open_deep_research - GitLite

KO | EN

gitlite — search

#javascript #hacktoberfest #react #ai #machine-learning #linux #macos #windows #kubernetes #awesome-list #pytorch #mcp #ios #open-source

open_deep_research

(★ 12,656)

No description available.

파일 탐색기

최종 버전 다운로드 (.zip)

- - claude-code-review.yml
  - claude.yml
- dependabot.yml
- arxiv.md
- inference-market-gpt45.md
- inference-market.md
- pubmed.md
- - __init__.py
  - CLAUDE.md
  - configuration.py
  - graph.ipynb
  - graph.py
  - legacy.md
  - multi_agent.ipynb
  - multi_agent.py
  - prompts.py
  - state.py
  - utils.py
- - configuration.py
  - deep_researcher.py
  - prompts.py
  - state.py
  - utils.py
- - auth.py
- - deep_research_bench_claude4-sonnet.jsonl
  - deep_research_bench_gpt-4.1.jsonl
  - deep_research_bench_gpt-5.jsonl
- evaluators.py
- extract_langsmith_data.py
- pairwise_evaluation.py
- prompts.py
- run_evaluate.py
- supervisor_parallel_evaluation.py
.env.example
.gitignore
CLAUDE.md
langgraph.json
LICENSE
pyproject.toml
README.md
uv.lock

# 설치 가이드

1. 코드 내려받기

git clone https://github.com/langchain-ai/open_deep_research

깃허브에서 프로젝트 코드 전체를 내 컴퓨터로 내려받습니다.

cd open_deep_research

방금 내려받은 프로젝트 폴더 안으로 이동합니다.

2. Python

쉬움 추천

사전 준비물

Git GitHub에서 프로젝트 코드를 내려받으려면 필요합니다.
Python 3 설치 시 'Add Python to PATH' 옵션을 꼭 체크하세요 (Windows).

uv pip install -r pyproject.toml

requirements.txt 등에 명시된 파이썬 라이브러리를 설치합니다.

✅ 에러 메시지 없이 실행되고 터미널에 안내 문구가 출력되면 정상입니다.

