opendeepresearch

基于 LangGraph 构建的开源深度研究 agent，支持多种 LLM 提供商（GPT-5、Claude 等）和搜索 API（Tavily、MCP），可自动生成多轮报告。在 Deep Research Bench 上取得 6 排名（RACE 0.4344），性能接近闭源方案，且完全开源、可配置，适合需要定制化 deep research 管线的开发者。

README

🔬 Open Deep Research

Deep research（深度研究）已成为最流行的 agent（智能体）应用之一。这是一个简单、可配置、完全开源的深度研究智能体，支持多种模型提供商、搜索工具和 MCP 服务器。其性能与许多流行的深度研究智能体相当（见 Deep Research Bench 排行榜）。

🔥 近期更新

2025年8月14日：查看我们关于构建开放深度研究的免费课程此处（以及课程仓库此处）。

2025年8月7日：添加了 GPT-5 并更新了 Deep Research Bench 评估结果（含 GPT-5）。

2025年8月2日：以总分 0.4344 在 Deep Research Bench 排行榜上取得第 6 名。

2025年7月30日：在我们的博客文章中了解从原始实现到当前版本的发展历程。

2025年7月16日：更多信息请阅读我们的博客并观看视频快速了解。

🚀 快速开始

克隆仓库并激活虚拟环境：

git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate  # Windows 系统: .venv\Scripts\activate

安装依赖：

uv sync
# 或
uv pip install -r pyproject.toml

设置 .env 文件以自定义环境变量（用于模型选择、搜索工具和其他配置）：

cp .env.example .env

在本地启动 LangGraph 服务器：

# 安装依赖并启动 LangGraph 服务器
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking

这将在浏览器中打开 LangGraph Studio 用户界面。

- 🚀 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

在 messages 输入字段中提问，然后点击 Submit。在 "Manage Assistants" 选项卡中选择不同的配置。

⚙️ 配置

LLM :brain:

Open Deep Research 通过 init_chat_model() API 支持多种 LLM 提供商。它将 LLM 用于几种不同任务。有关详细信息，请参见 configuration.py 文件中的模型字段。这些可通过 LangGraph Studio UI 访问。

摘要模型（默认：openai:gpt-4.1-mini）：汇总搜索 API 结果
研究模型（默认：openai:gpt-4.1）：驱动搜索智能体
压缩模型（默认：openai:gpt-4.1）：压缩研究发现
最终报告模型（默认：openai:gpt-4.1）：撰写最终报告

注意：所选模型需要支持结构输出和工具调用。

注意：对于 OpenRouter：请遵循此指南；对于通过 Ollama 使用的本地模型，请参阅设置说明。

搜索 API :mag:

Open Deep Research 支持多种搜索工具。默认使用 Tavily 搜索 API。具有完整的 MCP 兼容性，并为 Anthropic 和 OpenAI 提供原生网络搜索支持。有关详细信息，请参见 configuration.py 文件中的 search_api 和 mcp_config 字段。这些可通过 LangGraph Studio UI 访问。

其他

有关自定义 Open Deep Research 行为的其他设置，请参见 configuration.py 中的字段。

📊 评估

Open Deep Research 配置了与 Deep Research Bench 兼容的评估方式。该基准包含 100 个博士级研究任务（50 个英文，50 个中文），由 22 个领域（如科学与技术、商业与金融）的专家精心设计，以反映真实世界的深度研究需求。它有两个评估指标，但排行榜基于 RACE 评分。它使用 LLM-as-a-judge（Gemini）根据一组由专家在一系列指标下汇编的黄金报告来评估研究报告。

使用方法

警告：运行全部 100 个示例的成本约为 $20-$100，取决于模型选择。

数据集可通过此链接在 LangSmith 上获取。要启动评估，请运行以下命令：

# 在 LangSmith 数据集上运行全面评估
python tests/run_evaluate.py

这将提供一个 LangSmith 实验的链接，实验名称为 YOUR_EXPERIMENT_NAME。完成后，将结果提取为 JSONL 文件，以便提交到 Deep Research Bench。

python tests/extract_langsmith_data.py --project-name "YOUR_EXPERIMENT_NAME" --model-name "you-model-name" --dataset-name "deep_research_bench"

这将创建格式正确的 tests/expt_results/deep_research_bench_model-name.jsonl 文件。将生成的 JSONL 文件移动到 Deep Research Bench 仓库的本地克隆中，并按照其快速开始指南提交评估。

结果

名称	提交	摘要模型	研究模型	压缩模型	总成本	总 Token 数	RACE 分数	实验
GPT-5	ca3951d	openai:gpt-4.1-mini	openai:gpt-5	openai:gpt-4.1		204,640,896	0.4943	链接
默认配置	6532a41	openai:gpt-4.1-mini	openai:gpt-4.1	openai:gpt-4.1	$45.98	58,015,332	0.4309	链接
Claude Sonnet 4	f877ea9	openai:gpt-4.1-mini	anthropic:claude-sonnet-4-20250514	openai:gpt-4.1	$187.09	138,917,050	0.4401	链接
Deep Research Bench 提交	c0a160b	openai:gpt-4.1-nano	openai:gpt-4.1	openai:gpt-4.1	$87.83	207,005,549	0.4344	链接

🚀 部署与使用

LangGraph Studio

按照快速开始在本地启动 LangGraph 服务器，并在 LangGraph Studio 上测试智能体。

托管部署

你可以轻松部署到 LangGraph Platform。

Open Agent Platform

Open Agent Platform（OAP）是一个用户界面，非技术用户可以在此构建和配置自己的智能体。OAP 非常适合让用户使用最适合他们需求和他们想要解决的问题的不同 MCP 工具和搜索 API 来配置 Deep Researcher。

我们已经将 Open Deep Research 部署到我们的 OAP 公共演示实例中。你只需添加 API 密钥，即可自行测试 Deep Researcher！此处尝试。

你也可以部署自己的 OAP 实例，并将自己的自定义智能体（如 Deep Researcher）提供给用户。

旧版实现 🏛️

src/legacy/ 文件夹包含两个早期实现，提供了自动化研究的替代方法。它们的性能不如当前实现，但提供了理解不同深度研究方法的不同思路。

1. 工作流实现 (`legacy/graph.py`)

规划-执行（Plan-and-Execute）：结构化工作流，带有人机协作的规划环节
顺序处理：逐个创建章节，并带有反思
交互控制：允许对报告计划提供反馈和批准
质量导向：通过迭代优化强调准确性

2. 多智能体实现 (`legacy/multi_agent.py`)

监督者-研究者架构：协调的多智能体系统
并行处理：多个研究者同时工作
速度优化：通过并发实现更快的报告生成
MCP 支持：广泛的模型上下文协议集成

开源项目langchain-ai2026-07-21原文

打开互动版

opendeepresearch

README