|
|
--- |
|
|
language: |
|
|
- zh |
|
|
- en |
|
|
tags: |
|
|
- Dense |
|
|
--- |
|
|
# 开源盘古 Embedded-7B-DeepDiver |
|
|
中文 | [English](README_EN.md) |
|
|
📑[技术报告](https://ai.gitcode.com/ascend-tribe/openPangu-Embedded-7B-DeepDiver/blob/main/docs/openpangu-deepdiver-v2-tech-report.pdf) |
|
|
|
|
|
|
|
|
## 1. 简介 |
|
|
DeepDiver是openPangu系列中定位深度信息获取与处理的Agent，支持原生 Multi-Agent System（MAS），用于复杂知识问答与长文调研报告写作。 |
|
|
|
|
|
### 特性 |
|
|
- 🔍 支持QA模式：回答100步+复杂知识性问题 |
|
|
- ✍️ 支持长文写作模式：撰写3w+字文章与报告 |
|
|
- 🔄 支持自适应模式：根据用户问题自动选择知识问答模式或长文写作模式 |
|
|
|
|
|
## 2. 评测结果 |
|
|
|
|
|
| 测评集 | 测评指标 | openPangu-7B-DeepDiver| |
|
|
| :------------: | :-----------------: | :--------: | |
|
|
| **BrowseComp-zh** | Acc | 18.3 | |
|
|
| **BrowseComp-en** | Acc | 8.3 | |
|
|
|**XBench-DeepSearch** | Acc | 39.0 | |
|
|
|
|
|
注：上表仅展示复杂问答的结果，长文调研的评测结果请参考[技术报告](https://ai.gitcode.com/ascend-tribe/openPangu-Embedded-7B-DeepDiver/blob/main/docs/openpangu-deepdiver-v2-tech-report.pdf) |
|
|
|
|
|
## 3. 快速部署 |
|
|
|
|
|
### 3.1 环境准备 |
|
|
|
|
|
```bash |
|
|
# 克隆并安装 |
|
|
git clone <repository-url> |
|
|
cd deepdiver_v2 |
|
|
pip install -r requirements.txt |
|
|
``` |
|
|
|
|
|
### 3.2 部署推理服务 |
|
|
|
|
|
#### 拉取镜像 |
|
|
|
|
|
``` |
|
|
docker pull quay.io/ascend/vllm-ascend:v0.9.2rc1 |
|
|
``` |
|
|
|
|
|
或按照[官方文档](https://vllm-ascend.readthedocs.io/en/stable/installation.html)手动构建 docker 容器。 |
|
|
|
|
|
#### 运行容器 |
|
|
|
|
|
``` |
|
|
docker run -itd --name vllm-deepdiver \ |
|
|
--network host \ |
|
|
--device /dev/davinci0 \ |
|
|
--device /dev/davinci1 \ |
|
|
--device /dev/davinci2 \ |
|
|
--device /dev/davinci3 \ |
|
|
--device /dev/davinci4 \ |
|
|
--device /dev/davinci5 \ |
|
|
--device /dev/davinci6 \ |
|
|
--device /dev/davinci7 \ |
|
|
-u root \ |
|
|
--device /dev/davinci_manager \ |
|
|
--device /dev/devmm_svm \ |
|
|
--device /dev/hisi_hdc \ |
|
|
-v /usr/local/dcmi:/usr/local/dcmi:ro \ |
|
|
-v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool:ro \ |
|
|
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi:ro \ |
|
|
-v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/:ro \ |
|
|
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info:ro \ |
|
|
-v /etc/ascend_install.info:/etc/ascend_install.info:ro \ |
|
|
-v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware:ro \ |
|
|
-v /data:/data:ro \ |
|
|
-v /home/work:/home/work \ # 配置一个可读写的工作目录 |
|
|
quay.io/ascend/vllm-ascend:v0.9.2rc1 |
|
|
``` |
|
|
|
|
|
#### 进入容器 |
|
|
|
|
|
|
|
|
``` |
|
|
docker exec -itu root vllm-deepdiver bash |
|
|
``` |
|
|
|
|
|
注意：必须使用 `-itu root`。 |
|
|
|
|
|
#### 复制 Pangu 的 modeling 文件 |
|
|
|
|
|
`open_pangu.py` 和 `__init__.py` 可以在[这里](https://ai.gitcode.com/ascend-tribe/openpangu-embedded-7b-model/tree/main/inference/vllm_ascend/models)找到。 |
