langchain-ai/open_deep_researchView GitHub Homepage for Latest Official Releases

オープンソースの深層リサーチアシスタント。AIエージェントを活用して自動的に深層リサーチを行い、包括的なレポートを生成します。

MITPythonopen_deep_researchlangchain-ai 7.2k Last Updated: August 06, 2025

Open Deep Research プロジェクト詳細

プロジェクト概要

Open Deep Research は、LangChain AI によって開発された実験的な完全オープンソースの深層研究アシスタントです。深層研究を自動化し、あらゆるトピックに関する包括的なレポートを生成できます。このプロジェクトの主要な目標は、OpenAI、Anthropic、Perplexity、Google などの企業の深層研究製品と競合する、シンプルで設定可能なオープンソースソリューションを提供することです。

主要な特徴

🎯 デュアルアーキテクチャ設計

プロジェクトには、それぞれに利点を持つ2つの異なる実装方法があります。

  1. ワークフローアーキテクチャ (Workflow Architecture)

    • 構造化された計画-実行ワークフロー
    • ユーザーのフィードバックとレポート計画の承認を可能にする人間とAIのインタラクションループ
    • 検索イテレーション間で考察しながらセクションごとに作成
    • すべての検索ツールプロバイダーをサポート

  2. マルチエージェントアーキテクチャ (Multi-Agent Architecture)

    • スーパーバイザー-リサーチャーアーキテクチャ
    • 複数の独立したエージェントが並行して動作
    • レポート生成時間を大幅に削減
    • 特化されたツール設計

🔧 高い設定可能性

Open Deep Research は、研究プロセスとモデルの動作をカスタマイズするための幅広い設定オプションを提供します。すべての設定は、Web UI、環境変数、または直接設定ファイルを変更することで行えます。

  • Max Structured Output Retries (デフォルト: 3): 構造化出力呼び出しの最大再試行回数
  • Allow Clarification (デフォルト: true): リサーチャーが研究を開始する前に明確化の質問をすることを許可するかどうか
  • Max Concurrent Research Units (デフォルト: 5): サブエージェントを使用して並行して実行する最大研究ユニット数
  • Search API (デフォルト: Tavily): 複数の検索API選択をサポート
  • Max Researcher Iterations (デフォルト: 3): 研究スーパーバイザーが研究を考察し、追加の質問を提案する回数

🤖 マルチモデル対応

Open Deep Research は、異なる研究タスクに複数の特化型モデルを使用します。

  • 要約モデル (デフォルト: openai:gpt-4.1-nano): 検索APIの研究結果を要約
  • 研究モデル (デフォルト: openai:gpt-4.1): 研究と分析を実行
  • 圧縮モデル (デフォルト: openai:gpt-4.1-mini): サブエージェントの研究結果を圧縮
  • 最終レポートモデル (デフォルト: openai:gpt-4.1): 最終的な統合レポートを作成

すべてのモデルは init_chat_model() API を使用して設定され、OpenAI、Anthropic、Google Vertex AI などのプロバイダーをサポートしています。

🔍 豊富な検索ツール連携

プロジェクトは複数の検索APIをサポートしています。

  • Tavily API - 一般的なウェブ検索
  • Perplexity API - 一般的なウェブ検索
  • Exa API - 強力なニューラルネットワーク検索
  • ArXiv - 物理学、数学、コンピュータサイエンスなどの学術論文
  • PubMed - 生物医学文献
  • Linkup API - 一般的なウェブ検索
  • DuckDuckGo API - 一般的なウェブ検索
  • Google Search API - カスタム検索エンジン

技術アーキテクチャ

LangGraphを基盤として構築

Open Deep Research は、レジリエントな言語エージェントグラフを構築するためのフレームワークである LangGraph を基盤として構築されています。このアーキテクチャにより、プロジェクトは以下のことが可能になります。

  • 多様な研究戦略を柔軟に適用
  • 中間結果を使用して探索を導く
  • オープンエンドな研究タスクに対応

3段階の研究プロセス

Open Deep Research は、エージェントを使用して3段階のプロセスの一部として研究を実行します。

  1. スコープ設定 (Scoping)

    • ユーザーによる明確化: 研究に必要なすべてのユーザーコンテキストを収集
    • 概要生成: 詳細なチャットインタラクションを包括的で集中的な研究概要に変換

  2. 研究 (Research)

    • スーパーバイザーエージェントを使用して研究を実行
    • 研究タスクを適切な数のサブエージェントに委任
    • 研究概要が独立したサブテーマに分解可能か判断

