OpenDeepResearcher：自动化深度研究工具，撰写完整的研究报告

综合介绍

OpenDeepResearcher 是一个开源的自动化深度研究工具，旨在通过人工智能技术提升研究效率。该项目由 mshumer 开发，托管在 GitHub 上。OpenDeepResearcher 利用多种服务和技术，包括 SERPAPI、Jina 和 OpenRouter，来执行谷歌搜索、网页内容提取和上下文分析。其核心功能是通过迭代研究循环，不断优化搜索查询，直到系统确信已收集到所有必要的信息。该工具还支持异步处理、重复过滤和 LLM 驱动的决策，确保研究过程高效且全面。

功能列表

• 迭代研究循环：系统通过多次迭代优化搜索查询，确保信息收集全面。
• 异步处理：搜索、网页提取、评估和上下文提取同时进行，提高速度。
• 重复过滤：在每轮迭代中聚合并去重链接，避免重复处理相同链接。
• LLM 驱动决策：利用大语言模型生成新搜索查询、决定页面有用性、提取相关上下文并生成最终报告。
• Gradio 界面：提供一个功能性用户界面，便于使用。

使用帮助

安装流程

1. 克隆或打开笔记本：下载笔记本文件或直接在 Google Colab 中打开。
2. 安装 nestasyncio：运行第一个单元格以设置 nestasyncio。
3. 配置 API 密钥：将笔记本中的占位符值替换为实际的 API 密钥，包括 OPENROUTERAPIKEY、SERPAPIAPIKEY 和 JINAAPIKEY。

使用步骤

1. 运行笔记本单元格：按顺序执行所有单元格。笔记本会提示输入研究查询/主题和可选的最大迭代次数（默认是 10 次）。
2. 初始查询和搜索生成：笔记本使用 LLM 生成初始搜索查询。
3. 异步搜索和提取：并行执行 SERPAPI 搜索，聚合唯一链接，并并行处理每个链接以确定页面有用性并提取相关上下文。
4. 迭代优化：每轮后，LLM 分析聚合的上下文，决定是否需要进一步的搜索查询。
5. 生成最终报告：一旦 LLM 指示不再需要进一步研究（或达到迭代限制），根据所有收集的上下文生成最终报告。
6. 查看最终报告：最终综合报告将打印在输出中。

详细操作流程

• 输入和查询生成：用户输入研究主题，LLM 生成最多四个不同的搜索查询。
• 并发搜索和处理：每个搜索查询同时发送到 SERPAPI。
• 去重：在当前迭代中聚合并去重所有检索到的链接。
• 上下文提取：处理每个链接以确定页面有用性并提取相关上下文。
• 迭代优化：分析聚合的上下文，决定是否需要进一步的搜索查询。
• 最终报告生成：生成基于所有收集上下文的最终综合报告。