Open Deep Research MCP 服务器

一款由人工智能驱动的研究助手，能够对任何主题进行深入、迭代的研究。它结合了搜索引擎、网络爬虫和人工智能技术，以深入探索主题并生成全面的报告。该工具可用作模型上下文协议（MCP）工具或独立命令行界面（CLI）。查看 exampleout.md 文件以了解报告可能的样子。

快速开始

1. 克隆并安装：

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

2. 在 .env.local 中设置环境：

# 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

5. 使用 Claude Desktop 测试 MCP 服务器：
   按照服务器快速启动底部的指南将服务器添加到 Claude Desktop：
   https://modelcontextprotocol.io/quickstart/server

对于远程服务器：可流式传输的 HTTP

npm run start:http

服务器运行在 http://localhost:3000/mcp 上，不进行会话管理。

功能

• 通过生成有针对性的搜索查询来进行深入、迭代的研究
• 使用深度（多深）和广度（多宽）参数控制研究范围
• 用详细的评分（0-1）和理由评估来源可靠性
• 优先考虑高可靠性来源（≥0.7），并验证不太可靠的资料
• 生成后续问题以更好地理解研究需求
• 生成包含发现、来源和可靠性评估的详细 Markdown 报告
• 可作为模型上下文协议（MCP）工具供 AI 代理使用
• 目前 MCP 版本不会提出后续问题
• 自然语言来源偏好（避免列表文章、论坛、关联营销评论、特定域名）

模型选择（OpenAI、Anthropic、Google、xAI）

每次运行时选择一个提供商和模型。

• CLI：您将被提示选择提供商和模型。例如：openai + gpt-5。
• MCP/HTTP：传递 model，例如 openai:gpt-5，

在 .env.local 中设置相应的 API 密钥：

OPENAI_API_KEY=...
ANTHROPIC_API_KEY=...
GOOGLE_API_KEY=...
XAI_API_KEY=...

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 研究输出
        direction TB
        L((学习成果与
        可靠性评分))
        SM((来源元数据))
        ND((下一步方向：
        前期目标，
        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

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

    %% 样式
    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

高级设置

使用本地 Firecrawl（免费选项）

代替使用 Firecrawl API，您可以运行一个本地实例。您可以使用官方仓库或我的分支，该分支使用 searXNG 作为搜索后端，以避免使用搜索 API 密钥：

1. 设置本地 Firecrawl：

git clone https://github.com/Ozamatash/localfirecrawl
cd localfirecrawl
# 按照 localfirecrawl 说明文档中的步骤进行设置

2. 更新 .env.local：

FIRECRAWL_BASE_URL="http://localhost:3002"

可选：可观测性

添加可观测性以跟踪研究流程、查询和结果，使用 Langfuse：

# 添加到 .env.local
LANGFUSE_PUBLIC_KEY="your_langfuse_public_key"
LANGFUSE_SECRET_KEY="your_langfuse_secret_key"

如果没有提供 Langfuse 密钥，应用程序可以正常工作而不具备可观测性。

许可证

MIT 许可证