DeepRearch深度研究：基于Python的AI驱动智能搜索与深度研究解决方案

DeepRearch深度研究是一个基于Python的AI驱动智能搜索与深度研究解决方案，通过Agent架构和精准搜索策略，帮助用户从海量信息中获取高质量、高相关性的资料，强调提升搜索资料的质量远比罗列上百个网页更有价值。DeepRearch主要功能和关键特性包括：支持完全本地部署，除大型模型API外不依赖任何在线服务；提供可视化的研究过程，实时“直播”AI从规划、搜索、评估到迭代深化的每一步；提供兼容OpenAI格式的API服务，便于集成；通过大模型对网页内容进行压缩，提高有效信息密度并扩大上下文访问范围；实现多个大型模型协同工作以充分发挥各自能力；允许用户通过提示词控制搜索语言和资料来源等过程；内置了大量精心设计的Prompt和消息处理机制，以精确引导LLM完成复杂的搜索规划、信息评估和内容生成任务，并已在Gemini 2.5 Flash模型上经过数十次测试无错误。

DeepRearch主要特性

• 所有服务都能本地部署，除大模型API外，不依赖任何在线服务

• 研究过程完全透明，会实时“直播”AI从初步规划、动态搜索、评估网页到迭代深化的每一步

• 基于Flask构建，提供符合OpenAI格式的API接口

• 借助大模型压缩网页内容，减少上下文长度，提高有效信息密度，相同上下文下能访问更多网页

• 多个大模型协同工作，充分发挥各自能力完成任务

• 用户通过提示词，能控制搜索使用的语言、资料来源限制等

• 内置大量精心设计的Prompt与消息处理，指导LLM完成复杂的搜索规划、信息评估和内容生成任务，全部使用Gemini 2.5 flash模型时，测试数十次未出现任何差错

DeepRearch研究流程

1、用户发起研究请求

2、DeepResearch分析请求，制定初步计划；若需要更多信息，会询问用户以完善计划

3、用户提供额外需求或确认后，开始核心研究循环：

• 生成搜索关键词 • 评估搜索结果价值，更新搜索计划 • 爬虫提取有价值网页 • 压缩内容，提高信息密度

4、判断信息是否足够，足够则生成最终报告，用户接收研究报告

DeepRearch安装和部署

提供两种部署方式：使用Docker（推荐）或直接在本地环境运行。

方法一：使用Docker（推荐）

这种方式最简单，不用手动管理Python环境和依赖。项目根目录已提供Dockerfile和docker-compose.yml文件。

启动服务

使用Docker Compose（推荐）：项目根目录的docker-compose.yml文件内容如下：

version: '3'
services:
deepresearch:
    container_name: deepresearch
    image: cat3399/deepresearch:latest
    ports:
    - "5000:5000"
# volumes:
#   - ./.env:/app/.env # 若想使用本地的.env文件，取消此行注释

在项目根目录运行docker-compose up -d即可启动服务。注意：volumes部分默认被注释，若想将本地.env文件映射到容器，取消注释后再运行。

使用Docker CLI：若不使用Docker Compose，可直接运行docker run -d --name deepresearch -p 5000:5000 cat3399/deepresearch:latest。

访问服务

服务启动后，通过http://127.0.0.1:5000访问API服务，或通过http://127.0.0.1:5000/setting访问可视化配置页面。

方法二：本地部署

1、环境准备：确保安装Python 3.8+，建议使用uv或venv等虚拟环境。

2、安装依赖：克隆仓库到本地后，在项目根目录运行pip install -r requirements.txt。

3、配置环境变量：可通过http://127.0.0.1:5000/setting进入配置文件的webui进行可视化配置，保存后配置立即生效，不用重启服务。

快速上手（仅使用Gemini）：复制.env.template文件并重命名为.env，只需在配置文件中填入ALL_IN_GEMINI_KEY。支持多个Gemini API Key，用英文逗号,分隔。此配置中，基础与总结模型使用2.5pro，评估使用2.5flash，压缩使用2.5flash lite，具体模型配置优先级高于默认值。

完整配置（适用于所有模型）：复制.env.template文件并重命名为.env，根据实际情况填写必要的API密钥和URL。

• 所有模型的API_KEY字段支持填写多个密钥，用逗号,分隔，程序会随机选择使用。

• 除内容压缩模型外，若特定模型的配置项（如SEARCH_KEYWORD_API_KEY等）留空，系统默认使用BASE_CHAT_*的配置。

• API_TYPE字段指定API格式，留空默认为OPENAI格式，除内容压缩模型，其余暂不支持Gemini格式（Gemini有OpenAI兼容模式）。

关键配置项说明：

基础配置：API_KEY是访问本项目API服务时所需的授权密钥。

搜索引擎配置：优先使用SearXNG，请求失败时自动切换到Tavily。需配置SEARXNG_URL（自建或公共SearXNG实例，支持JSON格式输出）、TAVILY_KEY（Tavily服务的API密钥）等。

网页爬虫配置（至少配置一个）：优先级为FireCrawl>Crawl4ai>Jina，需配置对应服务的URL和API密钥等。

搜索与研究参数：包括抓取网页时的并发任务数、普通/深度研究模式下处理的网页数量、深度研究模式的最大迭代次数等。

大模型（LLM）配置：包括基础对话模型、搜索关键词生成模型、搜索结果评估模型、网页内容压缩模型、最终总结生成模型的API密钥、URL、模型名称等。

4、运行服务：一键测试所有API是否正常可运行python main.py --test；在项目根目录运行python main.py，服务默认启动在http://0.0.0.0:5000。

外部服务依赖

搜索引擎API（二选一）：Searxng（自建或使用公共服务器，需开启JSON格式支持）、Tavily（通过官网获取API密钥）。

网页爬虫（三选一）：FireCrawl（自建或使用官方API）、Crawl4AI（自建服务）、Jina（官方提供免费版，详见 https://jina.ai/reader/ ）。

LLM：大模型API供应商提供的服务。

API使用示例

任何兼容OpenAI API格式的客户端（如LobeChat、One-API、OpenWebui、Cherry Studio）都能与服务交互。以Cherry Studio为例，API地址可设为http://127.0.0.1:5000或http://127.0.0.1:5000/v1/chat/completions。使用带deep-research的模型ID可触发深度研究模式，支持的模型ID列表可通过/v1/models接口获取。

Python库依赖

包括Flask（Web框架）、OpenAI Python SDK（与OpenAI兼容的API交互）、Requests（HTTP请求库）、BeautifulSoup4（HTML/XML解析）、PyMuPDF、python-docx、openpyxl（解析PDF、DOCX、XLSX等文件）、python-dotenv（加载环境变量）等。完整依赖列表见requirements.txt。