Open Deep Research 是 LangChain 官方开源的一个「深度研究智能体（Deep Research Agent）」——简单、可配置、完全开源，能跨多种模型提供商、搜索工具和 MCP 服务器工作，性能可媲美众多主流深度研究产品（在 Deep Research Bench 排行榜上曾进入前列）。
一句话简介
一个把「深度研究」这一最热门的 Agent 应用完整开源、可自由替换模型与搜索后端的研究智能体：你提一个复杂问题，它自动规划、并发检索、压缩证据，并产出一份带引用的高质量研究报告。
安装要求与快速上手
环境要求：Python 3.11（推荐），使用 uv 管理虚拟环境；需要至少一个 LLM 提供商的 API Key（默认 OpenAI），以及一个搜索 API（默认 Tavily）。
# 1. 克隆仓库并创建虚拟环境
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# 2. 安装依赖
uv sync
# 3. 配置环境变量（模型、搜索工具等）
cp .env.example .env
# 4. 本地启动 LangGraph 服务，打开 Studio UI
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
启动后会自动打开 LangGraph Studio UI，在 messages 输入框里提问并点击 Submit 即可，还能在 “Manage Assistants” 里切换不同配置。
核心功能
- 全流程自动研究：自动完成”任务规划 → 并发检索 → 结果摘要 → 证据压缩 → 撰写带引用的最终报告”整条链路。
- 模型自由组合：基于
init_chat_model()兼容几乎所有主流 LLM，且摘要 / 研究 / 压缩 / 报告撰写四个环节可分别指定不同模型（如 gpt-4.1-mini 摘要、gpt-5 或 Claude Sonnet 4 做研究）。 - 搜索后端可插拔：默认 Tavily，同时支持 Anthropic / OpenAI 的原生联网搜索，并完整兼容 MCP 服务器，可接入自定义工具。
- 基准可评测：内置对接 Deep Research Bench（100 道博士级研究任务，覆盖 22 个领域），用 RACE 分数量化研究报告质量。
- 部署方式多样：支持本地 LangGraph Studio 调试、LangGraph Platform 托管部署，以及面向非技术用户的 Open Agent Platform（OAP）可视化配置。
典型使用场景
- 行业 / 竞品调研报告：输入”分析某赛道 2025 年主流玩家与技术路线”，自动检索多来源并输出结构化、带引用的调研报告。
- 学术与技术综述：面对博士级、跨领域的复杂问题，自动拆解子问题、并发检索文献并汇总成论证严谨的综述。
- 企业内部知识 Agent：借助 MCP 接入内部数据源与自定义搜索，搭建可私有化部署、可替换模型的企业级深度研究助手。
推荐理由
市面上”深度研究”功能大多藏在闭源产品里，而 Open Deep Research 把这套能力彻底开源、模块化，最大的价值在于”每一层都能换”：换模型、换搜索、换部署方式都只是改配置。它由 LangChain 官方维护、有配套免费课程和详尽评测数据，既适合想理解 Deep Research 内部原理的开发者拆解学习，也适合企业作为自研研究 Agent 的高质量起点。如果你正想做一个能自动查资料、写报告的 Agent，这是目前最值得参考的开源实现之一。
下载地址
- GitHub 仓库：https://github.com/langchain-ai/open_deep_research
- 官方博客介绍：https://blog.langchain.com/open-deep-research/
- 免费课程：Deep Research with LangGraph（LangChain Academy）
项目数据：约 12.4K Stars · 1.75K Forks · 语言 Python · 许可证 MIT（数据截至 2026 年 7 月）。
