STORM是斯坦福Oval团队开源的LLM驱动知识策展系统，可自动完成主题研究、大纲生成到带引用长文产出的全流程，支持人机协作，适用于学术调研、内容创作等场景，本文介绍其定位、安装与使用方法。
STORM是斯坦福Oval团队开源的LLM驱动知识策展系统，可自动围绕指定主题开展网络研究、生成带引用的类维基百科长文，辅助学术调研、内容创作等场景的预写作工作。
STORM全称为Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking，是斯坦福大学Oval团队开源的LLM驱动知识策展系统，已发布为`knowledge-storm` Python包。其核心能力是自动围绕用户指定的主题开展网络研究，最终生成带引用的类维基百科长文；扩展版本Co-STORM进一步支持人机协作式知识策展，可让人类用户与AI协同完成知识内容的梳理与产出，相关研究成果已被NAACL 2024、EMNLP 2024接收。
知识类长文（尤其是类维基百科条目）的传统撰写流程需要人工完成主题调研、多视角问题梳理、大纲搭建、内容撰写、引用溯源等多个环节，耗时久且对撰写者的专业背景要求高，难以快速产出结构完整、引用可靠的长文内容。STORM将上述全流程自动化，通过多视角问题探索与模拟对话机制提升调研深度，最终输出带引用的完整长文，大幅降低知识类内容产出的门槛与时间成本。
STORM适用于多类知识策展与内容产出的场景：一是学术研究预调研，可快速生成研究方向的综述性内容，辅助研究者快速了解领域现状；二是知识类内容创作，可快速产出主题长文初稿，降低创作门槛；三是维基百科编辑的预写作辅助，可快速搭建条目框架、收集参考资料，提升编辑效率；四是企业/团队知识库的自动化内容策展，可基于自有语料库生成标准化知识内容。
项目核心功能已发布为`knowledge-storm` Python包，可通过pip直接安装：执行`pip install knowledge-storm`即可获取最新稳定版本，v1.1.0起已集成litellm以支持更多语言模型与嵌入模型的接入。若需运行特定定制化示例或前端演示界面，可根据对应目录下的`requirements.txt`安装额外依赖，完成本地开发环境的配置。
使用前需先配置对应大语言模型与检索服务的API密钥，支持通过`secrets.toml`文件或环境变量两种方式配置，覆盖OpenAI、Azure OpenAI、各类网络搜索引擎、Qdrant向量数据库等服务的密钥配置。配置完成后可参考`examples`目录下的示例脚本调整参数运行：如`run_storm_wiki_gpt.py`演示基于GPT模型生成维基风格文章，`run_costorm_gpt.py`演示人机协作式知识策展流程；也可启动`frontend/demo_light`下的Streamlit轻量演示界面进行可视化操作。
项目架构高度解耦，四大核心模块可独立替换适配：一是`storm_wiki`模块实现STORM核心Pipeline，包含大纲生成、知识策展、文章生成、文章润色等子环节，各环节可配置不同能力的大语言模型平衡成本与质量；二是`collaborative_storm`模块实现Co-STORM人机协作能力，包含协作引擎、专家生成、grounded问答等子模块；三是`rm`模块集成多源检索能力，支持网络搜索引擎、用户自定义向量语料库等多类数据源；四是`lm`模块统一封装多类大语言模型接入逻辑，降低多模型适配成本。
项目通过litellm集成支持多类大语言模型，包括OpenAI GPT系列、Claude系列、Ollama本地部署的开源模型、Groq、Mistral等，也可适配Azure OpenAI等云服务模型。
默认支持You.com、Bing、Brave、Serper、DuckDuckGo、Tavily等多类网络搜索引擎，也支持用户自定义Qdrant向量语料库作为检索数据源，满足自有知识库的检索需求。
参考examples/costorm_examples/run_costorm_gpt.py示例脚本，配置好对应LLM与搜索引擎的API密钥后运行即可启动Co-STORM流程，支持人类用户与AI协同完成知识策展。
仓库说明STORM目前无法产出直接可发布的成品文章，通常需要一定数量的编辑修改，但已被经验丰富的维基百科编辑证实可在预写作阶段提供有效辅助。