GitHub - langchain-ai/opendeepresearch · GitHub

来源: https://github.com/langchain-ai/open_deep_research 抓取时间: 2026-07-21 16:20:04

🔬 Open Deep Research

深度研究已成为最受欢迎的智能体应用之一。这是一个简单、可配置、完全开源的深度研究智能体，适用于许多模型提供商、搜索工具和 MCP 服务器。它的性能与许多流行的深度研究智能体相当（参见 Deep Research Bench 排行榜）。

🔥 最新更新

2025年8月14日: 查看我们的免费课程这里（以及课程仓库这里），了解构建开放深度研究。 2025年8月7日: 添加了 GPT-5，并使用 GPT-5 结果更新了 Deep Research Bench 评估。 2025年8月2日: 在 Deep Research Bench 排行榜上以 0.4344 的总分获得第 6 名。 2025年7月30日: 在我们的博客文章中阅读从原始实现到当前版本的演变。 2025年7月16日: 在我们的博客中了解更多信息，并观看我们的视频快速概述。

🚀 快速开始

克隆仓库并激活虚拟环境：

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

cd open_deep_research
uv venv
source .venv/bin/activate  # 在 Windows 上：.venv\Scripts\activate

2. 安装依赖项：

uv sync
# 或者
uv pip install -r pyproject.toml

3. 设置您的 .env 文件以自定义环境变量（用于模型选择、搜索工具和其他配置设置）：

cp .env.example .env

4. 使用本地启动智能体 LangGraph 服务器：

# 安装依赖项并启动 LangGraph 服务器
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking

这将在您的浏览器中打开 LangGraph Studio UI。

- 🚀 API: http://127.0.0.1:2024
- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- 📚 API 文档: http://127.0.0.1:2024/docs

在 messages 输入字段中提出问题并点击 Submit。在“管理助手”选项卡中选择不同的配置。

⚙️ 配置

LLM 🧠

Open Deep Research 通过 init_chat_model() API 支持广泛的 LLM 提供商。它使用 LLM 完成几个不同的任务。有关更多详细信息，请参阅 configuration.py 文件中的以下模型字段。这可以通过 LangGraph Studio UI 访问。

摘要 (默认: openai:gpt-4.1-mini): 总结搜索 API 结果
研究 (默认: openai:gpt-4.1): 为搜索智能体提供动力
压缩 (默认: openai:gpt-4.1): 压缩研究结果
最终报告模型 (默认: openai:gpt-4.1): 编写最终报告

注意：所选模型将需要支持结构化输出和工具调用。注意：对于 OpenRouter：按照本指南操作，对于通过 Ollama 使用的本地模型，请参阅设置说明。

搜索 API 🔍

Open Deep Research 支持广泛的搜索工具。默认情况下，它使用 Tavily 搜索 API。具有完整的 MCP 兼容性，并为 Anthropic 和 OpenAI 提供原生 Web 搜索。有关更多详细信息，请参阅 configuration.py 文件中的 search_api 和 mcp_config 字段。这可以通过 LangGraph Studio UI 访问。

其他

请参阅 configuration.py 中的字段，了解自定义 Open Deep Research 行为的各种其他设置。

📊 评估

Open Deep Research 配置为使用 Deep Research Bench 进行评估。该基准测试包含 100 个博士级研究任务（50 个英文，50 个中文），由 22 个领域的领域专家精心制作，以反映现实世界深度研究需求。它有 2 个评估指标，但排行榜基于 RACE 分数。这使用 LLM 作为裁判（Gemini），根据专家编译的黄金报告集，根据一组指标评估研究报告。

使用

警告：在 100 个示例上运行可能花费约 20-100 美元，具体取决于模型选择。该数据集可通过以下链接 LangSmith 获得。要启动评估，请运行以下命令：

# 在 LangSmith 数据集上运行全面评估
python tests/run_evaluate.py

这将提供指向 LangSmith 实验的链接，该实验将命名为 YOUR_EXPERIMENT_NAME。完成后，将结果提取到 JSONL 文件中，该文件可以提交给 Deep Research Bench。

python tests/extract_langsmith_data.py --project-name "YOUR_EXPERIMENT_NAME" --model-name "you-model-name" --dataset-name "deep_research_bench"

这将创建 tests/expt_results/deep_research_bench_model-name.jsonl，格式符合要求。将生成的 JSONL 文件移动到 Deep Research Bench 仓库的本地克隆，并按照其快速入门指南提交评估。

结果

名称	提交	摘要	研究	压缩	总成本	总 Token 数	RACE 分数	实验
GPT-5	ca3951d	openai:gpt-4.1-mini	openai:gpt-5	openai:gpt-4.1		204,640,896	0.4943	链接
默认值	6532a41	openai:gpt-4.1-mini	openai:gpt-4.1	openai:gpt-4.1	$45.98	58,015,332	0.4309	链接
Claude Sonnet 4	f877ea9	openai:gpt-4.1-mini	anthropic:claude-sonnet-4-20250514	openai:gpt-4.1	$187.09	138,917,050	0.4401	链接
Deep Research Bench 提交	c0a160b	openai:gpt-4.1-nano	openai:gpt-4.1	openai:gpt-4.1	$87.83	207,005,549	0.4344	链接

🚀 部署和使用

LangGraph Studio

按照快速入门指南在本地启动 LangGraph 服务器，并在 LangGraph Studio 上测试智能体。

托管部署

您可以轻松部署到 LangGraph Platform。

Open Agent Platform

Open Agent Platform (OAP) 是一个 UI，非技术用户可以从中构建和配置自己的智能体。OAP 非常适合允许用户使用最适合其需求和要解决的问题的不同 MCP 工具和搜索 API 配置深度研究器。我们已将 Open Deep Research 部署到我们的 OAP 公共演示实例。您只需要添加您的 API 密钥，就可以自己测试深度研究器！在这里尝试一下。您还可以部署自己的 OAP 实例，并在其上提供您自己的自定义智能体（如深度研究器）给您的用户。

旧版实现 🏛️

src/legacy/ 文件夹包含两个早期实现，它们提供了自动化研究的替代方法。它们的性能不如当前实现，但提供了理解深度研究不同方法的替代想法。

1. 工作流实现 (legacy/graph.py)

计划并执行：具有人在回路规划的结构化工作流
顺序处理：通过反思逐个创建部分
交互式控制：允许反馈和批准报告计划
注重质量：通过迭代细化强调准确性

2. 多智能体实现 (legacy/multiagent.py)

主管-研究员架构：协调的多智能体系统
并行处理：多个研究人员同时工作
速度优化：通过并发更快地生成报告
MCP 支持：广泛的模型上下文协议集成

GitHub - langchain-ai/open_deep_research · GitHub