Storm

STORM是什麼

STORM的全名是Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking，它是由史丹佛大學的OVAL團隊所開發的開源知識整理系統。這個系統能夠根據主題來搜尋網路上的資料、提出多角度的問題、生成概要，並撰寫出包含引用資料的完整報告。

STORM主要用於研究與寫作的前期階段，而非直接產出可發表的文章。官方明確指出，所產生的結果通常仍需經過大量的編輯及事實核對。

STORM的工作流程

1. 接收用戶輸入的研究主題。
2. 查找相似主題文章並識別不同觀點。
3. 讓虛擬作者從多個視角提出問題。
4. 模擬作者與主題專家之間的連續訪談。
5. 透過搜尋引擎或自訂語料檢索資料。
6. 整理收集到的證據並生成層級大綱。
7. 根據大綱和來源撰寫完整文章。
8. 補充引用、摘要並減少重複內容。

主要功能

• 從一個主題自動展開多輪網絡研究。
• 透過不同人物視角擴大問題覆蓋範圍。
• 模擬訪談並根據新資訊提出追問。
• 收集網頁資料和可追溯引用。
• 把檢索結果整理為層級式文章大綱。
• 生成維基百科風格的長篇報告。
• 分離研究、大綱、寫作和潤色四個模組。
• 允許替換語言模型、搜尋引擎和向量檢索器。
• 支援使用使用者自有的文件來構建VectorRM語料檢索。
• 提供Python套件、範例腳本及輕量Streamlit介面。

為什麼採用多視角提問

只讓模型直接列問題，容易停留在常見概念和表面資訊。STORM會先查看相似主題的文章和人物視角，再讓不同虛擬作者提出更有差異的問題。

• 發現主流敘述之外的利益相關者。
• 涵蓋歷史、技術、經濟、倫理和社會影響。
• 減少只圍繞用戶最初措辭搜尋的局限。
• 透過追問補充未知概念和證據空白。
• 為最終大綱提供更廣泛的章節候選。

Co-STORM是什麼

Co-STORM是在STORM基礎上發展而來的協作式知識整理模式。它讓使用者、多位AI專家以及一個主導智能體共同討論主題，並持續維護動態思維導圖。

Co-STORM的價值

• 用戶不必等到最終報告才發現研究方向偏離。
• 可以在討論中補充目標、約束和專業背景。
• 動態思維導圖降低長時間討論的認知負擔。
• 主持智能體幫助發現已檢索但尚未討論的知識。
• 最終報告可以基於共同探索過程生成。

STORM與Co-STORM對比

線上研究預覽使用教學

1. 進入斯坦福STORM Research Preview。
2. 閱讀並接受當前服務條款。
3. 輸入範圍明確、便於檢索的研究主題。
4. 補充希望了解的目標和排除範圍。
5. 等待系統檢索、訪談和生成大綱。
6. 查看報告結構以及每條引用來源。
7. 打開原網頁核對數字、日期和上下文。
8. 將結果導出為研究初稿並進行人工改寫。

怎樣選擇研究主題

• 使用具體對象、時間範圍和研究問題。
• 避免只輸入一個含義過寬的單字。
• 說明想比較的技術、政策、人物或方案。
• 寫明需要歷史、現狀、爭議還是未來趨勢。
• 對快速變化的主題註明資料截止日期。
• 高風險主題要求優先使用一手來源。
• 將大問題拆成多個可獨立核驗的子問題。

適合哪些使用場景

• 學生為論文和課程作業建立研究框架。
• 研究人員快速了解陌生領域的概念與爭議。
• 內容創作者收集背景資料和文章大綱。
• 產品經理研究市場、技術和用戶問題。
• 政策與諮詢人員整理多方觀點和公開證據。
• 教師生成課程閱讀提綱和討論問題。
• 開發者搭建自訂深度研究與報告系統。
• 團隊透過Co-STORM共同探索複雜主題。

不適合直接完成的任務

• 無需編輯即可發表的百科全書或正式論文。
• 要求窮盡全部文獻的系統綜述和Meta分析。
• 需要訪問付費資料庫、內部資料或不可公開網頁的研究。
• 醫學診斷、法律意見和個性化投資建議。
• 必須保證引用與論斷逐句完全一致的高風險報告。
• 要求實時秒級新聞或完整社交媒體數據的監控。
• 沒有人工審核的自動內容發布流水線。

價格與使用成本

斯坦福在線的Research Preview並未公開會員價格，屬於研究預覽服務。它可能存在使用限制、排隊情況以及相關條款要求，不能被視為可永久免費使用的商業SaaS服務。

一次完整的研討過程需要進行多輪的搜尋、提問與回答、建立大綱、撰寫內容以及修改潤飾，其成本通常高於一般的對話。而 Co-STORM 的多智能體討論功能以及思維導圖功能，則會進一步增加調用的次數。

支援的模型與檢索器

knowledge-storm 1.1.0加入了LiteLLM整合功能，能夠連接LiteLLM所支援的語言模型與嵌入模型。不同的組件可以選擇不同的模型，從而實現在品質、速度和成本之間的優化配置。

本地部署教學

1. 準備Python 3.11環境。
2. 安裝knowledge-storm套件或克隆官方倉庫。
3. 選擇語言模型、嵌入模型和搜尋服務。
4. 將API金鑰儲存到secrets設定或安全的環境變數中。
5. 運行官方STORM或Co-STORM範例腳本。
6. 使用低風險主題檢查研究、大綱和引用輸出。
7. 根據預算分別配置便宜模型和高品質寫作模型。
8. 生產使用前加入日誌、限額、脫敏和錯誤處理。