|
|
|
|
|
``` |
|
|
cp ./vllm_ascend/open_pangu.py /vllm-workspace/vllm-ascend/vllm_ascend/models/ |
|
|
cp ./vllm_ascend/__init__.py /vllm-workspace/vllm-ascend/vllm_ascend/models/ |
|
|
``` |
|
|
|
|
|
#### 启动部署 |
|
|
|
|
|
``` |
|
|
PRECHECKPOINT_PATH="path/to/deepdiver_model" |
|
|
|
|
|
export VLLM_USE_V1=1 |
|
|
|
|
|
export VLLM_WORKER_MULTIPROC_METHOD=fork |
|
|
# export ASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 |
|
|
|
|
|
vllm serve $PRECHECKPOINT_PATH \ |
|
|
--served-model-name ${SERVED_MODEL_NAME:=pangu_auto} \ |
|
|
--tensor-parallel-size ${tensor_parallel_size:=8} \ |
|
|
--trust-remote-code \ |
|
|
--host 127.0.0.1 \ |
|
|
--port 8888 \ |
|
|
--max-num-seqs 256 \ |
|
|
--max-model-len ${MAX_MODEL_LEN:=131072} \ |
|
|
--max-num-batched-tokens ${MAX_NUM_BATCHED_TOKENS:=4096} \ |
|
|
--tokenizer-mode "slow" \ |
|
|
--dtype bfloat16 \ |
|
|
--distributed-executor-backend mp \ |
|
|
--gpu-memory-utilization 0.93 \ |
|
|
``` |
|
|
|
|
|
#### 测试部署 |
|
|
|
|
|
``` |
|
|
curl -X POST http://127.0.0.1:8888/v1/completions -H "Content-Type: application/json" -d '{ |
|
|
"model": "pangu_auto", |
|
|
"prompt": ["Tell me who you are?"], |
|
|
"max_tokens": 50 |
|
|
}' |
|
|
``` |
|
|
|
|
|
### 3.3 实现所需工具 |
|
|
|
|
|
在启动服务器前，你需要为 web search 与 URL 抓取工具实现自定义逻辑。 |
|
|
|
|
|
#### Web Search（`_generic_search`） |
|
|
|
|
|
位置：`src/tools/mcp_tools.py` - `_generic_search` 方法 |
|
|
|
|
|
将 `NotImplementedError` 替换为你的搜索工具实现： |
|
|
|
|
|
```python |
|
|
def _generic_search(self, query: str, max_results: int, config: Dict[str, Any]) -> MCPToolResult: |
|
|
"""Your custom search implementation - based on the commented code example""" |
|
|
try: |
|
|
# Example implementation for search API: |
|
|
url = config.get('base_url', 'https://api.search-provider.com/search') |
|
|
payload = json.dumps({"q": query, "num": max_results}) |
|
|
api_keys = config.get('api_keys', []) |
|
|
headers = { |
|
|
'X-API-KEY': random.choice(api_keys), |
|
|
'Content-Type': 'application/json' |
|
|
} |
|
|
|
|
|
response = requests.post(url, data=payload, headers=headers) |
|
|
response.raise_for_status() |
|
|
|
|
|
# Transform your API response to required format |
|
|
search_results = { |
|
|
"organic": [ |
|
|
{ |
|
|
"title": result["title"], |
|
|
"link": result["link"], |
|
|
"snippet": result["snippet"], |
|
|
"date": result.get("date", "unknown") |
|
|
} |
|
|
for result in response.json().get("organic", []) |
|
|
] |
|
|
} |
|
|
|
|
|
return MCPToolResult(success=True, data=search_results) |
|
|
|
|
|
except Exception as e: |
|
|
return MCPToolResult(success=False, error=f"Generic search failed: {e}") |