이 레포의 README에 적힌 실제 명령어를 그대로 가져왔습니다.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# 🔬 Open Deep Research
![full_diagram](https://github.com/user-attachments/assets/12a2371b-8be2-4219-9b48-90503eb43c69)
Deep research는 가장 인기 있는 에이전트 애플리케이션 중 하나로 부상했습니다. 이 도구는 다양한 모델 제공업체, 검색 도구, MCP 서버에서 작동하는 간단하고 설정 가능하며 완전히 오픈 소스인 deep research 에이전트입니다. 그 성능은 많은 인기 있는 deep research 에이전트들과 동등한 수준입니다 ([Deep Research Bench 리더보드 참조](https://huggingface.co/spaces/Ayanami0730/DeepResearch-Leaderboard)).
![Screenshot 2025-07-13 at 11 21 12 PM](https://github.com/user-attachments/assets/052f2ed3-c664-4a4f-8ec2-074349dcaa3f)
### 🔥 최근 업데이트
\*\*2025년 8월 14일\*\*: 오픈 deep research 구축에 대한 무료 강의를 [여기](https://academy.langchain.com/courses/deep-research-with-langgraph)에서 확인하세요 (강의 저장소는 [여기](https://github.com/langchain-ai/deep\_research\_from\_scratch)).
\*\*2025년 8월 7일\*\* GPT-5가 추가되었으며 GPT-5 결과가 포함된 Deep Research Bench 평가가 업데이트되었습니다.
\*\*2025년 8월 2일\*\*: 전체 점수 0.4344를 기록하며 [Deep Research Bench 리더보드](https://huggingface.co/spaces/Ayanami0730/DeepResearch-Leaderboard)에서 6위를 달성했습니다.
\*\*2025년 7월 30일\*\*: [블로그 글](https://rlancemartin.github.io/2025/07/30/bitter\_lesson/)에서 초기 구현부터 현재 버전으로의 진화 과정을 읽어보세요.
\*\*2025년 7월 16일\*\*: [블로그](https://blog.langchain.com/open-deep-research/)에서 자세한 내용을 읽어보시고, 빠른 개요를 위해 [동영상](https://www.youtube.com/watch?v=agGiWUpxkhg)을 시청하세요.
### 🚀 빠른 시작
1. 리포지토리를 복제하고 가상 환경을 활성화합니다:
```bash
git clone https://github.com/langchain-ai/open\_deep\_research.git
cd open\_deep\_research
uv venv
source .venv/bin/activate # On Windows: .venv\Scripts\activate
```
2. 종속성을 설치합니다:
```bash
uv sync
# or
uv pip install -r pyproject.toml
```
3. 환경 변수(모델 선택, 검색 도구 및 기타 설정)를 사용자 정의하기 위해 `.env` 파일을 설정합니다:
```bash
cp .env.example .env
```
4. 로컬에서 LangGraph 서버와 함께 에이전트를 실행합니다:
```bash
# Install dependencies and start the LangGraph server
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking
```
이렇게 하면 브라우저에서 LangGraph Studio UI가 열립니다.
```
- 🚀 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
```
`messages` 입력 필드에 질문을 입력하고 `Submit`을 클릭하세요. "Manage Assistants" 탭에서 다른 설정을 선택할 수 있습니다.
### ⚙️ 설정
#### LLM :brain:
Open Deep Research는 [init\_chat\_model() API](https://python.langchain.com/docs/how\_to/chat\_models\_universal\_init/)를 통해 다양한 LLM 제공업체를 지원합니다. 이 도구는 여러 작업을 위해 LLM을 사용합니다. 자세한 내용은 아래의 [configuration.py](https://github.com/langchain-ai/open\_deep\_research/blob/main/src/open\_deep\_research/configuration.py) 파일에 있는 모델 필드를 참조하세요. 이는 LangGraph Studio UI를 통해 접근할 수 있습니다.
- \*\*요약(Summarization)\*\* (기본값: `openai:gpt-4.1-mini`): 검색 API 결과를 요약합니다.
- \*\*연구(Research)\*\* (기본값: `openai:gpt-4.1`): 검색 에이전트를 구동합니다.
- \*\*압축(Compression)\*\* (기본값: `openai:gpt-4.1`): 연구 결과를 압축합니다.
- \*\*최종 보고서 모델(Final Report Model)\*\* (기본값: `openai:gpt-4.1`): 최종 보고서를 작성합니다.
> 참고: 선택한 모델은 [structured outputs](https://python.langchain.com/docs/integrations/chat/) 및 [tool calling](https://python.langchain.com/docs/how\_to/tool\_calling/)을 지원해야 합니다.
> 참고: OpenRouter의 경우 [이 가이드](https://github.com/langchain-ai/open\_deep\_research/issues/75#issuecomment-2811472408)를 따르고, Ollama를 통한 로컬 모델의 경우 [설치 지침](https://github.com/langchain-ai/open\_deep\_research/issues/65#issuecomment-2743586318)을 참조하세요.
#### 검색 API :mag:
Open Deep Research는 다양한 검색 도구를 지원합니다. 기본적으로 이 도구는

