日榜当前未记录
历史最佳#15最近排名#15
当前未进入本站记录范围
- 记录天数
- 3 天
- 记录期 Star
- 样本校正
@langchain-ai
open_deep_research
langchain-ai/open_deep_research该仓库暂未提供英文描述。
STARS12,482
FORKS1,764
ISSUES74
LANGUAGEPython
HISTORICAL INTELLIGENCE
历史情报摘要
日榜历史趋势
2026-07-24 至 2026-07-26，掉榜日期保留为空缺。
排名，数字越小越靠前
VERIFIABLE HEALTH SIGNALS
项目健康证据
维护、响应、交付与采用风险分开观察，不生成虚假的单一总分。MAINTENANCE
核对提交维护活性
- 近 90 天 Commit
- 11 完整窗口
- 活跃贡献者
- 1 按公开提交账号去重
- 近 12 月活跃月份
- 7/12 有提交的自然月
RESPONSE
核对样本社区响应
- Issue 关闭率
- 0% 0/5 个同期新 Issue
- Issue 关闭中位数
- 暂无闭环样本 仅统计已关闭样本
- PR 合并率
- 40% 10/25 个同期新 PR
- PR 合并中位数
- 4.3 天 仅统计已合并样本
DELIVERY
核对发布持续交付
- 近 12 月正式 Release
- 0 排除草稿与预发布
- 最近正式 Release
- 暂无记录 以公开发布时间为准
- 发布间隔中位数
- 样本不足 至少两次正式发布才计算
ADOPTION
查看仓库采用风险
- 仓库状态
- 正常开放 未发现归档标记
- 开源协议
- MIT 仍需核对完整协议与依赖
- Security Policy
- 未发现 仅检查 GitHub 社区资料
AI-ASSISTED PROJECT BRIEF
项目定位与辅助解读
AI 解读仅作初评参考，技术落地请以 GitHub 源码、README 和完整协议为准。
项目资料AI 整理
Open Deep Research 是一个开源的深度研究代理，基于 LangGraph 构建，支持多模型提供商、搜索工具和 MCP 服务器。项目提供可配置的研究流程，包括搜索、摘要、压缩与报告生成，并在 Deep Research Bench 上取得排名。
Open Deep Research 由 LangChain AI 团队开发，旨在提供一个简单、可配置且完全开源的深度研究代理。它利用 LangGraph 的图结构编排研究流程，支持多种 LLM（如 OpenAI、Anthropic）和搜索 API（默认 Tavily），并兼容 MCP 服务器。项目内置评估脚本，可在 Deep Research Bench 上运行并提交结果。从公开资料看，其默认配置（GPT-4.1）在基准测试中 RACE 得分为 0.4309，排名第六。项目还提供 LangGraph Studio 本地测试、LangGraph Platform 托管部署以及 Open Agent Platform 用户界面。包含两个遗留实现（工作流与多智能体）作为替代方案。
核心亮点
项目最值得关注的能力
- 基于 LangGraph 的图结构编排，支持可配置的研究流程
- 兼容多家 LLM 提供商（OpenAI、Anthropic、Ollama 等）与搜索工具（Tavily、MCP）
- 在 Deep Research Bench 上取得 #6 排名（RACE 得分 0.4344），性能与主流深度研究代理相当
- 提供快速启动、本地测试、托管部署及 OAP 用户界面多种使用方式
- 包含评估脚本和数据集，可复现基准测试结果
适用场景
它可以解决哪些实际问题
- 自动生成针对复杂主题的深度研究报告，如学术综述、市场分析
- 作为企业内部知识挖掘与信息整合的自动化工具
- 结合自定义搜索源与 MCP 工具，构建领域专用研究助手
- 用于研究与开发人员的代理工作流原型验证与基准测试
- 教育场景下演示多智能体协作、LLM 编排与评估流程
技术观察
从公开资料提炼的实现特征
- 核心依赖 LangChain/LangGraph 生态，使用 init_chat_model() 通用接口支持多种模型
- 研究流程分为摘要、研究、压缩和最终报告四个阶段，各自可指定不同模型
- 默认使用 Tavily 搜索 API，通过 configuration.py 支持 MCP 服务器与原生网页搜索
- 评估脚本基于 Deep Research Bench，包含 100 个 PhD 级任务，成本约 $20–$100
- 提供两个遗留实现：工作流（顺序处理+人工反馈）和多智能体（监督者-研究者并行）
优势判断
相对明确的项目价值
- 完全开源（MIT 许可证），可自由定制与集成
- 模型与搜索工具高度灵活，支持多种提供商和本地部署
- 提供标准化评估工具，便于复现和比较性能
- 集成 LangGraph 平台，支持从本地到云端的多种部署方式
局限与注意
评估和采用前需要留意
- 评估成本较高（$20–$100），可能限制频繁测试
- 默认配置在基准测试中的 RACE 得分约 0.43，仍有提升空间
- 依赖外部 LLM 和搜索 API，需要相应 API 密钥且可能产生额外费用
- 从公开资料看，未提供安全性审计或生产环境部署的明确指引
适用人群
哪些开发者和团队值得关注
- AI 研究者和工程师，探索自动化深度研究工作流
- 需要构建定制化研究代理的企业开发团队
- 教育用户，用于学习多智能体系统与 LLM 编排
- 对 LangChain/LangGraph 生态感兴趣的开源贡献者
Open Deep Research 是一个功能完整、高度可配置的开源深度研究代理，在 LangGraph 生态中提供了从研究流程编排到评估部署的闭环。其模型无关设计和对多种搜索工具的支持使其适用于多种场景，项目方自述的性能在该领域具有竞争力。但因其依赖外部 API 且评估成本较高，用户在生产环境中采用前应自行完成性能、安全性与兼容性验证。整体而言，这是一个值得关注的研究工具模板。由 AI 基于 GitHub 公开资料辅助生成，不构成安全审计、生产选型或专业建议。
依据与内容边界
区分可验证事实、项目方自述与 AI 推断
GitHub 可验证事实
Star、Fork、License、更新时间及健康证据样本来自 GitHub 公开接口。
项目方自述
功能与使用方式主要来自仓库描述和 README，未经本站独立验证。
AI 推断
适用场景、优势与局限属于辅助解读，应结合原始文档独立判断。
- GitHub事实：仓库语言为 Python，许可证 MIT，Stars 12,257，Forks 1,743，Open Issues 71。
- 项目方自述：在 Deep Research Bench 上达到 #6 排名，RACE 得分 0.4344，并提供了评估脚本与数据集。
- AI推断：项目由 LangChain AI 核心维护，适合作为深度研究工作的开源基准实现。
- AI推断：尚未发现关于安全漏洞或生产环境稳定性的官方声明，建议用户自行验证。
生成于 2026-07-27 08:25
规则版本 2026-07-v2
内容有误或您是项目作者？提交纠错
DISCOVER MORE