|
|
``` |
|
|
|
|
|
#### URL Crawler（`url_crawler` 与 `_content_extractor`） |
|
|
|
|
|
位置：`src/tools/mcp_tools.py` - `_content_extractor` |
|
|
|
|
|
将 `NotImplementedError` 部分替换为你的网页抓取工具实现： |
|
|
|
|
|
```python |
|
|
# Example implementation for content extractor: |
|
|
crawler_url = f"{crawler_config.get('base_url', 'https://api.content-extractor.com')}/{url}" |
|
|
response = requests.get(crawler_url, headers=headers, timeout=crawler_config.get('timeout', 30)) |
|
|
response.raise_for_status() |
|
|
|
|
|
content = response.text |
|
|
|
|
|
# Truncate if needed |
|
|
if max_tokens and len(content.split()) > max_tokens: |
|
|
words = content.split()[:max_tokens] |
|
|
content = ' '.join(words) + '...' |
|
|
|
|
|
return MCPToolResult(success=True, data=content) |
|
|
``` |
|
|
|
|
|
#### ⚠️ 第三方服务提示 |
|
|
|
|
|
重要：搜索与抓取工具使用外部 API 由用户自行选择和实现。我们不对以下情况负责： |
|
|
- 与第三方服务相关的隐私/安全问题 |
|
|
- 搜索/抓取活动的合规性 |
|
|
- 内容准确性或版权问题 |
|
|
- API 停机或变更 |
|
|
|
|
|
使用这些服务需自担风险。请查看其条款与隐私政策。 |
|
|
|
|
|
### 3.4 必要配置 |
|
|
|
|
|
#### 配置 .env 文件 |
|
|
复制 `env.template` 到 `config/.env` 并配置如下选项： |
|
|
|
|
|
```bash |
|
|
# LLM Service |
|
|
MODEL_REQUEST_URL=http://localhost:8888/v1/chat/completions # 你的 LLM endpoint |
|
|
|
|
|
# Agent 限制 |
|
|
PLANNER_MODE=auto # 在 auto、writing 或 qa 模式间切换 |
|
|
|
|
|
# 外部 API（先实现函数） |
|
|
SEARCH_ENGINE_BASE_URL= # 搜索 API endpoint |
|
|
SEARCH_ENGINE_API_KEYS= # 搜索 API keys |
|
|
URL_CRAWLER_BASE_URL= # URL Crawler API endpoint |
|
|
URL_CRAWLER_API_KEYS= # URL Crawler API keys |
|
|
``` |
|
|
|
|
|
⚠️ 注意： |
|
|
- 请将上一步部署的推理服务 URL 配置到 `MODEL_REQUEST_URL` |
|
|
- 在 `PLANNER_MODE` 中指定模式。`auto` 会自动决策回答复杂问题或生成长文；若希望优先长文写作，可设置为 `writing`；若希望专注解决高难度问题，可设置为 `qa` |
|
|
|
|
|
### 3.5 启动工具服务 |
|
|
|
|
|
```bash |
|
|
python src/tools/mcp_server_standard.py |
|
|
``` |
|
|
|
|
|
### 3.6 运行Demo |
|
|
|
|
|
```bash |
|
|
# 交互模式 |
|
|
python cli/demo.py |
|
|
|
|
|
# 单次查询 |
|
|
python cli/demo.py -q "$your_query" |
|
|
``` |
|
|
|
|
|
基于上述步骤可以快速运行DeepDiver，如果需要二次开发，可以参考[章节4](#4-自定义工具开发指南)和[5](#5-个性化配置) |
|
|
|
|
|
## 4. 自定义工具开发指南 |
|
|
|
|
|
当前工具主要分为内置工具和外部MCP工具，内部工具主要包括分发任务，思考/反思等，外部MCP工具则是一些延伸LLM能力的工具，如搜索互联网，爬取链接，下载和读写文件等。 |
|
|
|
|
|
### 4.1 已实现的工具类别 |
|
|
|
|
|
#### A. 外部MCP工具 |
|
|
Web Search 与数据采集： |
|
|
- `batch_web_search`：多查询 web 搜索 |
|
|
- `url_crawler`：从 URL 抽取内容 |
|
|
- `download_files`：从 URL 下载文件 |
|
|
|
|
|
文件操作： |
|
|
- `file_read`、`file_write`：基础文件 I/O |
|
|
- `list_workspace`：目录列表 |
|
|
|
|
|
文档处理与内容创作： |
|
|
- `document_qa`：针对特定文档问答 |
|
|
- `document_extract`：多格式文本抽取 |
|
|
- `section_writer`：结构化内容生成 |
|
|
|
|
|
#### B. 内置工具 |
|
|
- `think`、`reflect`：推理与规划 |
|
|
- `task_done`：任务完成汇报 |
|
|
- `assign_task_xxx`: 分发任务并创建子智能体 |
|
|
|
|
|
