开源大模型（Open-access models）具备权重透明与可自由部署的优势，但由于其知识截止于训练时间点，在面对最新学术进展、即时技术文档或小众领域数据时，极易产生事实幻觉。Hugging Face 推出的开源对话生态 HuggingChat（底层基于 chat-ui 项目）原生提供了两种互补的信息增强机制：内置联网搜索（Web Search）与社区工具（Community Tools），让研究人员与开发者能够以低成本为开源大语言模型接入可验证的实时网络来源。
本文详细梳理如何在 HuggingChat 官方界面以及自托管环境中配置网络检索、接入与开发 Gradio 工具 Space，并结合 Command R+、Llama 3.1、Qwen 2.5 等开源模型构建可溯源的研究智能体。
一、即开即用：在 HuggingChat 中启用内置联网搜索
针对日常学术调研和实时事实核验，HuggingChat 提供了完整的检索增强生成（RAG）管道。
界面操作步骤
- 打开 HuggingChat 网页端（
https://huggingface.co/chat）。 - 在模型列表中选择指令遵循与推理能力较强的基础模型（例如 Meta Llama 3.1 70B、Cohere Command R+ 或 Qwen 2.5 72B）。
- 在底部提示词输入框中，点击地球图标开启 Search web（联网搜索）开关。
- 输入调研问题（例如：“DeepSeek-V3 最新发布的技术报告中有哪些关键基准测试数据？”）。
检索管道的工作机制
HuggingChat 的联网并非简单地将搜索引擎摘要拼接到模型输入中，而是由后端的 chat-ui 自动化执行标准 RAG 流程：
- 搜索词提炼： 内置任务模型分析用户提示词的真实意图，将其转换为适合搜索引擎的精准关键词。
- 网页检索： 服务端调用外部检索接口（如 Serper 或 SearXNG）抓取权威来源链接。
- 页面爬取与清洗： 通过无头浏览器 Playwright 异步打开目标网页，解析并将原始 HTML 转为干净的 Markdown 文本。
- 分块与向量化： 将抓取的长文本按语义进行切片，并利用轻量级嵌入模型（如
gte-small）生成稠密向量。 - 相似度重排： 依据用户问题计算语义相关度，筛选出关联度最高的文本片段（通常限制在 8,000 字符以内）注入系统上下文。
- 生成与溯源： 模型结合注入的事实材料完成综合回答，并在正文及末尾附带可点击的来源引用卡片。
二、深度拓展：配置与接入自定义社区工具（Community Tools）
通用搜索引擎常受限于网页结构，且难以直连特定学术论文库或私有数据库。HuggingChat 推出的 Community Tools 机制允许开发者将任何公开的 Hugging Face Space（Gradio 应用）直接封装为大模型可调用的外部工具。
第一步：准备或创建 Gradio 工具 Space
只要是一个公开、具备标准输入输出接口的 Gradio Space，均可作为工具接入。
- 使用官方模版： Hugging Face 提供了如
nsarrazin/rag-tool-template的标准模版。只需复制该 Space，将 PDF 或 Markdown 资料放置在sources/目录下，即可构建专属文献 RAG 接口。 - 编写自定义 Python 工具： 在免费的 CPU Basic 规格 Space 中创建
app.py。例如搭建一个轻量级 ArXiv 文献检索工具：
import gradio as gr
import urllib.request
import xml.etree.ElementTree as ET
def search_arxiv(query: str, max_results: int = 3) -> str:
url = f"http://export.arxiv.org/api/query?search_query=all:{urllib.parse.quote(query)}&max_results={max_results}"
response = urllib.request.urlopen(url).read().decode("utf-8")
root = ET.fromstring(response)
results = []
for entry in root.findall("{http://www.w3.org/2005/Atom}entry"):
title = entry.find("{http://www.w3.org/2005/Atom}title").text.strip()
summary = entry.find("{http://www.w3.org/2005/Atom}summary").text.strip()
results.append(f"Title: {title}\nSummary: {summary}\n")
return "\n---\n".join(results) if results else "No papers found."
