深入研究：打造你自己的 AI 研究员

隆重推出 Open Deep Research：您的专属 AI 研究助手

在飞速发展的人工智能领域，进行深入、富有洞察力的研究至关重要。Open Deep Research 应运而生，这是一个开创性的开源项目，赋能开发者和研究人员构建和定制他们自己的强大 AI 研究代理。该项目基于 LangGraph 的灵活性构建，提供了一个完全可配置的框架，可与各种模型提供商、搜索工具和模型上下文协议 (MCP) 服务器无缝集成。

什么是 Open Deep Research？

Open Deep Research 的核心是一个强大且适应性强的代理，专为全面的数据探索和分析而设计。它擅长执行各种任务，从总结复杂信息到生成详细的最终报告。该项目最显著的特点是其可配置性，允许用户微调研究过程的每一个方面，从用于摘要和分析的 AI 模型到搜索 API 和并发设置。

主要特性和能力：

• 多样的模型集成：支持广泛的模型提供商，包括 OpenAI、Anthropic 和 Google Vertex AI，使用户能够为摘要、研究、压缩和最终报告生成等特定任务选择最佳模型。
• 灵活的搜索工具：与 Tavily、OpenAI Native Web Search 和 Anthropic Native Web Search 等多个搜索 API 集成，确保广泛的数据访问。
• MCP 服务器支持：通过模型上下文协议 (MCP) 服务器扩展研究能力，支持文件系统管理（本地 MCP 服务器）和分布式代理协调（远程 MCP 服务器）等高级操作。
• 可定制的配置：提供可通过 Web UI、环境变量或直接代码修改进行调整的广泛设置，满足多样化的用户偏好和项目需求。
• LangGraph Studio 集成：通过 LangGraph Studio 提供顺畅的部署体验，允许本地服务器设置和代理能力的交互式测试。
• Open Agent Platform (OAP) 兼容性：可轻松部署在 OAP 上，这是一个用户友好的界面，供非技术用户构建和配置代理，从而使 Open Deep Research 的高级功能能够被更广泛的受众所使用。
• 全面的评估：包含一个批量评估系统，具有多维度评分和数据集驱动的分析，用于严格的测试和改进。
• 传统实现：在 src/legacy/ 文件夹中提供了工作流和多代理实现等替代方法，深入了解不同的代理架构。

开始使用 Open Deep Research：

该项目提供了一个简单的快速入门指南，即使是刚接触复杂 AI 代理开发的新手也能轻松上手。

1. 克隆仓库：

   git clone https://github.com/langchain-ai/open_deep_research.git
   cd open_deep_research
   

2. 设置虚拟环境和依赖项：

   uv venv
   source .venv/bin/activate # (在 Windows 上为 .venv\Scripts\activate)
   uv pip install -r pyproject.toml
   

3. 配置环境变量： 复制示例环境变量文件并进行自定义：

   cp .env.example .env
   

4. 启动 LangGraph 服务器：

   uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
   

此设置允许您通过 API 在 http://127.0.0.1:2024 访问代理，并通过 LangGraph Studio UI 在 https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024 与之交互。

贡献和探索：

Open Deep Research 在 GitHub 上拥有超过 6.7k 颗星和 891 个分支，证明了其实用性以及围绕它的活跃社区。我们鼓励开发者探索代码库，为其发展做出贡献，并利用其强大的功能构建创新的 AI 驱动研究解决方案。无论您是经验丰富的 AI 从业者还是热衷的开发者，Open Deep Research 都提供了一个宝贵的平台，让您能够突破自动化研究的界限。