open deep research相关项目学习

说明

• 本文学自赋范社区，仅供学习和交流！

参考资料

• DeepResearch应用开发实战
• open_deep_research

源码地址

• 项目源码

open deep researcher简介

• open_deep_researcher是LangChain AI团队开源的一个深度研究代理项目，其功能和目标是复现并拓展Deep Research能力，让开发者无需付费即可使用AI自动化完成深入的信息调研和报告撰写。用户只需提供一个研究主题或问题，代理就会自动生成搜索查询，抓取和总结网页内容，反思是否有知识缺口并继续检索，最终整理输出一份结构清晰的Markdown报告。
• 深度研究不仅返回信息，还会自主完成信息筛选和整合。传统搜索需要用户自己点开筛选内容，普通的AI问答则容易产生未经验证的答案；而深度研究代理能够多轮迭代，在发现知识空白时自动调整方向，持续检索直到形成全面理解。最终输出的报告通常包含分层次结构的内容、事实支撑的分析以及明确引用来源，可视作一个专业研究员整理的成果而非简单搜索结果。

两种实现架构

• open deep researcher项目提供了两种不同的实现架构：基于工作流的有向图（Graph）实现和多智能体（Multi-agent）实现。这两种实现各有侧重，分别对应不同的应用场景和需求。

有向图架构

• Graph工作流模式采用规划—执行的顺序流程，将深度研究任务划分为固定阶段依次完成。首先使用“规划”大模型分析主题，生成报告的大纲和计划，然后经过人工反馈确认计划，接下来对每个章节依次进行检索和写作，每一章节都包含搜索—总结—反思的循环，确保信息充分，最后整合各章节内容并生成完整报告。
  

多智能体架构

• Mulit-Agent架构下，open deep researcher采用监督者-研究员的多智能体协作机制，以提高调研效率。该模式的流程：由一个监督Agent（Supervisor）负责总体规划和协调，多个研究Agent（Researcher）并行执行各章节的搜索与写作。
• 具体而言，监督Agent首先根据用户主题拟定报告的大致章节计划，分配若干研究Agent分别处理不同的章节任务。各研究Agent接收到自己负责的章节后，并行地生成该章节的搜索查询，利用搜索工具检索资料，整理后撰写章节内容。
• 所有章节同时开展研究，大大减少了总的报告生成时间。监督Agent在此过程中还可以提问澄清用户需求（如果启用的话），确保理解准确，然后在研究Agent完成各自章节后，监督Agent负责最后汇总各章节并撰写引言结论，组成完整报告。
• LangGraph的引入让open deep researcher易于部署和集成。例如项目的.env 配置会被 LangGraph 自动加载，使模型API Key、搜索API Key 等环境参数统一管理。
• open deep researcher借助LangGraph实现了复杂代理流程的标准化和模块化，开发者在此之上可以更高效地定制和扩展深度研究Agent的能力。
• 部署open deep researcher十分简便，可以通过源码或PyPI包两种方式安装。这里采用源码安装。

1. 打开项目主页open_deep_research，进行源码下载，并进入项目目录创建并激活虚拟环境。

   cd open_deep_research
   uv venv
   source .venv/bin/activate 
   

2. 安装项目依赖

   pip install -e .
   

3. .env文件，需要准备API密钥，核心是两个配置：LLM模型接口和搜索工具接口。使用的大模型是DeepSeek，搜索工具是Tavily。其中Tavily的Web搜索API会作为信息检索工具。注册地址：https://www.tavily.com/ 。还有langSmith等配置信息，用于追踪和分析代理的执行过程。

DEEPSEEK_API_KEY=sk-xx

TAVILY_API_KEY=tvly-xxx

SUPERVISOR_MODEL=deepseek:deepseek-chat
RESEARCHER_MODEL=deepseek:deepseek-chat

PLANNER_PROVIDER=deepseek
PLANNER_MODEL=deepseek-chat
WRITER_PROVIDER=deepseek
WRITER_MODEL=deepseek-chat

LANGSMITH_TRACING=true
LANGSMITH_ENDPOINT=https://api.smith.langchain.com
LANGSMITH_API_KEY=lsv2_xxx
LANGSMITH_PROJECT=open_deep_research

4. 安装依赖

   pip install -e .
   

5. 安装LangGraph命令行工具

   pip install -U "langgraph-cli[inmem]"
   

6. 启动 LangGraph 开发服务器，当执行langgraph dev 后，会在本地开启一个 LangGraph Server（默认监听端口 2024）。命令行中会显示 API 接口地址和 Studio 界面URL。

   langgraph dev
   

7. open_deep_research：基于./src/open_deep_research/graph.py:graph
8. open_deep_research_multi_agent：基于./src/open_deep_research/multi_agent.py:graph
9. odr_workflow_v2：基于./src/open_deep_research/workflow/workflow.py:workflow

三种图类型

graph图

• 父图（外层）控制整体报告生成流程，子图（内层）负责具体的任务，即处理单个章节的深度研究。
• 主要适用的场景是自动化生成一份结构化、可信且可控的深度调研／分析报告。将“规划—检索—写作—自评—循环—总结”拆成原子节点，显式控制顺序与分支。非常适合一些需要深度调研的场景。比如市场、技术、政策的分析，需要多轮网络检索的报告等。
• 父层（外层）：
  • generate_report_plan：生成初始大纲（Sections）
  • human_feedback：人类审核或提出修改
  • build_section_with_web_research：对需要检索的 section 逐一并行写作
  • gather_completed_sections：汇总已完成的研究类 section 作为上下文
  • write_final_sections：写结论、摘要等无需检索的 section
  • compile_final_report：按最初规划顺序拼接全部 section
• 子图：
  • generate_queries：为单个 section 产出检索词
  • search_web：调用外部搜索 API 抓取资料
  • write_section：结合资料撰写并自评，失败则循环检索

multi_agent 图

• multi_agent架构的特点是一个双层智能体系统: 督导者（supervisor） + 多个研究者 。角色明确分工非常明确，由督导负责规划统筹，研究者负责具体执行。其中：

• Supervisor Workflow 控制全局：
  • supervisor - 由 LLM 判断是否调用工具。
  • supervisor_tools - 真正执行工具调用并根据结果：
    • 分发 Section 给 research_team 并行研究；
    • 或撰写 Introduction／Conclusion；
    • 或汇总 Final Report 并结束。
  • Conditional Edge supervisor_should_continue 决定退出或继续循环。
• research_team 子图负责单个章节：
  • research_agent 决定下一步是检索还是写作。
  • research_agent_tools 执行搜索或写入章节。
  • Conditional Edge research_agent_should_continue 决定重复检索-写作还是返回 Supervisor。

• 它解决的核心问题就是多章节、多人并行的调研工作，比如“围绕xx在xx领域的可行性，输出章节：技术现状、经济性分析、政策激励、案例研究、未来展望”等问题。

odr_workflow_v2

• odr_workflow_v2是一个带交互式澄清的工作流研究系统。根据配置决定是否先澄清需求。
• 该工作流解决的核心痛点是因需求不清导致反复返工、章节结构需人工把关、多章节检索写作效率低等情况，整体来看是一个 「澄清 → 规划 → 并行研究 → 自评迭代 → 汇编」 的自动化报告生成器，特别适合需要 前期澄清、用户审核、外部检索 的深度文档写作任务。