📌 项目地址：langchain-ai/open_deep_research | ⭐ 12,158 颗星 | 🔧 Python | 📜 未标注
它解决什么问题
传统上，要完成一项深度研究任务——比如“分析2025年全球AI监管政策趋势”——你需要手动打开多个搜索引擎、筛选网页、记录关键信息，再整理成长文报告。这个过程重复、耗时，且容易遗漏重要来源。Open Deep Research 是一个基于 LangGraph 构建的开源 Agent，它能自动执行多轮搜索、阅读、推理，最终输出带引用的详细报告。和 OpenAI 的 Deep Research 或 Google 的类似的工具不同，这个项目完全开源，并且允许你自由选择背后的语言模型（LLM）、搜索工具（如 Tavily、Bing、Wikipedia 等）以及 MCP 服务器（Model Context Protocol），从而在成本、性能和隐私之间找到平衡。
快速上手：从克隆到提问
项目依赖 uv（一个快速的 Python 包管理器）和 Python 3.11+。按照 README 的 Quickstart 操作即可：
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate # Windows: .venvScriptsactivate
uv sync # 安装所有依赖
接着复制环境变量模板并修改：
cp .env.example .env
在 .env 中你需要填入至少一个 LLM 的 API key（例如 OPENAI_API_KEY）和搜索工具的 API key（例如 TAVILY_API_KEY，如果使用 Tavily）。具体支持的模型和搜索工具请参考 .env.example 中的注释。
启动 LangGraph 服务器（本地运行）：
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
这条命令会自动安装 langgraph-cli，并在本地启动 Web 服务。终端会输出三个地址：
- 🚀 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
打开 Studio UI，在 messages 输入框中填入你的研究问题（例如“对比 LangChain 和 LlamaIndex 的架构设计”），点击 Submit。Agent 会开始搜索、总结、再搜索、再总结的迭代过程，最终输出一份结构化的研究报告。你还可以在“Manage Assistants”面板切换不同的配置模板（选择不同的 LLM、搜索工具等）。
核心配置：模型与搜索工具均可替换
Agent 内部使用两个不同的 LLM 模型：
- Summarization（默认
openai:gpt-4.1-mini）：负责将搜索 API 返回的原始结果压缩成简洁的摘要。 - Research（默认
openai:gpt-4.1）：负责驱动推理、决策下一步搜索和最终生成报告。
这两个模型均通过 LangChain 的 init_chat_model() 通用 API 来初始化，因此支持 OpenAI、Anthropic、Google、Ollama 等几十种 provider。你可以在 configuration.py 中找到对应的字段，并通过 Studio UI 的配置面板或直接修改 .env 来切换。例如，将 Research 模型改为 anthropic:claude-sonnet-4-20250224，只需在 .env 中设置 RESEARCH_MODEL=anthropic:claude-sonnet-4-20250224（具体变量名请查看 src/open_deep_research/configuration.py）。
搜索工具同样可配置。项目默认支持 Tavily（一个专为 AI Agent 优化的搜索 API），但你可以通过 MCP 服务器集成自己的搜索服务（例如 Bing、NewsAPI、甚至内部文档检索）。MCP（Model Context Protocol）是 Anthropic 提出的一种开放协议，允许 Agent 连接任意外部工具。这意味着你不仅限于搜索，还可以让 Agent 调用其他 MCP 工具，比如数据库查询、代码执行等。
性能：已在公开基准上验证
截至 2025 年 8 月 2 日，Open Deep Research 在 Deep Research Bench Leaderboard 上取得了 0.4344 的总分，排名第 6。该基准测试覆盖了多种需多步推理和信息合成的研究问题，与 GPT-5（2025 年 8 月新加入）、Claude、Gemini 等主流模型/Agent 进行对比。Open Deep Research 的核心优势在于可配置性：你可以根据任务难度和预算，更换成本更低的模型（如 GPT-4o-mini 甚至本地运行的 Llama），而不会损失太多精度。官方博客（见这里）还分享了从早期实现演进到当前版本的经验教训，称“简单的架构配合可替换的基础组件”带来的收益远大于复杂的提示工程。
注意事项
- 依赖第三方 API：项目本身不包含模型推理或搜索能力，需要你申请并使用各自的 API key。每个搜索调用和 LLM 推理都会产生费用（除非你使用本地模型和自己爬取的搜索索引）。请根据你的使用量评估成本。
uv环境要求：README 推荐使用uv管理虚拟环境和依赖，如果你想用pip，可以手动创建venv后执行pip install -r pyproject.toml（但pyproject.toml中没有写死 requirements，实际依赖在[project.dependencies]中，需要pip install .或pip install -e .）。- LangGraph 版本：项目基于 LangGraph 的 in-memory 模式运行，所有状态保存在内存中，重启后丢失。生产部署可参考 LangGraph 的持久化方案（但本文不展开）。
- 许可证：README 未明确列出许可证，通常 LangChain 项目使用 MIT 或 Apache 2.0，请以仓库内的
LICENSE文件为准。 - 局限：尽管基准排名不错，但深度研究 Agent 仍然可能生成不准确的引用或遗漏关键信息，尤其当搜索被限制或模型产生幻觉时。建议对结果进行人工复核。
与同类工具的区别
市面上已有多种深度研究工具，例如 OpenAI Deep Research（闭源、高成本、仅限 GPT-4）、Hugging Face 的 Agent 库或 AutoGPT 类应用。Open Deep Research 的核心差异点在于：
- 模型无关：不锁定任何单一 LLM 供应商，可以混合使用低成本模型做摘要、高性能模型做推理。
- 工具可插拔：通过 MCP 接入多种搜索源或自定义工具，而非局限于固定 API。
- 完全开源：你可以审计整个 Agent 的逻辑，修改搜索策略、提示词甚至 Agent 的决策流程。
- 与 LangChain 生态集成：如果你已经在使用 LangChain / LangGraph 构建 Agent，可以很容易的将此项目作为子 Agent 或组件嵌入到更大的系统中。
如果你需要高度定制、希望掌控每一分钱和每一次搜索的来源，Open Deep Research 是目前最透明的选择。如果你更看重即开即用且愿意付费，商业产品可能更省心。