### 4.2 开发并集成新的外部MCP工具 |
|
|
|
|
|
#### A. 实现新的MCP工具 |
|
|
位置：`src/tools/mcp_tools.py` - 在 `MCPTools` 类中添加方法 |
|
|
|
|
|
```python |
|
|
def your_new_tool(self, param1: str, param2: int) -> MCPToolResult: |
|
|
""" |
|
|
Description of what your tool does. |
|
|
|
|
|
Args: |
|
|
param1: Description of parameter 1 |
|
|
param2: Description of parameter 2 |
|
|
|
|
|
Returns: |
|
|
MCPToolResult: Standardized result format |
|
|
""" |
|
|
try: |
|
|
# Your tool implementation here |
|
|
result_data = { |
|
|
"output": "Tool result", |
|
|
"processed_items": param2 |
|
|
} |
|
|
|
|
|
return MCPToolResult( |
|
|
success=True, |
|
|
data=result_data, |
|
|
metadata={"tool_name": "your_new_tool"} |
|
|
) |
|
|
|
|
|
except Exception as e: |
|
|
logger.error(f"Tool execution failed: {e}") |
|
|
return MCPToolResult( |
|
|
success=False, |
|
|
error=f"Tool failed: {str(e)}" |
|
|
) |
|
|
``` |
|
|
|
|
|
#### B. 在服务器中注册工具 |
|
|
|
|
|
##### 添加工具 Schema |
|
|
位置：`src/tools/mcp_tools.py` - 添加到 `MCP_TOOL_SCHEMAS` 字典 |
|
|
|
|
|
```python |
|
|
MCP_TOOL_SCHEMAS = { |
|
|
# ... existing tools ... |
|
|
|
|
|
"your_new_tool": { |
|
|
"name": "your_new_tool", |
|
|
"description": "Brief description of what your tool does", |
|
|
"inputSchema": { |
|
|
"type": "object", |
|
|
"properties": { |
|
|
"param1": { |
|
|
"type": "string", |
|
|
"description": "Description of parameter 1" |
|
|
}, |
|
|
"param2": { |
|
|
"type": "integer", |
|
|
"default": 10, |
|
|
"description": "Description of parameter 2" |
|
|
} |
|
|
}, |
|
|
"required": ["param1"] |
|
|
} |
|
|
} |
|
|
} |
|
|
``` |
|
|
|
|
|
##### 注册工具函数 |
|
|
位置：`src/tools/mcp_server_standard.py` - 添加到 `get_tool_function()` |
|
|
|
|
|
```python |
|
|
def get_tool_function(tool_name: str): |
|
|
"""Get the actual function for a tool""" |
|
|
tool_map = { |
|
|
# ... existing tools ... |
|
|
"your_new_tool": lambda tools, **kwargs: tools.your_new_tool(**kwargs), |
|
|
} |
|
|
return tool_map.get(tool_name) |
|
|
``` |
|
|
|
|
|
#### C. 让特定智能体可使用工具 |
|
|
工具对各智能体的可见性由 MCP client 中的预定义工具集控制。 |
|
|
|
|
|
位置：`src/tools/mcp_client.py` - 修改各智能体的工具集 |
|
|
|
|
|
```python |
|
|
# Define which MCP server tools each agent can access |
|
|
PLANNER_AGENT_TOOLS = [ |
|
|
"download_files", |
|
|
"document_qa", |
|
|
"file_read", |
|
|
"file_write", |
|
|
"str_replace_based_edit_tool", |
|
|
"list_workspace", |
|
|
"file_find_by_name", |
|
|
"your_new_tool", # Add your new tool here |
|
|
] |
|
|
|
|
|
INFORMATION_SEEKER_TOOLS = [ |
|
|
"batch_web_search", |
|
|
"url_crawler", |
|
|
"document_extract", |
|
|
"document_qa", |
|
|
"download_files", |
|
|
"file_read", |
|
|
"file_write", |
|
|
"str_replace_based_edit_tool", |
|
|
"list_workspace", |
