🚀 开源深度研究 MCP 服务器
这是一个基于人工智能的研究助理，它能够针对任何主题开展深入且迭代的研究。该助理结合了搜索引擎、网络抓取和人工智能技术，以此探索各类主题并生成全面的研究报告。它既可以作为 Model Context Protocol (MCP) 工具使用，也能以独立 CLI 的形式运行。
🚀 快速开始
安装步骤
- 克隆代码仓库并安装依赖：
git clone https://github.com/Ozamatash/deep-research
cd deep-research
npm install
- 在
.env.local中设置环境变量：
# 复制示例环境文件
cp .env.example .env.local
- 构建服务器：
# 构建服务器
npm run build
运行方式
- 运行 CLI 版本：
npm run start "你的研究查询"
- 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
✨ 主要特性
- 能够通过生成目标搜索查询，执行深入且迭代的研究。
- 可使用深度（多深）和广度（多宽）参数，灵活控制研究范围。
- 会通过详细评分（0 - 1 分）和推理，对源的可靠性进行评估。
- 优先考虑高可靠性的来源（≥0.7），并对不太可靠的信息进行验证。
- 可以生成后续问题，以便更好地理解研究需求。
- 能够生成详细的 Markdown 报告，其中包含发现、来源和可靠性评估。
- 可作为 Model Context Protocol (MCP) 工具，供 AI 代理使用。
- 目前 MCP 版本不询问后续问题。
🔧 技术细节
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