Open Deep Research

这是一个由 AI 驱动的研究助手，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。

本项目旨在提供一个深度研究智能体的最简实现——即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。我们的目标是保持代码库的小巧精简。

graph TD
    Q[Research Query] --> DR[Deep Research Agent]
    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、处理结果并根据研究发现深入探索，实现深度研究。
• 智能查询生成：利用 LLM 根据研究目标和以往发现生成针对性的搜索查询。
• 广度与深度控制：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，以便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：高效处理多个搜索任务和结果解析。

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（推荐使用 o3-mini 模型）

安装与部署

Node.js 环境

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，请添加下方配置：
# FIRECRAWL_BASE_URL="http://localhost:3002"

OPENAI_KEY="your_openai_key"

如需使用本地 LLM，请注释掉 OPENAI_KEY，并取消对 OPENAI_ENDPOINT 和 OPENAI_MODEL 的注释：

• 将 OPENAI_ENDPOINT 设置为本地服务器地址（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 并设置 API Key
3. 构建 Docker 镜像： docker build -f Dockerfile
4. 运行 Docker 容器：

docker compose up -d

5. 在容器内执行 npm run docker：

docker exec -it deep-research npm run docker

使用方法

运行研究助手：

npm start

系统将提示你：

1. 输入你的研究主题
2. 指定研究广度（建议：3-10，默认：4）
3. 指定研究深度（建议：1-5，默认：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深入探索
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，具体取决于你选择的模式。

并发控制

如果你拥有付费版 Firecrawl 或自托管版本，可以通过设置 CONCURRENCY_LIMIT 环境变量来提高并发限制，从而加快运行速度。

如果你使用的是免费版，可能会遇到速率限制错误，此时可以将限制减小为 1（但这会显著降低速度）。

DeepSeek R1

深度研究在 R1 模型上表现出色！我们使用 Fireworks 作为 R1 模型的主要提供商。要使用 R1，只需设置 Fireworks API Key：

FIREWORKS_KEY="api_key"

系统检测到该 Key 后，将自动切换为使用 R1 而非 o3-mini。

自定义 Endpoint 和模型

此外还有两个可选的环境变量，用于调整 Endpoint（支持其他兼容 OpenAI 的 API，如 OpenRouter 或 Gemini）以及模型名称：

OPENAI_ENDPOINT="custom_endpoint"
CUSTOM_MODEL="custom_model"

工作原理

1. 初始设置

   • 接收用户查询和研究参数（广度与深度）
   • 生成后续问题，以更深入地了解研究需求

2. 深度研究过程

   • 根据研究目标生成多个 SERP 查询
   • 处理搜索结果并提取关键信息
   • 根据初步发现递归生成后续研究方向