|
|
"file_find_by_name", |
|
|
"your_new_tool", # Add your new tool here if needed |
|
|
] |
|
|
|
|
|
WRITER_AGENT_TOOLS = [ |
|
|
"file_read", |
|
|
"list_workspace", |
|
|
"file_find_by_name", |
|
|
"search_result_classifier", |
|
|
"section_writer", |
|
|
"concat_section_files", |
|
|
# Add your tool if the writer agent needs it |
|
|
] |
|
|
``` |
|
|
|
|
|
### 4.3 添加内置智能体工具/函数 |
|
|
|
|
|
#### A. 带有真实返回的工具/函数 |
|
|
DeepDiver中的agent，如planner，集成了`assign_subjective_task_to_writer`, `assign_multi_objective_tasks_to_info_seeker` 等内置函数作为工具， 这类函数除了具体实现之外，还需要使用`_build_agent_specific_tool_schemas()` 添加专属的tool schema。 |
|
|
|
|
|
位置：`src/agents/your_agent.py` |
|
|
|
|
|
```python |
|
|
def _build_agent_specific_tool_schemas(self) -> List[Dict[str, Any]]: |
|
|
"""Add built-in agent functions (not MCP server tools)""" |
|
|
|
|
|
# Get base schemas from MCP server via client |
|
|
schemas = super()._build_agent_specific_tool_schemas() |
|
|
|
|
|
# Add agent-specific built-in functions like task assignment, completion reporting |
|
|
builtin_functions = [ |
|
|
{ |
|
|
"type": "function", |
|
|
"function": { |
|
|
"name": "agent_specific_task_done", |
|
|
"description": "Report task completion for this agent", |
|
|
"parameters": { |
|
|
"type": "object", |
|
|
"properties": { |
|
|
"result": {"type": "string", "description": "Task result"}, |
|
|
"status": {"type": "string", "description": "Completion status"} |
|
|
}, |
|
|
"required": ["result", "status"] |
|
|
} |
|
|
} |
|
|
} |
|
|
] |
|
|
|
|
|
schemas.extend(builtin_functions) |
|
|
return schemas |
|
|
``` |
|
|
|
|
|
#### B. 带有伪返回的内置工具 |
|
|
DeepDiver中的cognitive tools，比如think和reflect等，这些工具实际没有具体实现，agent在调用这些工具时通过生成工具入参，就已经完成了工具的调用。可以直接在模型生成完入参后，使用类似以下方法进行返回，继续让模型完成后续工作 (参考`planner_agent.py` 中`_execute_react_loop()`的实现)： |
|
|
|
|
|
```python |
|
|
if tool_call["name"] in ["think", "reflect"]: |
|
|
tool_result = {"tool_results": "You can proceed to invoke other tools if needed. "} |
|
|
``` |
|
|
|
|
|
同理，这种内置工具也需要使用`_build_agent_specific_tool_schemas()` 添加专属的tool schema。 |
|
|
|
|
|
|
|
|
## 5. 个性化配置 |
|
|
|
|
|
### 5.1 Client 配置 |
|
|
|
|
|
复制 `env.template` 到 `config/.env` 并配置如下选项： |
|
|
|
|
|
```bash |
|
|
# LLM Service |
|
|
MODEL_REQUEST_URL=http://localhost:8000 # 你的 LLM endpoint |
|
|
MODEL_REQUEST_TOKEN=your-token # LLM auth token |
|
|
MODEL_NAME=pangu_auto # 模型名 |
|
|
MODEL_TEMPERATURE=0.3 # 随机度（0.0-1.0） |
|
|
MODEL_MAX_TOKENS=8192 # 最大回复长度 |
|
|
MODEL_REQUEST_TIMEOUT=60 # 请求超时（秒） |
|
|
|
|
|
# Agent 限制 |
|
|
PLANNER_MAX_ITERATION=40 # Planner 最大 ReAct 步数 |
|
|
INFORMATION_SEEKER_MAX_ITERATION=30 # 信息搜集最大 ReAct 步数 |
|
|
WRITER_MAX_ITERATION=40 # Writer 最大 ReAct 步数 |
|
|
