原文：https://mp.weixin.qq.com/s/uxRt8xAdWX59n3RkoDJ5Vg
AI + 搜索引擎 = 无敌研究助手？这个开源项目让深度调研效率翻倍
项目概述
Open Deep Research 是一个基于 AI 的研究助手，通过结合搜索引擎、网页抓取和大型语言模型，对任何主题进行迭代式深度研究。该项目旨在提供深度研究代理的最简单实现，目标是将仓库大小控制在 500 行代码以内，以便于理解和扩展。
项目地址：https://github.com/dzhng/deep-research
主要语言：TypeScript
stars: 17.8k
核心功能
- 迭代研究：通过迭代生成搜索查询、处理结果并基于发现进行深入研究
- 智能查询生成：使用 LLM 根据研究目标和先前发现生成有针对性的搜索查询
- 深度与广度控制：可配置的参数控制研究的广度和深度
- 智能跟进：生成后续问题以更好地理解研究需求
- 综合报告：生成包含发现和来源的详细 markdown 报告
- 并发处理：并行处理多个搜索和结果，提高效率
工作原理
项目遵循以下工作流程：
- 接收用户查询、广度参数和深度参数
- 生成 SERP（搜索引擎结果页）查询
- 处理搜索结果，提取学习内容和研究方向
- 根据深度参数决定是否继续深入研究：
- 如果深度 > 0，基于先前目标、新问题和学习内容生成下一个研究方向
- 如果深度 = 0，生成最终的 markdown 报告
技术栈
- 依赖库：
@ai-sdk/fireworks和@ai-sdk/openai：AI 模型集成@mendable/firecrawl-js：网页搜索和内容提取ai：AI 功能支持express：可能用于构建 API 服务p-limit：控制并发处理zod：类型验证
环境要求
- Node.js 环境（项目指定 Node.js 22.x）
- 以下 API 密钥：
- Firecrawl API（用于网页搜索和内容提取）
- OpenAI API（用于 o3 mini 模型）
安装与设置
Node.js 方式
- 克隆仓库
- 安装依赖：
npm install - 在
.env.local文件中设置环境变量（FIRECRAWL_KEY 等）
Docker 方式
- 克隆仓库
- 将
.env.example重命名为.env.local并设置 API 密钥 - 构建镜像：
docker build -f Dockerfile - 运行容器：
docker compose up -d - 在容器中执行：
docker exec -it deep-research npm run docker
社区实现
- Python 版本：https://github.com/Finance-LLMs/deep-research-python
🦌 DeerFlow 仓库介绍
项目概述
DeerFlow（全称 Deep Exploration and Efficient Research Flow，即深度探索与高效研究流程）是一个社区驱动的深度研究框架，基于开源社区的杰出成果构建而成。其核心目标是将语言模型与网络搜索、爬虫、Python 代码执行等专业工具相结合，同时回馈开源社区。
项目地址：https://github.com/bytedance/deer-flow
主要语言：python
stars: 17.2k
主要特点
- 无缝集成语言模型与各类专业工具，支持网页搜索、数据爬取、Python 代码执行等功能
- 社区驱动，源于开源并回馈开源社区
- 提供 Web UI 界面，便于用户操作使用
- 支持生成全面的研究报告，还能基于报告创建播客音频等内容
应用场景
可用于多种深度研究任务，例如：
- 分析热门技术（如 OpenAI Sora、Google 的 Agent to Agent 协议等）
- 追踪 GitHub 热门仓库信息
- 研究特定主题（如比特币价格波动、LLM 相关知识等）
- 生成各类专题报告（如南京传统菜肴介绍、出租公寓装饰指南等）
部署与使用
- 已正式入驻火山引擎的 FaaS 应用中心，用户可通过体验链接在线体验
- 支持基于火山引擎一键部署
- 也可本地部署，需满足 Python 3.12+ 和 Node.js 22+ 等环境要求，通过 git 克隆仓库后按照文档进行安装配置
相关资源
- 官方网站：https://deerflow.tech/
- 提供多语言文档，包括英文、简体中文、日本语、德语等
- 仓库中包含多个示例研究报告和使用案例，帮助用户快速了解其功能和使用方法