오픈 소스 심층 연구 도우미로, AI 에이전트를 사용하여 자동으로 심층 연구를 수행하고 종합 보고서를 생성합니다.
Open Deep Research 프로젝트 상세 소개
프로젝트 개요
Open Deep Research는 LangChain AI가 개발한 실험적이고 완전한 오픈소스 심층 연구 도우미로, 심층 연구를 자동화하고 모든 주제에 대한 종합 보고서를 생성할 수 있습니다. 이 프로젝트의 핵심 목표는 OpenAI, Anthropic, Perplexity, Google 등과 같은 기업의 심층 연구 제품과 경쟁할 수 있는 간단하고 구성 가능한 오픈소스 솔루션을 제공하는 것입니다.
핵심 기능
🎯 이중 아키텍처 설계
프로젝트는 각각 장점을 가진 두 가지 다른 구현 방식을 제공합니다:
워크플로우 아키텍처 (Workflow Architecture)
- 구조화된 계획-실행 워크플로우
- 사용자 피드백 및 보고서 계획 승인을 허용하는 인간-컴퓨터 상호작용 루프
- 검색 반복 간의 성찰을 통해 섹션별로 생성
- 모든 검색 도구 제공업체 지원
다중 에이전트 아키텍처 (Multi-Agent Architecture)
- 감독자-연구원 아키텍처
- 여러 독립 에이전트가 병렬로 작동
- 보고서 생성 시간 현저히 단축
- 전문화된 도구 설계
🔧 높은 구성 가능성
Open Deep Research는 연구 프로세스 및 모델 동작을 사용자 정의하기 위한 광범위한 구성 옵션을 제공합니다. 모든 구성은 웹 UI, 환경 변수 또는 직접적인 구성 수정을 통해 설정할 수 있습니다:
- Max Structured Output Retries (기본값: 3): 구조화된 출력 호출의 최대 재시도 횟수
- Allow Clarification (기본값: true): 연구원이 연구 시작 전 명확화 질문을 할 수 있는지 여부
- Max Concurrent Research Units (기본값: 5): 하위 에이전트를 사용하여 동시 실행할 최대 연구 단위 수
- Search API (기본값: Tavily): 다양한 검색 API 선택 지원
- Max Researcher Iterations (기본값: 3): 연구 감독자가 연구를 성찰하고 후속 질문을 제기하는 횟수
🤖 다중 모델 지원
Open Deep Research는 다양한 연구 작업을 위해 여러 전문화된 모델을 사용합니다:
- 요약 모델 (기본값: openai:gpt-4.1-nano): 검색 API의 연구 결과를 요약
- 연구 모델 (기본값: openai:gpt-4.1): 연구 및 분석 수행
- 압축 모델 (기본값: openai:gpt-4.1-mini): 하위 에이전트의 연구 결과 압축
- 최종 보고서 모델 (기본값: openai:gpt-4.1): 최종 종합 보고서 작성
모든 모델은 init_chat_model() API를 사용하여 구성되며, OpenAI, Anthropic, Google Vertex AI 등의 제공업체를 지원합니다.
🔍 풍부한 검색 도구 통합
프로젝트는 다양한 검색 API를 지원합니다:
- Tavily API - 일반 웹 검색
- Perplexity API - 일반 웹 검색
- Exa API - 강력한 신경망 검색
- ArXiv - 물리학, 수학, 컴퓨터 과학 등 학술 논문
- PubMed - 생물의학 문헌
- Linkup API - 일반 웹 검색
- DuckDuckGo API - 일반 웹 검색
- Google Search API - 맞춤형 검색 엔진
기술 아키텍처
LangGraph 기반 구축
Open Deep Research는 탄력적인 언어 에이전트 그래프를 구축하기 위한 프레임워크인 LangGraph를 기반으로 구축되었습니다. 이 아키텍처를 통해 프로젝트는 다음을 수행할 수 있습니다:
- 다양한 연구 전략을 유연하게 적용
- 중간 결과를 사용하여 탐색을 안내
- 개방형 연구 작업 처리
3단계 연구 프로세스
Open Deep Research는 에이전트를 3단계 프로세스의 일부로 사용하여 연구를 수행합니다:
범위 설정 (Scoping)
- 사용자 명확화: 연구에 필요한 모든 사용자 컨텍스트 수집
- 브리프 생성: 상세한 채팅 상호작용을 종합적이고 집중적인 연구 브리프로 변환
연구 (Research)
- 감독 에이전트를 사용하여 연구 수행
- 연구 작업을 적절한 수의 하위 에이전트에 위임
- 연구 브리프가 독립적인 하위 주제로 분해될 수 있는지 결정
보고서 생성 (Report Generation)
- 보고서를 한 번에 작성
- 다중 에이전트 병렬 작성의 조정 어려움 방지
설치 및 사용
빠른 시작
# 저장소 복제
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
# 환경 변수 설정
cp .env.example .env
# LangGraph 서버 설치 및 시작
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
Python 패키지로 설치
pip install open-deep-research
사용 방법
Studio UI를 통해:
- 🚀 API: http://127.0.0.1:2024
- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- 📚 API Docs: http://127.0.0.1:2024/docs
Jupyter Notebook:
- 예시 확인:
src/open_deep_research/graph.ipynb
- 다중 에이전트 예시:
src/open_deep_research/multi_agent.ipynb
- 예시 확인:
플랫폼 통합
Open Agent Platform (OAP)
Open Agent Platform (OAP)은 비기술 사용자가 자신만의 에이전트를 구축하고 구성할 수 있는 사용자 인터페이스입니다. OAP는 사용자가 자신의 요구에 가장 적합한 다양한 MCP 도구 및 검색 API를 사용하여 심층 연구원을 구성할 수 있도록 하는 데 매우 적합합니다.
