Open Deep Research: o assistente inteligente de código aberto da LangChain para pesquisa profunda

Introdução geral

O Open Deep Research é um assistente de pesquisa baseado na Web que gera relatórios de pesquisa abrangentes sobre qualquer tópico. O sistema usa um fluxo de trabalho de planejar e fazer que permite aos usuários planejar e revisar a estrutura do relatório antes de passar para a fase de pesquisa demorada. Os usuários podem escolher entre diferentes modelos de planejamento, APIs de pesquisa e modelos de redação, como Tavily, Perplexity, Anthropic e OpenAI, para atender às necessidades individuais. O Open Deep Research oferece suporte a várias iterações de reflexão e pesquisa para garantir a profundidade e a precisão do relatório. Os usuários podem implantar e usar a ferramenta rapidamente por meio de arquivos de configuração simples e operações de linha de comando.

Lista de funções

• Forneça um esboço da estrutura do relatório
• Configuração de modelos de planejamento (por exemplo, DeepSeek, modelos de inferência OpenAI, etc.)
• Feedback sobre os planos para cada seção do relatório e iteração até que os usuários estejam satisfeitos
• Configuração de APIs de pesquisa (por exemplo, Tavily, Perplexity) e número de pesquisas por iteração de estudo
• Definir a profundidade da pesquisa (número de iterações) para cada seção
• Modelos de redação personalizados (por exemplo, Anthropic)
• Executando o LangGraph Studio UI localmente
• Geração automática de relatórios de pesquisa estruturados
• Suporte a várias pesquisas e iterações reflexivas para melhorar a qualidade do relatório

Usando a Ajuda

Início rápido

1. Certifique-se de que a chave de API da ferramenta necessária tenha sido definida.
2. Selecione uma ferramenta de pesquisa na Web (o Tavily é usado por padrão):
   • API da Tavily
   • Perplexidade API
3. Selecione um modelo de escrita (Anthropic é usado por padrão) Claude 3,5 Soneto):
   • Antrópica
   • OpenAI
   • Groq
4. Selecione um modelo de planejamento (o OpenAI o3-mini é usado por padrão):
   • OpenAI
   • Groq

Uso

ambiente virtualizado

1. Crie um ambiente virtual:

   python -m venv open_deep_research
   source open_deep_research/bin/activate
   

2. Instalação:

   pip install open-deep-research
   

Usando o Jupyter Notebook em

1. Importar e compilar o gráfico:

   from langgraph.checkpoint.memory import MemorySaver
   from open_deep_research.graph import builder
   memory = MemorySaver()
   graph = builder.compile(checkpointer=memory)
   

2. Exibir gráfico:

   from IPython.display import Image, display
   display(Image(graph.get_graph(xray=1).draw_mermaid_png()))
   

3. Execute o gráfico:

   import uuid 
   thread = {"configurable": {"thread_id": str(uuid.uuid4()),
   "search_api": "tavily",
   "planner_provider": "openai",
   "planner_model": "o3-mini",
   "writer_provider": "anthropic",
   "writer_model": "claude-3-5-sonnet-latest",
   "max_search_depth": 1,
   }}
   topic = "Overview of the AI inference market with focus on Fireworks, Together.ai, Groq"
   async for event in graph.astream({"topic":topic,}, thread, stream_mode="updates"):
   print(event)
   print("\n")
   

4. Após gerar o plano de relatório, envie feedback para atualizar o plano de relatório:

   from langgraph.types import Command
   async for event in graph.astream(Command(resume="Include a revenue estimate (ARR) in the sections"), thread, stream_mode="updates"):
   print(event)
   print("\n")
   

5. Enviado quando estiver satisfeito com o esquema de relatóriosTruepara gerar relatórios:

   async for event in graph.astream(Command(resume=True), thread, stream_mode="updates"):
   print(event)
   print("\n")
   

Executando o LangGraph Studio UI localmente

1. Armazém de Clonagem:

   git clone https://github.com/langchain-ai/open_deep_research.git
   cd open_deep_research
   

2. compilador.envpara definir a chave da API:

   cp .env.example .env
   

3. Configuração de variáveis de ambiente:

   export TAVILY_API_KEY=<your_tavily_api_key>
   export ANTHROPIC_API_KEY=<your_anthropic_api_key>
   export OPENAI_API_KEY=<your_openai_api_key>
   

4. Inicie o servidor LangGraph:
   • Mac:

     curl -LsSf https://astral.sh/uv/install.sh | sh
     uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev
     

   • Windows:

     pip install -e .
     pip install langgraph-cli[inmem]
     langgraph dev
     

5. Abra a interface do usuário do Studio:

   - 🚀 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
   

Relatórios personalizados

• report_structure:: Definir uma estrutura de relatório personalizada (o formato padrão de relatório de pesquisa é usado por padrão)
• number_of_queries:: Número de consultas de pesquisa geradas por seção (padrão: 2)
• max_search_depthProfundidade máxima de pesquisa (padrão: 2)
• planner_provider:: provedor de modelagem para a fase de planejamento (padrão: "openai", opcional "groq")
• planner_model:: Modelo específico usado para planejamento (padrão: "o3-mini", opcionalmente "deepseek-r1-distill-llama-70b").
• writer_model:: Modelo usado para escrever o relatório (padrão: "claude-3-5-sonnet-latest")
• search_apiAPI de pesquisa usada (padrão: Tavily)