DeepSearcher开源贡献者指南:代码规范与PR流程
DeepSearcher是一个开源深度研究工具,为私有数据推理提供了强大的替代方案。作为开源项目,我们热忱欢迎开发者参与贡献!本指南将详细介绍如何成为DeepSearcher项目的贡献者,从环境搭建到PR提交的完整流程。🚀
快速入门:贡献者准备工作
在开始贡献代码之前,你需要完成一些基础准备工作。首先克隆项目仓库并建立开发环境:
git clone https://gitcode.com/gh_mirrors/de/deep-searcher
cd deep-searcher
DeepSearcher使用现代化的uv包管理器,确保依赖管理和环境隔离。通过uv sync命令同步依赖并激活虚拟环境,这是项目开发的基础步骤。
开发环境配置详细步骤
uv包管理器设置
DeepSearcher采用uv作为官方包管理器,相比传统工具提供更快的依赖解析和安装速度。配置开发环境的具体命令如下:
uv sync
source .venv/bin/activate
如果需要安装所有可选依赖和开发工具,可以使用:
uv sync --all-extras --dev
依赖管理最佳实践
项目通过pyproject.toml文件管理所有依赖。添加新依赖时使用uv add <package_name>命令,对于可选依赖则使用uv add <package_name> --optional <extra>语法。
代码规范与质量保证
代码格式化和检查
保持一致的代码风格对于项目维护至关重要。DeepSearcher要求所有贡献者在提交PR前运行代码检查和格式化:
# 检查代码风格
make lint
# 自动修复代码风格
make format
我们的CI流水线会在所有拉取请求上自动运行这些检查,确保代码质量和一致性。
测试框架与质量验证
完整的测试套件
DeepSearcher拥有完善的测试体系,覆盖了核心模块:
- 嵌入模块测试:tests/embedding/
- LLM模块测试:tests/llm/
- 加载器测试:tests/loader/
- 向量数据库测试:tests/vector_db/
运行测试的命令
安装测试依赖:
uv sync --all-extras --dev
运行完整测试套件:
uv run pytest tests -v
提交PR的完整流程
五步提交法
- Fork仓库:从master分支创建你的开发分支
- 实现变更:按照项目规范编写代码
- 测试验证:运行测试确保代码质量
- 文档更新:必要时更新相关文档
- 提交PR:通过平台提交拉取请求
开发者证书要求
所有贡献都需要签署开发者证书(DCO),在提交信息中添加:
Signed-off-by: Your Name <your.email@example.com>
项目维护与审核机制
DeepSearcher项目由核心维护团队管理,他们在OWNERS和MAINTAINERS文件中定义。所有PR都会经过维护团队的审核,确保代码符合项目标准。
通过遵循这些指南,你的贡献将更容易被接受,同时也能帮助维护项目的整体质量。我们期待看到你的精彩贡献!🎉
记住:清晰的提交信息、完整的测试覆盖和遵循代码规范是快速通过审核的关键要素。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00

