2024年1月25日，阿里巴巴原技术副总裁在 Twitter 上称用不到 500 行 Python 代码实现了 AI 对话搜索引擎，并在27日附上了开源地址：https://github.com/leptonai/search_with_lepton，截止春节期间已经5.8K的Star。
Twitter截图
Commits
界面
Lepton Search 具备的特性
1.Built-in support for LLM
Lepton Search 集成了大型语言模型，这意味着它能够利用这些先进的AI技术来理解和处理复杂的查询，为用户提供更加准确和深入的答案。
常见的大语言模型：
GPT-3（OpenAI）： Generative Pre-trained Transformer 3（GPT-3）是最著名的LLM之一，拥有1750亿个参数。该模型在文本生成、翻译和其他任务中表现出显著的性能，在全球范围内引起了热烈的反响，目前OpenAI已经迭代到了GPT-4版本。
BERT（谷歌）：Bidirectional Encoder Representations from Transformers（BERT）是另一个流行的LLM，对NLP研究产生了重大影响。该模型使用双向方法从一个词的左右两边捕捉上下文，使得各种任务的性能提高，如情感分析和命名实体识别。
T5（谷歌）： 文本到文本转换器（T5）是一个LLM，该模型将所有的NLP任务限定为文本到文本问题，简化了模型适应不同任务的过程。T5在总结、翻译和问题回答等任务中表现出强大的性能。
ERNIE 3.0 文心大模型（百度）：百度推出的大语言模型ERNIE 3.0首次在百亿级和千亿级预训练模型中引入大规模知识图谱，提出了海量无监督文本与大规模知识图谱的平行预训练方法。
2.Built-in support for search engine
Lepton Searc内置了强大的搜索引擎功能，能够快速检索互联网上的海量信息，确保用户能够找到最相关和最新的数据。
3.Customizable pretty UI interface
Lepton Search 提供了一个高度可定制的用户界面，用户可以根据自己的喜好和需求调整界面布局、颜色主题和功能模块，打造个性化的搜索体验。
4.Shareable, cached search results
Lepton Search 允许用户将搜索结果进行分享，无论是通过社交媒体还是其他平台，都能轻松实现。同时，它还提供了缓存功能，用户可以保存搜索结果，以便日后查阅，无需重复搜索，大大提高了效率。
源码解析
代码目录
我们来分析search_with_lepton.py主文件，其中，第1~22行导入必要的包。
其中24~94行定义一些常量，注释比较详细。
其中97~289行实现了各种API调用，比如Google、Bing。
返回JSON列表：
其中291~639行定义了一个RAG类，实现了如何使用Lepton AI来实现一个AI搜索引擎，先搜索文档，再让LLM结合文档给出回复，最后还会使用LeptonAI的KV将用户一次查询中产生的各种数据（查询，回复，文档，相关问题）存储下来。
最后642~644行就是执行主函数，创建rag对象并运行。
