Open Deep Research MCP Server

一个 AI 驱动的研究助手，可以对任何主题进行深入、迭代的研究。它结合了搜索引擎、网络爬取和 AI，以深入探索主题并生成全面的报告。可以作为模型上下文协议 (MCP) 工具或独立的 CLI 使用。查看 exampleout.md 以了解报告的示例。

快速开始

1. 克隆并安装：

git clone https://github.com/Ozamatash/deep-research
cd deep-research
npm install

2. 在 .env.local 中设置环境：

# 复制示例环境文件
cp .env.example .env.local

3. 构建：

# 构建服务器
npm run build

4. 运行 CLI 版本：

npm run start "你的研究查询内容"

5. 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

特性

• 通过生成有针对性的搜索查询来进行深入、迭代的研究
• 使用深度（深度）和广度（宽度）参数控制研究范围
• 通过详细的评分 (0-1) 和推理来评估来源可靠性
• 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
• 生成包含发现、来源和可靠性评估的详细 Markdown 报告
• 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

工作原理

flowchart TB
    subgraph Input
        Q[用户查询]
        B[广度参数]
        D[深度参数]
        FQ[反馈问题]
    end

    subgraph Research[深度研究]
        direction TB
        SQ[生成 SERP 查询]
        SR[搜索]
        RE[来源可靠性评估]
        PR[处理结果]
    end

    subgraph Results[研究输出]
        direction TB
        L((学习内容与
        可靠性评分))
        SM((来源元数据))
        ND((下一步方向：
        优先目标，
        新问题))
    end

    %% Main Flow
    Q & FQ --> CQ[组合查询]
    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 报告]

    %% 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 Firecrawl（免费选项）

您可以运行本地实例，而不是使用 Firecrawl API。您可以使用官方存储库或我的分支，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
# 按照 localfirecrawl README 中的设置

2. 更新 .env.local：

FIRECRAWL_BASE_URL="http://localhost:3002"

可选：可观测性

添加可观测性以使用 Langfuse 跟踪研究流程、查询和结果：

# 添加到 .env.local
LANGFUSE_PUBLIC_KEY="你的_langfuse_public_key"
LANGFUSE_SECRET_KEY="你的_langfuse_secret_key"

如果未提供 Langfuse 密钥，该应用程序可以正常工作，而无需可观测性。

许可证

MIT 许可证