模型分層建議

• 查詢拆分和模擬對話可以使用更快、更便宜的模型。
• 大綱生成需要較強的結構化與全局理解能力。
• 文章生成應選擇引用遵循和長文本能力更好的模型。
• 潤色階段要防止模型刪除引用或新增無來源事實。
• 所有組件先小樣本評估，再擴大並發和主題數量。

自有文件與私有知識庫

VectorRM讓STORM能夠根據使用者提供的文件來進行搜尋，而非完全依賴公共搜尋引擎。它很適用於內部資料、論文集或經過審核的專業語料。

1. 整理允許使用的文件和元數據。
2. 去除重複、過時和權限不明的檔案。
3. 按項目要求切分文本並建立向量索引。
4. 配置VectorRM連接向量資料庫。
5. 使用已知答案的問題測試召回率。
6. 檢查最終引用能否定位到原文段落。
7. 設定文件權限、保留時間和刪除流程。

引用為何仍需核驗

• 搜尋結果可能來自低品質或過時網頁。
• 網站可能拒絕抓取，導致正文無法解析。
• 引用頁面存在並不代表它支持附近的全部論斷。
• 模型可能把多個來源資訊錯誤合併。
• 網頁更新後引用內容和日期可能變化。
• 二手報導可能誤解論文、法律或官方數據。
• 生成文章可能遺漏反例和重要爭議。

事實核查流程

1. 逐段標記可以外部驗證的事實性陳述。
2. 打開對應引用並定位直接支援內容。
3. 優先替換為論文、官方數據和原始文件。
4. 對數字、日期、姓名和因果關係交叉核驗。
5. 尋找反面證據和相互矛盾的可靠來源。
6. 刪除沒有來源或來源不支持的結論。
7. 記錄資料截止日期及仍不確定的問題。

隱私與資料安全

在線研究預覽功能需要將主題及互動內容傳送給史丹佛大學的託管服務，使用者應先仔細閱讀相關服務條款。此外，該研究計畫還發布了由預覽數據整理而成的WildSeek資料集，因此，敏感主題不應被提交到公開展示中。

• 不要輸入個人身份、客戶秘密和未公開研究資料。
• 不要把API密鑰寫進代碼倉庫。
• 本地部署也要核對模型與搜尋供應商的數據政策。
• 自有文件建立向量庫前完成權限和脫敏。
• 日誌可能包含查詢、網頁內容和生成文本。
• 對研究數據設定保留、刪除和訪問控制。
• 高敏感項目優先使用經過批准的本地組件。

產品優勢

• 把檢索、多視角提問、大綱和寫作連接成完整流程。
• 模擬追問比一次搜尋更容易發現知識空白。
• 最終文章包含引用，便於返回原始網頁核驗。
• 研究、大綱、寫作和潤色模組可以分別配置。
• Co-STORM支援用戶在研究過程中主動引導。
• 動態思維導圖適合複雜和長期討論。
• 支援多種模型、搜尋引擎及自有語料。
• MIT許可證便於研究、修改和二次開發。
• 論文、代碼、資料集和復現實驗資料相對完整。

使用限制與注意事項

• 官方明確表示結果通常不能直接發表。
• 引用存在不等於每條論斷已經準確核驗。
• 無法抓取的網頁會產生403、解析失敗或證據缺口。
• 研究品質高度依賴搜尋引擎和語言模型。
• 多輪檢索和生成可能產生較高API成本。
• 複雜主題可能形成冗長、重複或偏離重點的報告。
• 線上預覽並非附有服務承諾的商業產品。
• 自部署需要編程、金鑰管理與基礎設施能力。
• 動態網頁、付費牆和非文字資料覆蓋有限。
• 高風險領域必須由專業人員審核。
• 公開預覽不適合敏感或保密主題。
• MIT代碼許可不包含第三方模型和搜尋服務費用或許可。

GitHub與開源狀態

STORM與Co-STORM的官方倉庫由stanford-oval維護，採用MIT許可證。該專案包含knowledge_storm核心套件、STORM和Co-STORM的範例、輕量級前端介面、以及相關的資料集與重現資料。

Python套件可直接安裝，原始碼也允許修改。第三方大模型、搜尋引擎、嵌入服務及抓取內容仍受各自條款約束，不能因為STORM代碼開源就忽略這些限制。

基本資訊

推薦指數

4.7 / 5。STORM將多視角檢索與長篇報告的撰寫轉變為一種可研究、可擴展的開源流程，Co-STORM中的人機協作也相當有價值；不過，引用內容和事實仍需逐一核對，且其部署成本與複雜度都不低。

常見問題

STORM可以免費使用嗎？

線上 Research Preview 並未公開會員費用，開源代碼採用 MIT 授權協議。自行部署時需承擔模型、搜尋、嵌入、伺服器及儲存的成本。

STORM生成的文章能直接發布嗎？

不建議。官方明確表示通常需要大量編輯，引用、事實、結構和措辭都應人工檢查。

STORM和Co-STORM有什麼區別？

STORM偏向自動研究與成文，Co-STORM則讓用戶、AI專家及主辦智能體共同討論，並維護動態思維導圖。

可以使用自己的文件嗎？

可以。VectorRM支援以使用者提供的文件和向量庫作為研究基礎。

支援本地模型嗎？

架構允許替換模型組件，LiteLLM也擴大了相容範圍。具體本地模型需要根據上下文、品質和硬件單獨測試。

為什麼有時會出現403錯誤？

部分網站拒絕抓取或頁面解析失敗，STORM會記錄錯誤並跳過相關內容，這可能造成引用和資訊覆蓋的缺口。

STORM提供商業API嗎？

項目提供Python類別和模組介面，但沒有統一的商業API套裝。開發者需要自行接入模型與檢索服務。

STORM是開源的嗎？

開源。官方的GitHub儲存庫以及knowledge-storm程式碼均採用MIT許可證。