Search-R1 这个项目比较接近我设想的愿景，它为 LLM 新增了 <search> 输出用于表示需要搜索的内容，和 <information> 输入用于在上下文中携带搜索结果（这类标签类似于推理模型增加的
https://github.com/petergriffinjin/search-r1
再解释下这个思路的意义。现有的整合 LLMs 与搜索引擎的方法主要分为两类，RAG 和将搜索引擎作为工具接入 (tool use / function calling)。这两种方式的结果如何都取决于具体的应用实现，比如将用户输入重新转换成合适的搜索词语、对搜索结果进行重排、多轮检索等等，通过这些环节补足 LLM 本身缺失的信息检索能力。依赖外部帮助始终是次优解，因此让 LLM 在训练时学习如何与搜索引擎有效互动，才是让 LLM 更有效地使用搜索引擎的最佳方式。
<thinking>，是 LLM 输入输出结构化的改变）。在训练时对其进行优化，使得 LLM 能更好地判断何时应该进行或停止搜索、撰写最恰当的搜索语句、判断搜索结果的相关性和准确性等。https://github.com/petergriffinjin/search-r1
再解释下这个思路的意义。现有的整合 LLMs 与搜索引擎的方法主要分为两类，RAG 和将搜索引擎作为工具接入 (tool use / function calling)。这两种方式的结果如何都取决于具体的应用实现，比如将用户输入重新转换成合适的搜索词语、对搜索结果进行重排、多轮检索等等，通过这些环节补足 LLM 本身缺失的信息检索能力。依赖外部帮助始终是次优解，因此让 LLM 在训练时学习如何与搜索引擎有效互动，才是让 LLM 更有效地使用搜索引擎的最佳方式。