langchain-ai/open_deep_research

项目概览

该项目已围绕深度研究基准的 100 项博士级研究任务配置评测，并在所述排行榜中位列第 6；同时覆盖多模型提供方、搜索工具和模型上下文协议服务器，具备较明确的横向评估与扩展基础。

项目类型

AI Agent · RAG 与知识库 · AI 搜索

应用场景

搜索调研

部署方式

查看项目说明

License

MIT

适合谁

• 适合需要构建可配置深度研究流程，并希望在多个模型提供方、搜索工具和模型上下文协议服务器之间选择组件的开发者。
• 适合希望通过本地网页界面使用研究智能体，或通过托管平台和开放智能体平台提供部署及配置入口的团队。
• 适合需要以深度研究基准作为评测参照，并能接受相应模型评测费用的项目。

核心能力

• 当前可用。智能体协调大语言模型、搜索接口和模型上下文协议服务器执行研究步骤，并输出研究报告，适合把研究问题转化为可阅读的文本成果。
• 当前可用。项目通过模型初始化接口接入多种大语言模型提供方，并允许为摘要、研究、压缩和最终报告生成配置模型，便于复用已有模型服务。
• 当前可用。支持 Tavily 搜索接口、Anthropic 与 OpenAI 的网页搜索，以及模型上下文协议兼容工具，使研究过程能够从所配置的搜索渠道获取信息。
• 当前可用。项目可以连接模型上下文协议服务器并在研究流程中使用其能力，用户价值取决于实际配置的服务器及其所提供的工具。
• 当前可用。项目已配置由 100 项博士级研究任务组成的深度研究基准，并使用大语言模型担任评审，可用于按该基准评估研究结果。
• 当前可用。本地启动 LangGraph 服务后，可通过 LangGraph Studio 网页界面与智能体交互，为研究问题提交和结果查看提供图形化入口。
• 当前可用。项目可以部署到开放智能体平台，供非技术用户构建和配置自己的智能体，适合需要图形化配置入口的使用场景。

限制与风险

• 所选模型必须支持结构化输出和工具调用，因此并非所有可接入的模型都一定能够直接用于该研究流程。
• 运行全部 100 个评测样例的费用会随模型选择变化，记录区间为 20 至 100 美元；评测前应先确定模型组合与预算。
• 本地路径需要克隆源码、配置虚拟环境、安装依赖，并在环境文件中填写模型和搜索工具的接口密钥，上手难度被记录为中等。
• 现有资料未记录图形处理器、最低硬件、数据边界和遥测要求，涉及本地模型容量、数据合规或观测策略时需要另行核验。

如何开始

• 克隆仓库并启用虚拟环境。本地启动开发服务时需要使用 uv 和 langgraph-cli 执行相应命令（如通过 uvx 调用 langgraph dev 并附带 --allow-blocking 参数）。
• 在 `.env` 文件中设置模型和搜索工具所需的接口密钥；默认搜索工具为 Tavily，所选模型还必须支持结构化输出和工具调用。
• 执行本地启动命令后启动智能体服务，再在浏览器中打开 LangGraph Studio 网页界面提交研究问题。

核验依据

• README: This is a simple, configurable, fully open source deep research agent that works across many model providers, search tools, and MCP servers.
• README: git clone https://github.com/langchain-ai/open_deep_research.git
• README: Achieved #6 ranking on the Deep Research Bench Leaderboard with an overall score of 0.4344.
• README: Open Deep Research supports a wide range of LLM providers via the init_chat_model() API. It uses LLMs for a few different tasks.
• README: Open Deep Research supports a wide range of search tools. By default it uses the Tavily search API. Has full MCP compatibility and work native web search for Anthropic and OpenAI.

内容核验时间：