[Tavily](https://www.tavily.com/) 검색 API입니다. 완전한 MCP 호환성을 갖추고 있으며 Anthropic과 OpenAI를 위한 네이티브 웹 검색을 지원합니다. 자세한 내용은 [configuration.py](https://github.com/langchain-ai/open\_deep\_research/blob/main/src/open\_deep\_research/configuration.py) 파일의 `search\_api` 및 `mcp\_config` 필드를 참조하세요. 이는 LangGraph Studio UI를 통해 접근할 수 있습니다.
#### 기타
Open Deep Research의 동작을 사용자 정의하기 위한 다양한 기타 설정은 [configuration.py](https://github.com/langchain-ai/open\_deep\_research/blob/main/src/open\_deep\_research/configuration.py)의 필드들을 참조하세요.
### 📊 평가
Open Deep Research는 [Deep Research Bench](https://huggingface.co/spaces/Ayanami0730/DeepResearch-Leaderboard)를 통한 평가용으로 설정되어 있습니다. 이 벤치마크에는 실제 심층 연구 요구 사항을 반영하기 위해 22개 분야(예: 과학 및 기술, 비즈니스 및 금융)의 도메인 전문가들이 제작한 100개의 박사 수준 연구 작업(영어 50개, 중국어 50개)이 포함되어 있습니다. 2개의 평가 지표가 있지만, 리더보드는 RACE 점수를 기반으로 합니다. 이는 LLM-as-a-judge(Gemini)를 사용하여 전문가들이 일련의 지표를 바탕으로 컴파일한 모범 보고서 세트와 연구 보고서를 비교 평가합니다.
#### 사용법
> 경고: 모델 선택에 따라 100개의 예제를 모두 실행하는 데 약 $20~$100의 비용이 소요될 수 있습니다.
데이터셋은 [이 링크의 LangSmith](https://smith.langchain.com/public/c5e7a6ad-fdba-478c-88e6-3a388459ce8b/d)에서 확인할 수 있습니다. 평가를 시작하려면 다음 명령어를 실행하세요:
```bash
# Run comprehensive evaluation on LangSmith datasets
python tests/run\_evaluate.py
```
실행이 완료되면 LangSmith 실험으로 향하는 링크가 제공되며, 해당 실험의 이름은 `YOUR\_EXPERIMENT\_NAME`이 됩니다. 이 작업이 끝나면 Deep Research Bench에 제출할 수 있는 JSONL 파일로 결과를 추출합니다.
```bash
python tests/extract\_langsmith\_data.py --project-name "YOUR\_EXPERIMENT\_NAME" --model-name "you-model-name" --dataset-name "deep\_research\_bench"
```
이렇게 하면 필수 형식을 갖춘 `tests/expt\_results/deep\_research\_bench\_model-name.jsonl` 파일이 생성됩니다. 생성된 JSONL 파일을 Deep Research Bench 저장소의 로컬 클론으로 이동하고 평가 제출을 위해 해당 [Quick Start 가이드](https://github.com/Ayanami0730/deep\_research\_bench?tab=readme-ov-file#quick-start)를 따르세요.
#### 결과
| Name | Commit | Summarization | Research | Compression | Total Cost | Total Tokens | RACE Score | Experiment |
|------|--------|---------------|----------|-------------|------------|--------------|------------|------------|
| GPT-5 | [ca3951d](https://github.com/langchain-ai/open\_deep\_research/pull/168/commits) | openai:gpt-4.1-mini | openai:gpt-5 | openai:gpt-4.1 | | 204,640,896 | 0.4943 | [Link](https://smith.langchain.com/o/ebbaf2eb-769b-4505-aca2-d11de10372a4/datasets/6e4766ca-613c-4bda-8bde-f64f0422bbf3/compare?selectedSessions=4d5941c8-69ce-4f3d-8b3e-e3c99dfbd4cc&baseline=undefined) |
| Defaults | [6532a41](https://github.com/langchain-ai/open\_deep\_research/commit/6532a4176a93cc9bb2102b3d825dcefa560c85d9) | openai:gpt-4.1-mini | openai:gpt-4.1 | openai:gpt-4.1 | $45.98 | 58,015,332 | 0.4309 | [Link](https://smith.langchain.com/o/ebbaf2eb-769b-4505-aca2-d11de10372a4/datasets/6e4766ca-6[…]ons=cf4355d7-6347-47e2-a774-484f290e79bc&baseline=undefined) |
| Claude Sonnet 4 | [f877ea9](https://github.com/langchain-ai/open\_deep\_research/pull/163/commits/f877ea93641680879c420ea991e998b47aab9bcc) | openai:gpt-4.1-mini | anthropic:claude-sonnet-4-20250514 | openai:gpt-4.1 | $187.09 | 138,917,050 | 0.4401 | [Link](https://smith.langchain.com/o/ebbaf2eb-769b-4505-aca2-d11de10372a4/datasets/6e4766ca-6[…]ons=04f6002d-6080-4759-bcf5-9a52e57449ea&baseline=undefined) |
| Deep Research Bench Submission | [c0a160b](https://github.com/langchain-ai/open\_deep\_research/commit/c0a160b57a9b5ecd4b8217c3811a14d8eff97f72) | openai:gpt-4.1-nano | openai:gpt-4.1 | openai:gpt-4.1 | $87.83 | 207,005,549 | 0.4344 | [Link](https://smith.langchain.com/o/ebbaf2eb-769b-4505-aca2-d11de10372a4/datasets/) |

