建专业答案生成Prompt
query = ANSWER_PROMPT.format(
    date=datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
    search_result=format_search_results(filtered_results),  # 结构化检索结果
    context=conversation_str,
    query=query,
)

# 引用标记系统：自动添加[1][2]等引用标记
# 例如："根据中国政府网2023年发布的白皮书[1]..."

🔄 3.4 流式交互与多轮对话 ​

为提升用户体验，减少等待时间，本项目支持流式输出和多轮历史管理，用户可随时重试、清空历史，体验丝滑的 AI 问答，L350-370@app.py:

# 流式输出核心逻辑
answer_buffer = ""
for chunk in bot_client.process_stream(model_name, req_data):
    # 实时检测停止条件
    if contains_stop_phrase(chunk):
        break

    # 智能分段输出
    answer_buffer += chunk
    if len(answer_buffer) > 100 or chunk in sentence_enders:
        yield answer_buffer
        answer_buffer = ""

🎬 4. 项目效果展示 ​

当输入“2025 年中国 AI 行业最新政策有哪些？”后，系统自动判断需联网检索，改写为“2025 年中国 AI 政策解读”“中国 AI 行业最新法规 2025”等，然后检索并融合权威新闻、政府官网、行业报告内容，生成带编号的专业答案。请到Web Search Demo体验。

🚀 5. 更多应用场景 ​

ERINE 4.5+Web Search 的核心应用场景如下：

• 🏥医疗问答系统：实时检索最新医学指南
• ⚖️法律咨询助手：同步更新法规库
• 💰金融分析工具：整合市场实时数据
• 📚教育知识引擎：融合权威教育资源

欢迎大家下载并将代码用于自己的项目中：

git clone https://huggingface.co/spaces/baidu/web_search_demo

📈 6. 总结与展望 ​

本项目展示了 ERNIE 4.5 结合 Web Search 的强大能力，解决了 LLM 在实际场景中的知识孤岛问题。欢迎开发者 fork、提交 Issue、二次开发，共同推动大模型应用落地。

📚 7. 参考资料 ​

• ERNIE Github Repo
• ERNIE 4.5 技术白皮书
• HuggingFace Spaces 部署指南

声明：本项目严格遵守 robots.txt 协议，搜索结果仅用于技术演示，请勿用于商业爬虫用途。

欢迎在评论区分享你的部署体验和改进建议！👇