demo = gr.Interface(
fn=search_arxiv,
inputs=[gr.Textbox(label="Query"), gr.Number(label="Max Results", value=3)],
outputs="text",
title="ArXiv Search Tool"
)
demo.launch()
第二步：在 HuggingChat 中注册工具
- 进入工具管理页面
https://huggingface.co/chat/tools，点击 Create New Tool（或直接访问https://huggingface.co/chat/tools/new）。 - 在 Hugging Face Space URL 输入框中粘贴 Space 地址（例如
https://huggingface.co/spaces/your-username/arxiv-search）。 - 系统会自动解析 Gradio 接口定义，提取参数名与类型。
- 完善核心配置项：
- Tool Description（工具描述）： 用简洁准确的英文写明功能与调用时机（例如：“Searches ArXiv for recent AI preprints based on query terms”）。大模型依据此描述判断何时触发该函数。
- AI Function Name（函数名称）： 填写小写下划线命名的函数标识符（如
search_arxiv_preprints）。 - 参数属性设置（Arguments）：
- Required（必填）： 模型必须提供具体实参方可调用。
- Optional（可选）： 配备默认值，模型可根据需要覆盖。
- Fixed（固定值）： 预设固定参数，对模型隐藏，适合填入固定分类标签或权限标记。
- 点击保存后，该工具即可在个人工具库中启用。
三、封装专属研究助手：配置带联网能力的 Assistant
为了避免每次开新对话都重复配置工具与系统要求，可以通过 HuggingChat Assistants 固化工作流：
- 打开助手创建页面：
https://huggingface.co/chat/settings/assistants/new。 - 基础信息设置： 设定助手名称（例如：“AI 文献与前沿检索助手”）与头像。
- 选择底座模型： 优先选用具备原生工具调用训练的开源模型。Cohere Command R+ 与 Llama 3.1 70B 在多步骤函数调用与引用一致性上表现尤为出色。
- 编写系统指令（System Instructions）： 明确规定事实核查纪律与工具调用规则：
你是一名严谨的研究分析助手。 在回答任何关于最新论文、开源项目或基准性能的提问时，必须先调用 web search 或自定义检索工具获取权威信息。 严禁脱离检索文本进行无依据的猜测或推断。 回答中必须明确列出检索到的信源标题与链接。 - 挂载工具与能力：
- 勾选 Web search，使助手常驻网络检索能力。
- 在 Community Tools 下拉中添加至多 3 个已创建或社区公开的工具 Space。
- 点击 Create 保存。创建后的 Assistant 可通过专属链接公开分享，亦可作为团队内部评测工具。
四、企业与实验室私有化：自托管 chat-ui 配置
针对对数据隐私有严格要求的高校实验室或企业研发团队，可通过官方开源仓库 huggingface/chat-ui 搭建完全私有的 HuggingChat 服务。
核心环境变量配置
在项目根目录的 .env.local 文件中配置检索服务与模型接入：
# 数据库存储
MONGODB_URL=mongodb://localhost:27017
MONGODB_DB_NAME=chat-ui
# 模型接入网关（兼容 OpenAI 协议，可对接 vLLM、Ollama、llama.cpp 或 Hugging Face 路由）
OPENAI_BASE_URL=https://router.huggingface.co/v1
OPENAI_API_KEY=hf_your_huggingface_access_token
# 联网搜索服务提供商配置
SERPER_API_KEY=your_serper_api_dev_key
# 亦可对接内网自建的 SearXNG 实例：
# SEARXNG_QUERY_URL=http://localhost:8080/search?q=<query>&format=json
# 抓取与嵌入安全控制
USE_LOCAL_WEBSEARCH=false
WEBSEARCH_ALLOWLIST=[]
WEBSEARCH_BLOCKLIST=[]
完成配置后运行 npm install 与 npm run dev，即可在内网跑通包含完整网页爬取、向量匹配与开源模型 RAG 的对话系统。
实践考量与取舍建议
- 模型规模与工具调用准确率： 8B 及以下规模的轻量模型在复杂工具参数传递时容易出现格式偏差，甚至在未检索到内容时编造 URL。进行严谨的学术与技术验证时，建议选用 70B 级别模型或专门针对检索优化的 Command R+。
- 响应延迟与时效权衡： 纯文本对话通常在 1–3 秒内完成，而包含爬虫、分块向量化与重排的联网流程通常增加 3–6 秒耗时。对于结构固定的参考资料，建议提前构建持久化向量索引 Space，而非反复依赖全网实时抓取。
- 核验原始文本片段： 开源 RAG 的核心优势在于溯源透明。在阅读模型汇总结论时，应主动点击引文卡片查看检索到的原始内容，核实上下文是否被曲解。
通过 HuggingChat 的内置联网搜索与社区工具体系，开源大语言模型得以彻底摆脱静态参数记忆的局限，转型为具备实时检索、验证与分析能力的现代化科研工具。