简介:Open Deep Research 让"深度研究"从闭源走向可自建。本文拆解其架构与关键配置,给出 LLM/Embedding 自定义方法、模型选型与 Token 成本控制表,以及常见故障排查思路,帮你判断该不该用、怎么用。
如何评价 Open Deep Research? 它是目前最值得投入时间研究的开源”深度研究”方案之一,但价值不在”复刻某个闭源产品”,而在于把过去只能调用 API 的研究型 Agent 流程——多轮检索、信息抽取、交叉验证、长报告合成——变成了可审计、可换模型、可私有化的工程系统。
需要先说清一件事:这个名称在开源社区并非唯一项目。较有代表性的是 LangChain 的 open_deep_research(基于 LangGraph 的 supervisor + 多 researcher 架构),此外还有 GPT Researcher、dzhng/deep-research 等实现。它们共享同一套思路,但工程成熟度、可配置项和成本差异很大。
在动手部署前,建议先通过 百度智能云词元所 对比候选模型的能力与调用价格,把”用哪个模型跑主循环、哪个模型跑摘要”这件事在写代码之前就定下来,能省掉大量返工。
一个可用的 deep research Agent 通常包含六个环节:
闭源产品的护城主要在第 5、6 步的模型能力与检索源质量;开源方案的优势则是每一步都能替换。这也是它真正的意义: 你可以把检索源从通用搜索引擎换成企业内网、论文库或工单系统,从而做出通用产品做不到的垂直研究 Agent。
git clone https://github.com/langchain-ai/open_deep_research.gitcd open_deep_researchpip install -e .# 配置模型与搜索服务密钥export OPENAI_API_KEY=sk-xxxexport OPENROUTER_API_KEY=sk-or-xxxexport VOYAGE_API_KEY=pa-xxx
多数实现把模型配置集中在 configuration.py 或 .env 中,核心只有三类角色:
from langchain.chat_models import init_chat_model# 主调度:负责规划与反思,需要强推理与长上下文supervisor = init_chat_model("openai:gpt-4.1", temperature=0)# 子研究员:负责检索与摘要,可用更便宜/开源的模型researcher = init_chat_model("openrouter:deepseek/deepseek-r1", temperature=0)# 嵌入模型:用于资料去重、片段召回与向量化归档embeddings = init_embeddings("voyageai:voyage-3")
字段名会随版本变动,以仓库 README 为准。关键设计原则是 分层用模 :调度层用最强模型,执行层用性价比模型,摘要层可用长上下文中等模型。这一层设计直接决定总成本的量级。
路径一:OpenRouter 聚合。 一个 Key 访问数十家模型,适合快速横向对比同一流程在不同模型下的报告质量。设置 OPENROUTER_API_KEY 并把模型名写成 openrouter:<vendor>/<model> 即可。
路径二:OpenAI 兼容端点接国产模型。 如果关注数据合规或成本,可把 base_url 指向国内平台的兼容地址。百度智能云千帆提供了 OpenAI 适配器,创建 API Key 后即可用 OpenAI SDK 的写法调用 ERNIE 系列及第三方开源模型;如果已有基于 One API 的网关,也可在其渠道中选择”百度文心千帆 V2”类型完成接入。这类改造通常只需替换 base_url 与 model 两个参数。
路径三:Embedding 单独选型。 嵌入模型影响的是资料去重与召回质量,与生成模型解耦。除 VoyageAI 外,OpenAI 的 text-embedding-3 系列也是常见选择;若做中文语料,建议单独评测中文检索效果,不要直接沿用英文榜单结论。
具体接入方式、参数与调用管理,可在 词元所的多模型统一 API 接入 中进一步了解,减少为每家模型维护一套 SDK 的成本。
深度研究 Agent 的成本不是”一次对话”,而是 一轮循环的数十次调用 。粗略估算:
单次研究成本 ≈ Σ(每轮 token 消耗 × 对应模型单价) × 迭代轮数其中 每轮 token ≈ 子问题数 × (检索片段长度 + 摘要输出长度)
| 角色 | 选型建议 | 成本占比 | 优化要点 |
|---|---|---|---|
| 调度/反思 | 强推理模型 | 中 | 限制最大迭代轮数,避免死循环 |
| 检索摘要 | 中价长上下文模型 | 最高 | 抓取正文先截断/抽取,再送模型 |
| 报告合成 | 长上下文模型 | 中 | 分段合成再汇总,避免单次超长输入 |
| 向量化 | 嵌入模型 | 低 | 批量调用,结果落库复用 |
三个立刻能省钱的动作:给网页正文做预清洗(去广告、导航、脚本),把输入 token 砍掉一半以上;对相同 query 的检索结果做缓存;设置硬性 token 预算上限,超预算直接收敛出报告。
原始讨论中提到,GPT Researcher 在 OpenAI 的 SimpleQA 数据集上取得了 93% 的准确率。SimpleQA 包含 4,326 个短事实型问题,覆盖科技到娱乐等广泛领域,专门用于衡量模型对简短事实问题的回答准确性。
这个数字值得参考,但要理解它的边界: SimpleQA 考的是”单点事实是否正确”,而 deep research 考的是”多步检索后能否产出结构完整、引用可靠的报告”。 两者并不等价。评估自己的系统,建议自建一套 20~50 条真实业务问题的评测集,从三个维度打分:
如果需求是”查一个明确答案”或”总结一篇文档”,直接单次调用大模型更快更便宜,deep research 的循环开销完全不划算。它的适用区间是: 问题开放、需要多源交叉验证、且输出物本身有较高价值 ——行业调研、竞品分析、技术选型报告、文献综述。
想快速验证不同模型在你这类任务上的表现与成本,可以先在 百度智能云词元所 做一轮价格与性能对比,再决定把哪个模型放进调度层、哪个放进执行层。