Open Deep Research: интеллектуальный помощник LangChain с открытым исходным кодом для глубоких исследований

Общее введение

Open Deep Research - это веб-помощник для проведения исследований, который генерирует комплексные отчеты по любой теме. Система использует рабочий процесс "планируй и делай", который позволяет пользователям спланировать и просмотреть структуру отчета, прежде чем переходить к трудоемкой фазе исследования. Пользователи могут выбирать из различных моделей планирования, поисковых API и моделей написания, таких как Tavily, Perplexity, Anthropic и OpenAI, в соответствии с индивидуальными потребностями. Open Deep Research поддерживает несколько итераций размышлений и поиска, чтобы обеспечить глубину и точность отчета. Пользователи могут быстро развернуть и использовать инструмент с помощью простых конфигурационных файлов и операций командной строки.

Список функций

• Набросайте структуру отчета
• Настройка моделей планирования (например, DeepSeek, модели вывода OpenAI и т.д.)
• Обратная связь по планам для каждого раздела отчета и итерации до тех пор, пока пользователи не будут удовлетворены
• Настройка поисковых API (например, Tavily, Perplexity) и количества поисков за итерацию исследования
• Установка глубины поиска (количество итераций) для каждой секции
• Индивидуальные модели письма (например, Anthropic)
• Локальный запуск LangGraph Studio UI
• Автоматическое создание структурированных исследовательских отчетов
• Поддержка многочисленных поисков и рефлексивных итераций для повышения качества отчетов

Использование помощи

быстрый старт

1. Убедитесь, что ключ API для нужного инструмента установлен.
2. Выберите инструмент для поиска в Интернете (по умолчанию используется Tavily):
   • Tavily API
   • Недоумение API
3. Выберите модель письма (по умолчанию используется антропная) Клод 3.5 Сонет):
   • Антропология
   • OpenAI
   • Groq
4. Выберите модель планирования (по умолчанию используется OpenAI o3-mini):
   • OpenAI
   • Groq

Использование

виртуализированная среда

1. Создайте виртуальную среду:

   python -m venv open_deep_research
   source open_deep_research/bin/activate
   

2. Установка:

   pip install open-deep-research
   

Использование блокнота Jupyter в

1. Импортируйте и скомпилируйте график:

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

2. Посмотреть диаграмму:

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

3. Запустите график:

   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. После создания плана отчета отправьте отзывы, чтобы обновить план отчета:

   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. Подается, когда удовлетворен схемой отчетностиTrueдля создания отчетов:

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

Локальный запуск LangGraph Studio UI

1. Хранилище клонирования:

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

2. компилятор.envфайл, чтобы задать ключ API:

   cp .env.example .env
   

3. Установка переменных окружения:

   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. Запустите сервер LangGraph:
   • Мак:

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

   • Окна:

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

5. Откройте пользовательский интерфейс 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
   

Индивидуальные отчеты

• report_structure:: Определение пользовательской структуры отчета (по умолчанию используется стандартный формат отчета об исследовании)
• number_of_queries:: Количество поисковых запросов, генерируемых для каждого раздела (по умолчанию: 2)
• max_search_depth: Максимальная глубина поиска (по умолчанию: 2)
• planner_provider:: Поставщик моделирования для фазы планирования (по умолчанию: "openai", опционально "groq")
• planner_model:: Конкретная модель, используемая для планирования (по умолчанию: "o3-mini", опционально "deepseek-r1-distill-llama-70b").
• writer_model:: Модель, используемая для написания отчета (по умолчанию: "claude-3-5-sonnet-latest")
• search_api: Используется поисковый API (по умолчанию: Tavily)