开源深度研究 MCP 服务器

一个基于人工智能的研究助理，能够对任何主题进行深入、迭代的研究。它结合了搜索引擎、网络抓取和 AI 来探索主题并生成全面的报告。作为 Model Context Protocol (MCP) 工具或独立 CLI 提供。

快速入门

1. 克隆并安装：

git clone https://github.com/Ozamatash/deep-research
cd deep-research
npm install

2. 设置环境变量在 .env.local 中：

# 复制示例环境文件
cp .env.example .env.local

3. 构建：

# 构建服务器
npm run build

4. 运行 CLI 版本：

npm run start "你的研究查询"

5. 使用 Claude Desktop 测试 MCP 服务器：
   按照以下指南将服务器添加到 Claude Desktop（MCP 版本目前不询问后续问题）：
   https://modelcontextprotocol.io/quickstart/server

功能

• 通过生成目标搜索查询执行深入、迭代研究
• 使用深度（多深）和广度（多宽）参数控制研究范围
• 通过详细评分（0-1 分）和推理评估源的可靠性
• 优先考虑高可靠性的来源（≥0.7），并验证不太可靠的信 息
• 生成后续问题以更好地理解研究需求
• 生成详细的 Markdown 报告，包含发现、来源和可靠性评 估
• 可作为 Model Context Protocol (MCP) 工具用于 AI 代 理
• 目前 MCP 版本不询问后续问题

工作原理

flowchart TB
    subgraph 输入
        Q[用户查询]
        B[广度参数]
        D[深度参数]
        FQ[反馈问题]
    end

    subgraph 深度研究[深入研究]
        direction TB
        SQ[生成 SERP 查询]
        SR[搜索]
        RE[来源可靠性评估]
        PR[处理结果]
    end

    subgraph 结果[研究输出]
        direction TB
        L((学习内容与
        可靠性评分))
        SM((源元数据))
        ND((下一步方向：
        前置目标，
        新问题))
    end

    %% 主流程
    Q & FQ --> CQ[组合查询]
    CQ & B & D --> SQ
    SQ --> SR
    SR --> RE
    RE --> PR

    %% 结果流程
    PR --> L
    PR --> SM
    PR --> ND

    %% 深度决策和递归
    L & ND --> DP{深度 > 0？}
    DP -->|是| SQ
    
    %% 最终输出
    DP -->|否| MR[Markdown 报告]

    %% 格式设置
    classDef 输入 fill:#7bed9f,stroke:#2ed573,color:black
    classDef 过程 fill:#70a1ff,stroke:#1e90ff,color:black
    classDef 输出 fill:#ff4757,stroke:#ff6b81,color:black
    classDef 结果 fill:#a8e6cf,stroke:#3b7a57,color:black,width:150px,height:150px

    class Q,B,D,FQ 输入
    class SQ,SR,RE,PR 过程
    class MR 输出
    class L,SM,ND 结果

高级配置

本地运行 Fire

# 安装依赖
pip install fire
# 启动服务
fire.Fire(DeepResearch.start)

可观测性跟踪（可选）

在 .env.local 中添加：

# 设置观测性密钥
export LANGUAGESPIPELINE_API_KEY=your_api_key_here