MCP-深度研究

chevalblanc/MCP-deep-research

1 Stars 450 次浏览 chevalblanc 更新于 2026-08-23

一个由AI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，深入探索主题并生成全面的报告。

MCP 服务配置

复制以下 JSON 到 OPClaw 或其他 MCP 客户端的配置文件中即可使用

{
  "mcpServers": {
    "deep-research": {
      "args": [
        "npm",
        "run",
        "start"
      ],
      "command": "npx",
      "env": {
        "FIRECRAWL_BASE_URL": "${FIRECRAWL_BASE_URL}"
      }
    }
  }
}

服务介绍

Open Deep Research MCP 服务器

一个由 AI 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 AI 技术来深入探索主题并生成全面的报告。可用作 Model Context Protocol (MCP) 工具或独立的 CLI。请查看 exampleout.md 以了解报告可能的样子。

快速开始

克隆并安装：
bash
git clone https://github.com/Ozamatash/deep-research
cd deep-research
npm install
在 .env.local 中设置环境：
bash

复制示例环境文件

cp .env.example .env.local

构建：
bash

构建服务器

npm run build

运行 CLI 版本：
bash
npm run start
使用 Claude Desktop 测试 MCP 服务器：
按照 server quickstart 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
bash
npm run start:http

服务器运行在 http://localhost:3000/mcp 上，不包含会话管理。

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
通过详细的评分（0-1）和理由评估来源可靠性
优先考虑高可靠性来源（≥0.7），并验证不太可靠的信息
生成后续问题以更好地理解研究需求
生成带有发现、来源和可靠性评估的详细 Markdown 报告
可作为 AI 代理的 Model Context Protocol (MCP) 工具使用
目前 MCP 版本不会询问后续问题

模型选择（OpenAI, Anthropic, Google, xAI）

每次运行时选择一个提供商和模型。

CLI：系统将提示您选择提供商和模型。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

mermaid
flowchart TB
subgraph Input
Q[用户查询]
B[广度参数]
D[深度参数]
FQ[反馈问题]
end

subgraph Research[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 Results[研究输出]
    direction TB
    L((带有
    可靠性分数的学习))
    SM((来源元数据))
    ND((下一步方向:
    优先目标,
    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{depth > 0?}
DP -->|是| SQ

%% 最终输出
DP -->|否| MR[Markdown 报告]

%% 样式
classDef input fill:#7bed9f,stroke:#2ed573,color:black
classDef process fill:#70a1ff,stroke:#1e90ff,color:black
classDef output fill:#ff4757,stroke:#ff6b81,color:black
classDef results fill:#a8e6cf,stroke:#3b7a57,color:black,width:150px,height:150px

class Q,B,D,FQ input
class SQ,SR,RE,PR process
class MR output
class L,SM,ND results

高级设置

使用本地 Firecrawl（免费选项）

您可以运行一个本地实例，而不是使用 Firecrawl API。您可以使用官方仓库或我的分叉版本，该版本使用 searXNG 作为搜索后端，从而避免使用搜索 API 密钥：

设置本地 Firecrawl：
bash
git clone https://github.com/Ozamatash/localfirecrawl
cd localfirecrawl

按照 localfirecrawl README 中的说明进行设置

更新 .env.local：
bash
FIRECRAWL_BASE_URL="http://localhost:3002"

可选：可观测性

使用 Langfuse 添加可观测性，以跟踪研究流程、查询和结果：

bash

添加到 .env.local

LANGFUSE_PUBLIC_KEY="your_langfuse_public_key"
LANGFUSE_SECRET_KEY="your_langfuse_secret_key"如果未提供Langfuse密钥，应用程序在没有可观测性的情况下也能正常工作。

许可证

MIT许可证

查看源码项目主页