6e4766ca-6[…]ons=e6647f74-ad2f-4cb9-887e-acb38b5f73c0&baseline=undefined) |
### 🚀 배포 및 사용법
#### LangGraph Studio
[빠른 시작](#-quickstart)을 따라 LangGraph 서버를 로컬에서 실행하고 LangGraph Studio에서 에이전트를 테스트해 보세요.
#### 호스팅 배포
[LangGraph Platform](https://langchain-ai.github.io/langgraph/concepts/#deployment-options)에 간편하게 배포할 수 있습니다.
#### Open Agent Platform
Open Agent Platform (OAP)은 비기술적 사용자도 자신만의 에이전트를 구축하고 구성할 수 있는 UI입니다. OAP는 사용자가 자신의 니즈와 해결하고자 하는 문제에 가장 적합한 다양한 MCP 도구 및 검색 API로 Deep Researcher를 구성할 수 있도록 지원하는 데 매우 유용합니다.
저희는 OAP의 공개 데모 인스턴스에 Open Deep Research를 배포했습니다. API 키만 추가하면 직접 Deep Researcher를 테스트해 보실 수 있습니다! [여기](https://oap.langchain.com)에서 사용해 보세요.
또한 자신만의 OAP 인스턴스를 배포하고, Deep Researcher 같은 커스텀 에이전트를 사용자들이 이용할 수 있도록 제공할 수 있습니다.
1. [Open Agent Platform 배포하기](https://docs.oap.langchain.com/quickstart)
2. [OAP에 Deep Researcher 추가하기](https://docs.oap.langchain.com/setup/agents)
### 레거시 구현체 🏛️
`src/legacy/` 폴더에는 자동화된 연구에 대한 대안적 접근 방식을 제공하는 두 가지 이전 구현체가 포함되어 있습니다. 현재 구현체보다는 성능이 떨어지지만, 심층 연구에 대한 다양한 접근 방식을 이해하는 데 참고할 만한 아이디어를 제공합니다.
#### 1. 워크플로우 구현체 (`legacy/graph.py`)
- \*\*계획 후 실행 (Plan-and-Execute)\*\*: human-in-the-loop 계획 기능이 포함된 구조화된 워크플로우
- \*\*순차적 처리\*\*: 성찰(reflection) 과정을 거치며 섹션을 하나씩 생성
- \*\*대화형 제어\*\*: 보고서 계획에 대한 피드백 및 승인 가능
- \*\*품질 중심\*\*: 반복적인 개선을 통한 정확성 강조
#### 2. 멀티 에이전트 구현체 (`legacy/multi\_agent.py`)
- \*\*감독관-연구원 아키텍처\*\*: 조율된 멀티 에이전트 시스템
- \*\*병렬 처리\*\*: 여러 연구원이 동시에 작업 수행
- \*\*속도 최적화\*\*: 동시성을 통한 더 빠른 보고서 생성
- \*\*MCP 지원\*\*: 광범위한 Model Context Protocol 통합