Open Deep Research MCP Server 深度研究报告生成器使用手册

Open Deep Research MCP Server 是一个AI驱动的深度研究工具，可以对任何主题进行深入的迭代研究，结合了搜索引擎、网页抓取和AI技术，能深入研究主题然后生成综合报告，能够作为Model Context Protocol（MCP）工具使用，也可作为独立的命令行界面（CLI）程序运行。

Open Deep Research MCP Server安装配置

Clone项目安装依赖

执行以下命令将项目clone到本地然后安装：

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

配置环境文件

复制示例环境文件：

cp .env.example .env.local

随后在.env.local中完成环境配置。

构建服务器

运行构建命令：

npm run build

启动CLI版本

执行启动命令：

npm run start

使用Claude Desktop测试MCP服务器

可参照服务器快速启动指南末尾的说明，将服务器添加至Claude Desktop https://modelcontextprotocol.io/quickstart/server

运行远程服务器（可流式传输的HTTP服务）

执行以下命令：

npm run start:http

服务器默认运行于http://localhost:3000/mcp，不启用会话管理功能。

Open Deep Research MCP Server 能够生成有针对性的搜索查询，能开展深度的迭代式研究，借助深度（研究深度）和广度（研究范围）参数，对研究范围进行控制，对来源可靠性进行详细评分（0-1分），然后给出评分依据。

Open Deep Research MCP Server优先选用高可靠性来源（评分≥0.7），对可靠性较低的信息进行验证，生成后续问题，能更好地理解研究需求（目前MCP版本暂不支持此功能），生成详细的Markdown报告，内容涵盖研究发现、来源信息和可靠性评估，可作为AI代理的Model Context Protocol（MCP）工具使用。

Open Deep Research MCP Server工作原理

flowchart TB
    subgraph 输入
        Q[用户查询]
        B[广度参数]
        D[深度参数]
        FQ[反馈问题]
    end

    subgraph 深度研究
        direction TB
        SQ[生成搜索引擎查询]
        SR[搜索]
        RE[来源可靠性评估]
        PR[处理结果]
    end

    subgraph 研究输出
        direction TB
        L((带可靠性评分的研究成果))
        SM((来源元数据))
        ND((下一步方向：优先目标、新问题))
    end

    %% 主流程
    Q & FQ --> CQ[组合查询]
    CQ & B & D --> SQ
    SQ --> SR
    SR --> RE
    RE --> PR

    %% 结果流程
    PR --> L
    PR --> SM
    PR --> ND

    %% 深度决策与递归
    L & ND --> DP{深度 > 0?}
    DP -->|是| SQ
    
    %% 最终输出
    DP -->|否| MR[Markdown报告]

    %% 样式定义
    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

使用本地Firecrawl（免费方案）

不需要使用Firecrawl API就可以在运行本地实例，可使用官方仓库或项目作者的分支（该分支使用searXNG作为搜索后端，不需要搜索API密钥）。

本地Firecrawl设置步骤：

1、克隆项目：

git clone https://github.com/Ozamatash/localfirecrawl
cd localfirecrawl

2、按照localfirecrawl项目README中的说明完成设置。

3、更新.env.local文件：

FIRECRAWL_BASE_URL="http://localhost:3002"

可选：启用可观测性

通过Langfuse跟踪研究流程、查询及结果，需在.env.local中添加以下配置：

LANGFUSE_PUBLIC_KEY="你的Langfuse公钥"
LANGFUSE_SECRET_KEY="你的Langfuse私钥"

若未提供Langfuse密钥，应用仍可正常运行，仅缺少可观测性功能。

Open Deep Research MCP Server项目结构