langchain-ai/open_deep_research

来源：https://github.com/langchain-ai/open_deep_research

🔬 Open Deep Research

深度研究已成为最热门的智能体应用之一。这是一个简单、可配置、完全开源且支持跨多个模型提供商、搜索工具和MCP服务器的深度研究智能体。其性能与许多流行的深度研究智能体相当（请参阅深度研究排行榜（https://huggingface.co/spaces/Ayanami0730/DeepResearch-Leaderboard））。

🔥 近期更新

2025年8月14日：请在此查看我们关于构建开放深度研究的免费课程（https://academy.langchain.com/courses/deep-research-with-langgraph）（以及课程仓库（https://github.com/langchain-ai/deep_research_from_scratch））。

2025年8月7日：新增GPT-5并更新了深度研究基准评估结果（含GPT-5）。

2025年8月2日：在深度研究排行榜（https://huggingface.co/spaces/Ayanami0730/DeepResearch-Leaderboard）上取得第6名，总分为0.4344。

2025年7月30日：阅读我们博客文章（https://rlancemartin.github.io/2025/07/30/bitter_lesson/）中从原始实现到当前版本的演变过程。

2025年7月16日：阅读我们的博客（https://blog.langchain.com/open-deep-research/）并观看视频（https://www.youtube.com/watch?v=agGiWUpxkhg）获取快速概览。

🚀 快速开始

1. 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  # Windows上: .venv\Scripts\activate
   

2. 安装依赖：

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

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

   cp .env.example .env
   

4. 在本地使用LangGraph服务器启动智能体：

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

   这将在浏览器中打开LangGraph Studio界面。

   - 🚀 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 输入字段中提问，然后点击 Submit。在“管理助手”选项卡中选择不同的配置。

⚙️ 配置

大语言模型 :brain:

Open Deep Research 通过 init_chat_model() API（https://python.langchain.com/docs/how_to/chat_models_universal_init/）支持多种大语言模型提供商。它使用大语言模型完成几种不同任务。有关更多详情，请参阅 configuration.py（https://github.com/langchain-ai/open_deep_research/blob/main/src/open_deep_research/configuration.py）文件中的以下模型字段。可通过LangGraph Studio UI访问这些设置。

• 总结（默认：openai:gpt-4.1-mini）：总结搜索API结果
• 研究（默认：openai:gpt-4.1）：驱动搜索智能体
• 压缩（默认：openai:gpt-4.1）：压缩研究发现
• 最终报告模型（默认：openai:gpt-4.1）：撰写最终报告

注意：所选模型需要支持结构化输出（https://python.langchain.com/docs/integrations/chat/）和工具调用（https://python.langchain.com/docs/how_to/tool_calling/）。 注意：对于OpenRouter：请遵循此指南（https://github.com/langchain-ai/open_deep_research/issues/75#issuecomment-2811472408）；对于通过Ollama使用的本地模型，请参阅设置说明（https://github.com/langchain-ai/open_deep_research/issues/65#issuecomment-2743586318）。

搜索API :mag:

Open Deep Research 支持多种搜索工具。默认使用 Tavily（https://www.tavily.com/）搜索API。完全支持MCP兼容性，并支持Anthropic和OpenAI的原生网络搜索。有关更多详情，请参阅 configuration.py（https://github.com/langchain-ai/open_deep_research/blob/main/src/open_deep_research/configuration.py）文件中的 search_api 和 mcp_config 字段。可通过LangGraph Studio UI访问这些设置。

其他

请参阅 configuration.py（https://github.com/langchain-ai/open_deep_research/blob/main/src/open_deep_research/configuration.py）中的字段，以了解自定义Open Deep Research行为的其他各种设置。

📊 评估

Open Deep Research 已配置为使用 Deep Research Bench（https://huggingface.co/spaces/Ayanami0730/DeepResearch-Leaderboard）进行评估。该基准包含100项博士级别的研究任务（50英文，50中文），由领域专家跨越22个领域（例如科学与技术、商业与金融）精心设计，以反映现实世界中的深度研究需求。它有两个评估指标，但排行榜基于 RACE 分数。该指标使用大模型作为评判（Gemini），根据专家编译的一组黄金标准报告在多个指标上评估研究报告。

使用方法

警告：运行全部100个示例的成本大约为20到100美元，具体取决于模型选择。该数据集可通过此链接（https://smith.langchain.com/public/c5e7a6ad-fdba-478c-88e6-3a388459ce8b/d）在LangSmith上获取。

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

这将提供一个指向LangSmith实验的链接，实验名称将为 YOUR_EXPERIMENT_NAME。完成后，将结果提取为一个可以提交到 Deep Research Bench 的 JSONL 文件。

python tests/extract_langsmith_data.py --project-name "YOUR_EXPERIMENT_NAME" --model-name "your-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 仓库的本地副本，并按照其快速入门指南（https://github.com/Ayanami0730/deep_research_bench?tab=readme-ov-file#quick-start）提交评估。

结果

🚀 部署与使用

LangGraph Studio

按照快速开始在本地启动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平台（https://langchain-ai.github.io/langgraph/concepts/#deployment-options）。

开放智能体平台（OAP）

开放智能体平台（OAP）是一个UI界面，非技术用户可以通过它构建和配置自己的智能体。OAP非常适合让用户配置深度研究员，使用最适合其需求和问题的不同MCP工具和搜索API。我们已将Open Deep Research部署到我们的公开演示OAP实例中。您只需添加API密钥，即可亲自测试深度研究员！在此尝试（https://oap.langchain.com）。

您也可以部署自己的OAP实例，并将您自己的自定义智能体（如深度研究员）提供给您自己的用户。

1. 部署开放智能体平台（https://docs.oap.langchain.com/quickstart）
2. 将深度研究员添加到OAP（https://docs.oap.langchain.com/setup/agents）

遗留实现 🏛️

src/legacy/ 文件夹包含两个早期的实现，它们提供了自动研究的替代方法。它们的性能不如当前实现，但提供了不同的思路，有助于理解深度研究的不同方法。

1. 工作流实现 (legacy/graph.py)

• 规划与执行：带有“人在环”规划的结构化工作流
• 顺序处理：逐个创建章节，并带有反思
• 交互控制：允许对报告计划进行反馈和批准
• 质量导向：通过迭代优化强调准确性

2. 多智能体实现 (legacy/multi_agent.py)

• 监督者-研究员架构：协调的多智能体系统
• 并行处理：多个研究员同时工作
• 速度优化：通过并发加速报告生成
• MCP支持：广泛的模型上下文协议集成