  3. レポート生成 (Report Generation)

    • 一度にレポートを作成
    • マルチエージェントによる並行執筆における調整の困難を回避

インストールと使用方法

クイックスタート

# リポジトリをクローン
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research

# 環境変数を設定
cp .env.example .env

# LangGraphサーバーをインストールして起動
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking

Pythonパッケージとしてインストール

pip install open-deep-research

使用方法

  1. Studio UI 経由:

  2. Jupyter Notebook:

    • 例を見る: src/open_deep_research/graph.ipynb
    • マルチエージェントの例: src/open_deep_research/multi_agent.ipynb

プラットフォーム連携

Open Agent Platform (OAP)

Open Agent Platform (OAP) は、非技術系ユーザーが独自のAIエージェントを構築・設定できるユーザーインターフェースです。OAP は、ユーザーが自分のニーズに最適な異なる MCP ツールや検索APIを使用して、深層リサーチャーを設定するのに非常に適しています。

パフォーマンスと評価

ベンチマーク結果

結果によると、Open Deep Research は基盤モデルの回答品質を継続的に大幅に改善しており、これは Llama、DeepSeek、Qwen のフラッグシップモデルで実証され、ワークフローの品質を示しています。

テスト機能

# デフォルトのAnthropicモデルを使用してテスト
python tests/run_test.py --all

# OpenAI o3モデルを使用してテスト
python tests/run_test.py --all \
  --supervisor-model "openai:o3" \
  --researcher-model "openai:o3" \
  --planner-provider "openai" \
  --planner-model "o3" \
  --writer-provider "openai" \
  --writer-model "o3" \
  --eval-model "openai:o3" \
  --search-api "tavily"

デプロイオプション

  • ローカルデプロイ: LangGraphサーバーを介してローカルで実行
  • クラウドデプロイ: LangGraph Platform に簡単にデプロイ可能

プロジェクトエコシステム

関連プロジェクト

  • local-deep-researcher: 完全ローカルのウェブ研究およびレポート作成アシスタント
  • LangGraph: レジリエントな言語エージェントグラフを構築するためのフレームワーク
  • LangChain: コンテキスト認識型推論アプリケーションを構築するためのフレームワーク

コミュニティとオープンソース

OpenAI のリリース以来、オープンソースコミュニティは深層研究の代替手段の開発において目覚ましい努力を続けてきました。このプロジェクトは、コミュニティにアクセスしやすいオープンソースの深層研究ツールキットを提供することを目指しています。

技術要件

モデル互換性

  1. 構造化出力のサポート: すべてのモデルが構造化出力をサポートしている必要があります
  2. ツール呼び出しのサポート: エージェントモデルはツール呼び出しをサポートする必要があります
  3. 検索API互換性: 研究モデルと圧縮モデルは、選択された検索APIをサポートする必要があります

テスト済みモデル

  • Claude 3.7
  • o3 および o3-mini
  • gpt-4.1
  • llama-3.3-70b-versatile (Groq 経由)

利点と特徴

設計原則

Open Deep Research の重要な設計原則の1つは、リクエストに応じて異なる研究戦略を探索できる柔軟性です。エージェントは、多様な戦略を柔軟に適用し、中間結果を使用して探索を導くことができるため、研究に非常に適しています。

主な利点

  1. オープンソースの透明性: 完全なオープンソースであり、コミュニティがレビューおよび改善可能
  2. 高い設定可能性: カスタムモデル、検索ツール、レポート構造をサポート
  3. マルチアーキテクチャ対応: ワークフローとマルチエージェントの2つの実装方法を提供
  4. 幅広い互換性: 複数のAIモデルプロバイダーと検索APIをサポート
  5. 人間とAIのインタラクション: ユーザーのフィードバックとレポート計画の承認をサポート
  6. 専門化された設計: 異なるタスクに特化したモデルを使用

今後の展望

プロジェクトは継続的に進化しており、さらなる機能と改善が計画されています。

  • マルチエージェントアーキテクチャのさらなる検索ツールへの対応拡大
  • レポート生成品質の向上
  • ユーザーインタラクション体験の強化
  • パフォーマンスとリソース利用の最適化

まとめ

Open Deep Research は、オープンソースAI研究ツールにおける重要な進歩を象徴しています。商用製品と競合する機能を提供するだけでなく、オープンソースプロジェクトの透明性とカスタマイズ性も維持しています。研究者、開発者、企業ユーザーのいずれにとっても、この強力な研究アシスタントを自身のニーズに合わせてカスタマイズし、デプロイすることが可能です。

Star History Chart