성능 및 평가
벤치마크 결과
결과에 따르면, Open Deep Research는 기본 모델에서 답변 품질을 지속적으로 크게 개선했으며, 이는 Llama, DeepSeek 및 Qwen 플래그십 모델에서 모두 나타나 워크플로우의 품질을 보여줍니다.
테스트 기능
# 기본 Anthropic 모델로 테스트
python tests/run_test.py --all
# OpenAI o3 모델로 테스트
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"
배포 옵션
- 로컬 배포: LangGraph 서버를 통해 로컬에서 실행
- 클라우드 배포: LangGraph Platform에 쉽게 배포 가능
프로젝트 생태계
관련 프로젝트
- local-deep-researcher: 완전 로컬 웹 연구 및 보고서 작성 도우미
- LangGraph: 탄력적인 언어 에이전트 그래프를 구축하기 위한 프레임워크
- LangChain: 컨텍스트 인식 추론 애플리케이션 구축
커뮤니티 및 오픈소스
OpenAI 출시 이후, 오픈소스 커뮤니티는 심층 연구 대안 개발에 탁월한 노력을 기울였습니다. 이 프로젝트는 커뮤니티에 접근 가능한 오픈소스 심층 연구 도구 키트를 제공하는 것을 목표로 합니다.
기술 요구 사항
모델 호환성
- 구조화된 출력 지원: 모든 모델은 구조화된 출력을 지원해야 합니다.
- 도구 호출 지원: 에이전트 모델은 도구 호출을 지원해야 합니다.
- 검색 API 호환성: 연구 및 압축 모델은 선택한 검색 API를 지원해야 합니다.
테스트된 모델
- Claude 3.7
- o3 및 o3-mini
- gpt-4.1
- llama-3.3-70b-versatile (Groq를 통해)
장점 및 특징
설계 원칙
Open Deep Research의 핵심 설계 원칙 중 하나는 요청에 따라 다양한 연구 전략을 탐색할 수 있는 유연성입니다. 에이전트는 다양한 전략을 유연하게 적용하고 중간 결과를 사용하여 탐색을 안내할 수 있으므로 연구에 매우 적합합니다.
핵심 장점
- 오픈소스 투명성: 완전한 오픈소스로, 커뮤니티가 검토하고 개선할 수 있습니다.
- 높은 구성 가능성: 사용자 정의 모델, 검색 도구 및 보고서 구조를 지원합니다.
- 다중 아키텍처 지원: 워크플로우 및 다중 에이전트 두 가지 구현 방식을 제공합니다.
- 광범위한 호환성: 다양한 AI 모델 제공업체 및 검색 API를 지원합니다.
- 인간-컴퓨터 상호작용: 사용자 피드백 및 보고서 계획 승인을 지원합니다.
- 전문화된 설계: 다양한 작업에 전문화된 모델을 사용합니다.
향후 개발
프로젝트는 지속적으로 발전하고 있으며, 더 많은 기능과 개선 사항을 추가할 계획입니다:
- 더 많은 검색 도구에 대한 다중 에이전트 아키텍처 지원 확장
- 보고서 생성 품질 개선
- 사용자 상호작용 경험 강화
- 성능 및 자원 활용 최적화
요약
Open Deep Research는 오픈소스 AI 연구 도구의 중요한 진보를 나타냅니다. 이 프로젝트는 상업용 제품과 경쟁할 수 있는 기능을 제공할 뿐만 아니라 오픈소스 프로젝트의 투명성과 사용자 정의 가능성을 유지합니다. 연구원, 개발자 또는 기업 사용자 모두 자신의 필요에 따라 이 강력한 연구 도우미를 사용자 정의하고 배포할 수 있습니다.