deep-research

详情介绍

Deep-Research是一个极简但功能强大的AI研究代理框架。它由开发者dzhng创建，核心设计理念是“轻量”与“透明”。整个项目的核心代码不到500行，这意味着它非常易于理解、修改和扩展，而不是一个黑盒般的复杂系统。它的工作方式模拟了人类进行深度研究的流程：根据你的初始问题，它会让大语言模型 brainstorm（头脑风暴）出几个最相关的搜索查询；然后，它会并行地执行这些搜索，并通过爬虫读取搜索结果中的网页内容；接着，它会将新获得的信息与已有的信息整合，再次让大语言模型判断：研究目标是否已经达成？是否需要生成新的、更深入的问题进行下一轮搜索？通过这样反复的“搜索-阅读-思考”循环，它不断挖掘信息的深度和广度，最终将所有发现整理成一份综合报告。

官网入口地址

Deep-Research作为一个开源项目，所有代码、文档和讨论都集中在GitHub上。

• 开源项目官网入口网址：https://github.com/dzhng/deep-research

下载地址

您可以直接从GitHub获取项目的源代码。

• 项目地址：https://github.com/dzhng/deep-research
  您可以通过git clone命令克隆仓库，或者直接从网页下载ZIP压缩包。

功能介绍

Deep-Research的功能围绕“自动化迭代研究”这一核心，具体模块如下：

• 智能研究导航：这是研究的起点。用户输入一个研究目标，系统会调用大语言模型，根据目标生成一组初始的搜索关键词。用户可以通过设置广度和深度两个关键参数来控制研究的规模：

  • 广度：决定了每一层研究生成多少个不同的搜索查询。广度越大，每轮覆盖的信息面越广。

  • 深度：决定了研究迭代的轮数。深度越大，研究可以层层递进，挖掘得越深入。

• 多源信息融合：为了获取信息，它支持通过Firecrawl这样的网页内容提取API来精准抓取网页的正文内容。同时，作为开源项目，它也提供了灵活性，允许开发者根据自己的需求，替换或自定义爬虫实例，比如适配不同的搜索API或内部文档库。

• 认知迭代引擎：这是Deep-Research的“大脑”循环。在每一轮研究中，它会：

  1. 生成查询：根据当前掌握的知识和研究目标，生成下一轮的搜索查询。

  2. 获取内容：执行搜索并抓取返回的网页内容。

  3. 分析总结：将新内容与已有知识一起发送给大语言模型，让模型总结新发现，并评估研究目标是否已经达成。

  4. 循环或终止：如果判断研究目标未达成，且未达到设定的深度，则带着新的认知进入下一轮迭代；否则，停止研究并进入报告生成阶段。

• 报告智能生成：迭代研究结束后，系统会将所有轮次收集到的信息汇总，调用大语言模型生成一份结构化的研究报告。报告格式为Markdown，包含关键发现摘要、详细的分析过程以及所有引用过的网页链接，方便用户溯源和验证。

• 多模型兼容：项目设计上不绑定特定的大语言模型。用户可以通过配置，接入OpenAI的GPT系列、DeepSeek R1或他任何支持相关接口的模型，根据成本、速度或效果进行选择。

应用场景

由于灵活和深入的研究能力，Deep-Research适用于多种需要高质量信息聚合的场景：

• 学术文献综述：快速了解一个新领域，自动搜索并总结数十篇相关论文的摘要、方法和结论，生成一份文献综述草稿。

• 市场分析与竞品调研：针对一个新产品概念，自动搜集市场报告、竞争对手信息、用户评价，形成一份包含SWOT分析的市场洞察报告。

• 技术预研与选型：当需要评估一项新技术（如向量数据库选型）时，让Deep-Research自动搜索对比文章、性能评测和社区反馈，辅助决策。

• 个人学习与知识扩展：对任何感兴趣的话题，比如“长寿饮食的科学发现”，投入一次研究，就能获得一份结构化的学习资料，附带大量可深入阅读的来源链接。

补充必要信息

• 开发团队：Deep-Research由个人开发者dzhng创建并维护，是一个典型的个人开源项目。

• 定价：项目本身是免费且开源的。但运行它需要满足两个产生费用的条件：

  1. 大语言模型API调用：你需要有自己的大模型API密钥（如OpenAI），调用API会产生相应的费用，费用取决于你研究的复杂程度和选择的模型。

  2. 网络爬虫服务：如果使用推荐的Firecrawl等服务进行网页抓取，该服务有免费额度或付费计划。

• 开源与定制：代码极简是一大优势，开发者可以轻松阅读源码，理解内部逻辑，并根据自己的特定需求进行修改和扩展，接入公司内部的搜索引擎或知识库。

deep-research常见问题