deep-research

Deep-Research 是 GitHub 用户 dzhng 发布的一个开源 AI 研究助手，项目入口在 https://github.com/dzhng/deep-research 。它的思路并不复杂：把搜索引擎、网页抓取和大模型串成一条流水线，让代理围绕一个题目反复检索、迭代，最后输出一份带溯源链接的 Markdown 报告。整个项目代码控制在 500 行以内，主打轻量和可改。下面从功能边界、适用人群和上手注意点几个角度，说说 Deep-Research 适合放在什么样的工作流里。

核心功能与使用体验

从配置到出报告，大致流程是：填写研究目标、准备模型和抓取服务的 API Key、由代理拆解关键词、抓取网页、多轮迭代，再汇总成文。广度（3–10）和深度（1–5）两个参数决定搜索分支数与迭代层级，调高通常更全面，耗时和调用成本也会跟着上去。整体看，它更接近一个可改的研究骨架，而不是开箱即用的成品。

• 关键词由代理动态生成并优化，省去手工拼检索式的一步。
• 网页内容可通过 Firecrawl API 提取，也支持自建爬虫实例，抓取环节有替换空间。
• 多轮迭代会按研究进展调整方向，适合需要反复挖的题目。
• 输出结构化 Markdown 报告，含关键发现、分析段落与来源链接。
• 兼容多种模型，如 OpenAI GPT 系列、DeepSeek R1 等，可按成本或效果切换。

优点在于轻、透明、可控：代码量小，读一遍就能弄清每一步在做什么；模型和抓取服务都能替换，方便二次开发。不足也比较明显——它本身不是网页端产品，需要按文档配置环境变量，用本地部署或 Docker 跑起来，对非技术用户有门槛。报告是否好用，很大程度取决于你接的模型和搜索源，生成结论仍要回原始页面核对。部署方式和界面形态以仓库文档与实际页面为准。

更适合这几类人：

• 要做文献综述、资料梳理的研究者和学生。
• 做市场分析、竞品调研的产品与运营岗。
• 想研究 agent 编排与检索迭代实现的开发者。
• 需要批量抓取网页并生成可溯源报告的技术团队。

上手前留意几点：

• 从仓库拉取代码或镜像后先做安全扫描，别直接在生产环境运行。
• 核对版本号与最近更新时间，开源项目迭代快，旧文档可能已对不上。
• 数据抓取与内容使用的合规要求因地区而异，自行确认适用范围。
• 调用模型与抓取服务是否免费、额度多少，以实际页面和服务条款为准。
• 报告里的数据建议回到原始来源复核，学术、医学类内容尤其如此。

想先了解同类工具的整体情况，可以翻翻 {{内链:AI 研究工具}} 这个分类。

常见问题 FAQ

• Deep-Research 是免费的吗？项目代码本身开源，但调用大模型和网页抓取服务通常要自备 API Key，可能产生费用，具体以仓库说明和实际页面为准。
• 不会写代码能用吗？通常需要按文档配置环境和密钥，本地或 Docker 运行。纯小白上手会有门槛，熟悉命令行的用户更顺。
• 它能直接给出可信结论吗？它做的是检索与归纳，报告基于公开网页和模型生成，关键数据仍应回到原始链接核实。
• 输出格式是什么？以 Markdown 结构化报告为主，包含关键发现、分析内容和来源链接，具体样式以实际运行结果为准。

Deep-Research 的价值在于把一次深度调研的流程拆开摆在你面前：检索、抓取、迭代、成文，每一环都能改。局限也来自同一处——它需要你自己准备好模型、抓取服务和运行环境，产出质量没有兜底。把它当作研究流程里的补充性渠道、和合规的数据库、期刊或官方资料配合使用，会更稳妥。