Open Deep Research：LangChain开源的深度研究智能助手

综合介绍

Open Deep Research 是一个基于网络的研究助手，能够生成有关任何主题的综合研究报告。该系统采用计划和执行的工作流程，用户可以先对报告结构进行规划并审阅，然后进入耗时的研究阶段。用户可选择不同的规划模型、搜索API和写作模型，例如Tavily、Perplexity、Anthropic和OpenAI等，以满足个性化需求。Open Deep Research 支持多次迭代的反思和搜索，确保报告的深度和准确性。用户可以通过简单的配置文件和命令行操作快速部署和使用该工具。

功能列表

• 提供报告结构大纲
• 设定规划模型（如DeepSeek、OpenAI推理模型等）
• 对报告各部分的计划进行反馈并迭代直到用户满意
• 设定搜索API（如Tavily、Perplexity）和每次研究迭代的搜索次数
• 设定每部分的搜索深度（迭代次数）
• 自定义写作模型（如Anthropic）
• 本地运行LangGraph Studio UI
• 自动生成结构化的研究报告
• 支持多次搜索和反思迭代，提升报告质量

使用帮助

快速入门

1. 确保已设置所需工具的API密钥。
2. 选择一个网络搜索工具（默认使用Tavily）：
   • Tavily API
   • Perplexity API
3. 选择一个写作模型（默认使用Anthropic Claude 3.5 Sonnet）：
   • Anthropic
   • OpenAI
   • Groq
4. 选择一个规划模型（默认使用OpenAI o3-mini）：
   • OpenAI
   • Groq

使用方法

虚拟环境

1. 创建虚拟环境：

   python -m venv open_deep_research
   source open_deep_research/bin/activate
   

2. 安装：

   pip install open-deep-research
   

在Jupyter Notebook中使用

1. 导入并编译图表：

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

2. 查看图表：

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

3. 运行图表：

   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. 生成报告计划后，提交反馈更新报告计划：

   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. 当满意报告计划时，提交True以生成报告：

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

本地运行LangGraph Studio UI

1. 克隆仓库：

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

2. 编辑.env文件，设置API密钥：

   cp .env.example .env
   

3. 设置环境变量：

   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. 启动LangGraph服务器：
   • 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. 打开Studio UI：

   - 🚀 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
   

自定义报告

• report_structure: 定义自定义报告结构（默认使用标准研究报告格式）
• number_of_queries: 每部分生成的搜索查询数量（默认：2）
• max_search_depth: 最大搜索深度（默认：2）
• planner_provider: 规划阶段的模型提供商（默认："openai"，可选"groq"）
• planner_model: 规划使用的具体模型（默认："o3-mini"，可选如"deepseek-r1-distill-llama-70b"）
• writer_model: 写报告使用的模型（默认："claude-3-5-sonnet-latest"）
• search_api: 使用的搜索API（默认：Tavily）