Open Deep Research

这是一个基于 AI 的研究助手，通过结合搜索引擎、网页抓取和大型语言模型（LLM），对任何主题进行迭代式的深度研究。

本项目的目标是提供一个深度研究智能体的极简实现，例如：一个能够随时间推移不断优化研究方向并深入挖掘主题的智能体。项目的目标是保持代码库的简洁。

流程图

graph TD
    Q[Research Question] --> DR[Deep Research]
    B[Breadth] --> DR
    D[Depth] --> DR

    DR --> SQ[SERP Queries]
    SQ --> PR[Process Results]

    subgraph Results[Results]
        direction TB
        NL((Learnings))
        ND((Directions))
    end

    PR --> NL
    PR --> ND

    DP{depth > 0?}

    RD["Next Direction:
    - Prior Goals
    - New Questions
    - Learnings"]

    MR[Markdown Report]

    %% Main Flow
    Q & B & D --> DR

    %% Results to Decision
    NL & ND --> DP

    %% Circular Flow
    DP -->|Yes| RD
    RD -->|New Context| DR

    %% Final Output
    DP -->|No| MR

    %% Styling
    classDef input fill:#7bed9f,stroke:#2ed573,color:black
    classDef process fill:#70a1ff,stroke:#1e90ff,color:black
    classDef recursive fill:#ffa502,stroke:#ff7f50,color:black
    classDef output fill:#ff4757,stroke:#ff6b81,color:black
    classDef results fill:#a8e6cf,stroke:#3b7a57,color:black

    class Q,B,D input
    class DR,SQ,PR process
    class DP,RD recursive
    class MR output
    class NL,ND results

功能特性

• 迭代式研究：通过迭代生成搜索查询、处理结果并根据发现深入挖掘，从而进行深度研究。
• 智能查询生成：利用 LLM 根据研究目标和先前发现生成针对性的搜索查询。
• 深度与广度控制：提供可配置参数，以控制研究的广度（breadth）和深度（depth）。
• 智能追问：生成后续问题，以更好地理解研究需求。
• 综合报告：生成包含研究发现和来源的详细 Markdown 报告。
• 并发处理：并行处理多个搜索和结果分析，提高执行效率。

系统要求

• Node.js 环境
• API Key：
  • Firecrawl API（用于网页搜索和内容提取）
  • OpenAI API（用于 o3 mini 模型）

安装与配置

Node.js

1. 克隆仓库
2. 安装依赖：

npm install

3. 在 .env.local 文件中设置环境变量：

FIRECRAWL_KEY="your_firecrawl_key"
# 如果你想使用自托管的 Firecrawl，请添加以下内容：
# FIRECRAWL_BASE_URL="http://localhost:3002"

OPENAI_KEY="your_openai_key"

若要使用本地 LLM，请注释掉 OPENAI_KEY，改为取消注释 OPENAI_ENDPOINT 和 OPENAI_MODEL：

• 将 OPENAI_ENDPOINT 设置为你的本地服务器地址（例如 "http://localhost:1234/v1"）
• 将 OPENAI_MODEL 设置为本地服务器中加载的模型名称。

Docker

1. 克隆仓库

2. 将 .env.example 重命名为 .env.local 并配置你的 API Key。

3. 构建 Docker 镜像：

docker build -f Dockerfile -t deep-research .

4. 运行 Docker 容器：

docker compose up -d

5. 在容器中执行 npm run docker：

docker exec -it deep-research npm run docker

使用方法

启动研究助手：

npm start

你将被提示：

1. 输入研究主题
2. 指定研究广度（建议值：3-10，默认值：4）
3. 指定研究深度（建议值：1-5，默认值：2）
4. 回答后续问题以细化研究方向

系统随后将：

1. 生成并执行搜索查询
2. 处理并分析搜索结果
3. 根据发现的内容进行递归式的深度探索
4. 生成一份综合的 Markdown 报告

最终报告将保存为工作目录下的 report.md 或 answer.md（取决于你选择的模式）。

并发处理

如果你有 Firecrawl 的付费版本或本地版本，可以通过设置 CONCURRENCY_LIMIT 环境变量来增加并发限制，从而加快运行速度。

如果你使用的是免费版，有时可能会遇到速率限制错误，此时你可以将该限制调低至 1（但运行速度会变慢）。

DeepSeek R1

深度研究在 R1 模型上表现出色！我们使用 Fireworks 作为 R1 模型的主要供应商。要使用 R1，只需设置一个 Fireworks API Key：

FIREWORKS_KEY="api_key"

当检测到该 Key 时，系统将自动切换为使用 R1 而非 o3-mini。

自定义端点与模型

另有两个可选的环境变量，允许你调整端点（适用于 OpenRouter 或 Gemini 等其他兼容 OpenAI 的 API）以及自定义模型名称：

OPENAI_ENDPOINT="custom_endpoint"
CUSTOM_MODEL="custom_model"

工作原理

1. 初始设置

   • 接收用户查询及研究参数（广度与深度）
   • 生成后续问题以更好地理解研究需求

2. 深度研究过程

   • 根据研究目标生成多个 SERP 查询
   • 处理搜索结果以提取关键见解
   • 生成后续研究方向