Open Deep Research：一个完全开源、可配置的深度研究智能体，让 AI 自动完成多步骤调研

你是否曾经为了写一份行业调研报告，在几十个网页、论文和数据库之间反复切换，手动摘录、对比、整理，最后还要花数小时排版成文？Open Deep Research 的出现，旨在彻底解决这个问题。它是一个由 LangChain 团队推出的简单、可配置、完全开源的深度研究智能体，可以跨多个模型提供商、搜索工具和 MCP 服务器运行，帮助开发者自动完成从问题拆解、资料检索、信息压缩到最终报告撰写的全流程。本文将带你全面了解这个潜力新星。

截至收录：
Open Deep Research项目stars数：12682
Open Deep Research项目forks数：1837

Open Deep Research项目目录截图

Open Deep Research项目核心亮点

  • 🧠 多模型、多搜索工具自由组合：通过 init_chat_model() API 支持 OpenAI、Anthropic、OpenRouter、Ollama 等众多 LLM 提供商；默认使用 Tavily 搜索 API，同时兼容 Anthropic / OpenAI 原生 Web Search 与 MCP 协议，让你按需搭配自己的技术栈。
  • 📝 配置即用，灵活可控：在 configuration.py 中就能调整摘要模型、研究模型、压缩模型和最终报告模型等关键角色，还能在 LangGraph Studio UI 里直接切换配置，无需改动核心代码。
  • 📊 性能对标主流深度研究产品：在 Deep Research Bench 排行榜上以 0.4344 的 RACE 得分位列第 6，与许多流行的深度研究智能体表现相当；使用 GPT-5 作为研究模型时，得分进一步提升到 0.4943。
  • 🧩 完整的评估与部署链路：内置 LangSmith 评估脚本，可一键在 100 个博士级研究任务上跑分；支持 LangGraph Studio 本地调试、LangGraph Platform 托管部署，以及 Open Agent Platform 低代码配置。
  • 🏛️ 两套旧版实现可供学习：src/legacy/ 中保留了 “Plan-and-Execute” 工作流版和 “Supervisor-Researcher” 多智能体版，虽然性能不如当前版本，但为理解深度研究的不同架构思路提供了绝佳参考。

Open Deep Research项目快速开始

只需几步，你就能在本地运行起 Open Deep Research：

  1. 克隆仓库并创建虚拟环境：
    bash
    git clone https://github.com/langchain-ai/open_deep_research.git
    cd open_deep_research
    uv venv
    source .venv/bin/activate # Windows 使用 .venv\Scripts\activate
  2. 安装依赖：
    bash
    uv sync
    # 或者
    uv pip install -r pyproject.toml
  3. 配置环境变量：
    bash
    cp .env.example .env
    # 编辑 .env，按需填写模型 API Key、搜索工具等配置
  4. 启动 LangGraph 服务：
    bash
    uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking

启动后浏览器会自动打开 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 Docs: http://127.0.0.1:2024/docs

在 messages 输入框中提问并点击 Submit，就能看到智能体开始自动规划、检索、压缩并生成研究报告。

Open Deep Research项目应用场景

  • 场景一：行业调研与竞品分析：输入 “2025 年 AI Agent 在企业服务市场的竞争格局”，智能体会自动拆解子问题、调用搜索工具、汇总多源信息，输出带有引用来源的结构化报告。
  • 场景二：学术文献快速综述：研究人员可以用它完成初步的文献检索和摘要整理，把更多时间留给深度阅读与实验设计。
  • 场景三：企业内部知识问答与报告生成：结合 MCP 服务器接入内部数据库、文档库或业务 API，让 Deep Research 在私有数据上完成调研，避免敏感信息外泄。
  • 场景四：智能体开发教学与二次开发：LangChain 官方提供了免费课程和课程仓库，开发者可以基于 Open Deep Research 学习 LangGraph、多智能体协作、评估流水线等实战技能，并快速改造为自己的垂直领域研究助手。
  • 用户案例：作为 LangChain 官方开源项目，Open Deep Research 已被广泛用于 LangGraph Studio、Open Agent Platform 等生态演示中；社区开发者也在持续把它接入不同模型、搜索工具和 MCP 服务，探索深度研究的更多可能性。

Open Deep Research项目链接

langchain-ai / open_deep_research项目地址：https://github.com/langchain-ai/open_deep_research

本文地址：https://www.tgoos.com/46538

声明：本站资源均整理自互联网，版权归原作者所有，仅供学习交流使用，请勿直接商用，若需商用请购买正版授权。因违规使用产生的版权及法律责任由使用者自负。部分资源可能包含水印或引流信息，请自行甄别。若链接失效可联系站长尝试补链。若侵犯您的权益，请邮件（将 # 替换为 @）至 feedback#tgoos.com，我们将及时处理删除。转载请保留原文链接，感谢支持原创。