AI导哈

深度研究助手

一个AI驱动的深度研究助手，通过结合搜索引擎、网络爬虫和AI技术，对任何主题进行深入迭代研究并生成全面报告。

  • by teelaitila
  • TypeScript
  • 本地部署
  • 324 星标
  • 更新于
在 GitHub 查看 Ozamatash/deep-research-mcp

使用说明

免责声明

This repo is an experiment on agent coding. 95% of the code is written by LLM's

开放式深度研究MCP服务器

一个由人工智能驱动的研究助理，可以对任何主题进行深入的迭代研究。它结合了搜索引擎、网络抓取和人工智能，深入探索主题并生成全面的报告。可作为模型上下文协议（MCP）工具或独立CLI使用。查看exampleout.md，了解报告可能的样子。

快速开始

  1. 克隆并安装：
git clone https://github.com/Ozamatash/deep-research
cd deep-research
npm install
  1. 设置环境 .env.local:
# Copy the example environment file
cp .env.example .env.local
  1. 构建：
# Build the server
npm run build
  1. 运行cli版本：
npm run start
  1. 使用Claude Desktop测试MCP服务器：
    按照服务器快速入门底部的指南将服务器添加到Claude Desktop：
    https://modelcontextprotocol.io/quickstart/server

对于远程服务器：流式HTTP

npm run start:http

服务器在上运行 http://localhost:3000/mcp 没有会话管理。

特性

  • 通过生成有针对性的搜索查询来执行深入的迭代研究
  • 通过深度（多深）和广度（多宽）参数控制研究范围
  • 通过详细评分（0-1）和推理来评估源可靠性
  • 优先考虑高可靠性来源（≥0.7），并验证不太可靠的信息
  • 生成后续问题，以更好地了解研究需求
  • 生成详细的降价报告，包括调查结果、来源和可靠性评估
  • 可作为AI代理的模型上下文协议（MCP）工具
  • 目前，MCP版本不询问后续问题
  • 自然语言源偏好（避免列表、论坛、联盟评论、特定域名）

模型选择（OpenAI、Anthropic、谷歌、xAI）

每次运行选择一个提供商和型号。

  • CLI：系统将提示您输入提供者和型号。例子： openai + gpt-5.2.
  • MCP/HTTP：通过 model例如。 openai:gpt-5.2 （也接受 openai/gpt-5.2).

在中设置相应的API密钥 .env.local:

OPENAI_API_KEY=...
ANTHROPIC_API_KEY=...
GOOGLE_API_KEY=...
XAI_API_KEY=...

可选择为每个提供程序设置默认模型：

OPENAI_MODEL=gpt-5.2
ANTHROPIC_MODEL=claude-opus-4-5
GOOGLE_MODEL=gemini-3-pro-preview
XAI_MODEL=grok-4-1-fast-reasoning

如果使用非默认OpenAI端点：

OPENAI_ENDPOINT=https://api.openai.com/v1

运作原理

flowchart TB
    subgraph Input
        Q[User Query]
        B[Breadth Parameter]
        D[Depth Parameter]
        FQ[Feedback Questions]
    end

    subgraph Research[Deep Research]
        direction TB
        SQ[Generate SERP Queries]
        SR[Search]
        RE[Source Reliability Evaluation]
        PR[Process Results]
    end

    subgraph Results[Research Output]
        direction TB
        L((Learnings with
        Reliability Scores))
        SM((Source Metadata))
        ND((Next Directions:
        Prior Goals,
        New Questions))
    end

    %% Main Flow
    Q & FQ --> CQ[Combined Query]
    CQ & B & D --> SQ
    SQ --> SR
    SR --> RE
    RE --> PR

    %% Results Flow
    PR --> L
    PR --> SM
    PR --> ND

    %% Depth Decision and Recursion
    L & ND --> DP{depth > 0?}
    DP -->|Yes| SQ
    
    %% Final Output
    DP -->|No| MR[Markdown Report]

    %% Styling
    classDef input fill:#7bed9f,stroke:#2ed573,color:black
    classDef process fill:#70a1ff,stroke:#1e90ff,color:black
    classDef output fill:#ff4757,stroke:#ff6b81,color:black
    classDef results fill:#a8e6cf,stroke:#3b7a57,color:black,width:150px,height:150px

    class Q,B,D,FQ input
    class SQ,SR,RE,PR process
    class MR output
    class L,SM,ND results

高级设置

使用本地防火墙（免费选项）

您可以运行本地实例，而不是使用Firecrawl API。您可以使用官方仓库或我的fork，它使用searXNG作为搜索后端，以避免使用searchapi密钥：

  1. 设置本地Firecrawl：
git clone https://github.com/Ozamatash/localfirecrawl
cd localfirecrawl
# Follow setup in localfirecrawl README
  1. 更新 .env.local:
FIRECRAWL_BASE_URL="http://localhost:3002"

可选：可观察性

使用Langfuse添加可观察性来跟踪研究流程、查询和结果：

# Add to .env.local
LANGFUSE_PUBLIC_KEY="your_langfuse_public_key"
LANGFUSE_SECRET_KEY="your_langfuse_secret_key"

如果没有提供Langfuse密钥，该应用程序可以正常工作，没有可观察性。

许可证

MIT许可证

相关 MCP