PLANNER_MODE=auto # auto / 长文优先 / qa 优先 |
|
|
|
|
|
# MCP Server |
|
|
MCP_SERVER_URL=http://localhost:6274/mcp # MCP server endpoint |
|
|
MCP_USE_STDIO=false # 使用 stdio 或 HTTP |
|
|
|
|
|
# 外部 API（先实现函数） |
|
|
SEARCH_ENGINE_BASE_URL= # 搜索 API endpoint |
|
|
SEARCH_ENGINE_API_KEYS= # 搜索 API keys |
|
|
URL_CRAWLER_BASE_URL= # URL Crawler API endpoint |
|
|
URL_CRAWLER_API_KEYS= # URL Crawler API keys |
|
|
URL_CRAWLER_MAX_TOKENS=100000 # URL Crawler 内容最大长度 |
|
|
|
|
|
# 存储路径 |
|
|
TRAJECTORY_STORAGE_PATH=./workspace # Agent工作目录 |
|
|
REPORT_OUTPUT_PATH=./report # 报告输出目录 |
|
|
DOCUMENT_ANALYSIS_PATH=./doc_analysis # 文档分析目录 |
|
|
|
|
|
# 系统 |
|
|
DEBUG_MODE=false # 是否开启调试日志 |
|
|
MAX_RETRIES=3 # API 重试次数 |
|
|
TIMEOUT=30 # 通用超时（秒） |
|
|
``` |
|
|
|
|
|
### 5.2 Server 配置（server_config.yaml） |
|
|
|
|
|
`server_config.yaml` 控制服务器行为、工具限流与运行设置： |
|
|
|
|
|
#### 核心服务器设置 |
|
|
|
|
|
```yaml |
|
|
server: |
|
|
host: "127.0.0.1" # 服务器绑定地址 |
|
|
port: 6274 # 端口 |
|
|
debug_mode: false # 调试日志 |
|
|
session_ttl_seconds: 21600 # 会话过期（6小时） |
|
|
max_sessions: 1000 # 并发会话上限 |
|
|
``` |
|
|
|
|
|
#### 工具限流 |
|
|
|
|
|
对所有会话的外部 API 使用进行控制： |
|
|
|
|
|
```yaml |
|
|
tool_rate_limits: |
|
|
batch_web_search: |
|
|
requests_per_minute: 9000 # 每分钟限制 |
|
|
burst_limit: 35 # 短时突发 |
|
|
|
|
|
url_crawler: |
|
|
requests_per_minute: 9000 |
|
|
burst_limit: 60 |
|
|
``` |
|
|
|
|
|
#### 会话管理 |
|
|
|
|
|
```yaml |
|
|
server: |
|
|
cleanup_interval_seconds: 600 # 清理过期会话（5分钟） |
|
|
enable_session_keepalive: true # 长时操作期间保活 |
|
|
keepalive_touch_interval: 300 # 保活触发间隔（秒） |
|
|
``` |
|
|
|
|
|
#### 安全与性能 |
|
|
|
|
|
```yaml |
|
|
server: |
|
|
request_timeout_seconds: 1800 # 请求超时 |
|
|
max_request_size_mb: 1000 # 最大请求体 |
|
|
rate_limit_requests_per_minute: 300000 # 每 IP 限流 |
|
|
``` |
|
|
|
|
|
配置文件包含对每项设置的详细注释。请根据你的部署需求与外部 API 限额进行调整。 |
|
|
|
|
|
## 6. 模型许可证 |
|
|
|
|
|
除文件中对开源许可证另有约定外，openPangu-Embedded-7B-DeepDiver 模型根据 OPENPANGU MODEL LICENSE AGREEMENT VERSION 1.0 授权，旨在允许使用并促进人工智能技术的进一步发展。有关详细信息，请参阅模型存储库根目录中的 [LICENSE](LICENSE) 文件。 |
|
|
|
|
|
## 7. 安全提示与免责声明 |
|
|
由于 openPangu-Embedded-7B-DeepDiver 模型和框架所依赖的技术固有的技术限制，以及人工智能生成的内容是由盘古自动生成的，华为无法对以下事项做出任何保证： |
|
|
|
|
|
- 尽管该模型的输出由 AI 算法生成，但不能排除某些信息可能存在缺陷、不合理或引起不适的可能性，生成的内容不代表华为的态度或立场； |
|
|
- 无法保证该模型 100% 准确、可靠、功能齐全、及时、安全、无错误、不间断、持续稳定或无任何故障； |
|
|
- 该模型的输出内容不构成任何建议或决策，也不保证生成的内容的真实性、完整性、准确性、及时性、合法性、功能性或实用性。生成的内容不能替代医疗、法律等领域的专业人士回答您的问题。生成的内容仅供参考，不代表华为的任何态度、立场或观点。您需要根据实际情况做出独立判断，华为不承担任何责任； |
|
|
- DeepDiver MAS系统的组件间通信不包含内置的数据加密或认证（如 tokens、签名）。你需要自行评估安全需求并实施相应防护（例如运行在加密网络中、加入 SSL/TLS、强制组件身份校验）； |
|
|
- 由于缺乏加密/认证导致的任何安全事件（数据泄露、未授权访问、业务损失）由使用方自行承担。项目开发者不承担责任。 |
|
|
|
|
|
## 8. 反馈 |
|
|
|
|
|
如果有任何意见和建议，请提交issue或联系 openPangu@huawei.com。 |
|
|
|
|
|
--- |
