# 深度调研-MCP
## 基本信息
- Slug: `ozamatash-deep-research-mcp`
- Source: modelscope
- Publisher: @Ozamatash/deep-research-mcp
- Categories: research-and-data / browser-automation / search
- Hosted: No
- License: MIT License
- Source URL: https://www.modelscope.cn/mcp/servers/@Ozamatash/deep-research-mcp
## 简介
通过将人工智能代理与搜索引擎、网络爬虫和大型语言模型集成，实现迭代深入研究，以高效收集数据并进行全面报告。
## 安装提示

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

## MCP Server 详情

# Open Deep Research MCP Server

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来深入探索主题并生成全面的报告。可以作为Model Context Protocol (MCP) 工具或独立CLI使用。查看 exampleout.md 以了解报告可能的样子。

## 快速开始

1. 克隆并安装：
```bash
git clone https://github.com/Ozamatash/deep-research
cd deep-research
npm install
```


2. 在 `.env.local` 中设置环境：
```bash
# Copy the example environment file
cp .env.example .env.local
```


3. 构建：
```bash
# Build the server
npm run build
```


4. 运行CLI版本：
```bash
npm run start "Your research query here"
```
5. 使用Claude Desktop测试MCP服务器：  
按照server快速入门底部的指南将服务器添加到Claude Desktop:  
https://modelcontextprotocol.io/quickstart/server

## 功能特点

- 通过生成有针对性的搜索查询来进行深入、迭代式研究
- 通过深度（有多深）和广度（多宽泛）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），并对不太可靠的信息进行验证
- 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格式报告
- 作为AI代理的Model Context Protocol (MCP) 工具可用
- 目前MCP版本不会提出后续问题

## 工作原理

```mermaid
flowchart TB
    subgraph Input
        Q[User Query]
        B[Breadth Parameter]
        D[Depth Parameter]
        FQ[Feedback Questions]
    end

    subgraph Research[Deep Research]
        direction TB
        SQ[Generate SERP Queries]
        SR[Search]
        RE[Source Reliability Evaluation]
        PR[Process Results]
    end

    subgraph Results[Research Output]
        direction TB
        L((Learnings with
        Reliability Scores))
        SM((Source Metadata))
        ND((Next Directions:
        Prior Goals,
        New Questions))
    end

    %% Main Flow
    Q & FQ --> CQ[Combined Query]
    CQ & B & D --> SQ
    SQ --> SR
    SR --> RE
    RE --> PR

    %% Results Flow
    PR --> L
    PR --> SM
    PR --> ND

    %% Depth Decision and Recursion
    L & ND --> DP{depth > 0?}
    DP -->|Yes| SQ
    
    %% Final Output
    DP -->|No| MR[Markdown Report]

    %% Styling
    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）

您可以选择运行本地实例而不是使用Firecrawl API。您可以使用官方仓库或者我的分支，该分支使用searXNG作为搜索后端，从而避免使用searchapi密钥：

1. 设置本地Firecrawl：
```bash
git clone https://github.com/Ozamatash/localfirecrawl
cd localfirecrawl
# Follow setup in localfirecrawl README
```


2. 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
# Add to .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，应用程序也可以正常工作，只是没有可观测性功能。

## 许可证

MIT许可证