langchain-ai/open_deep_research

⭐ 5,086 🍴 723 Python📄 MIT License GitHubで見る →

主な特徴

  • シンプルかつ設定可能な完全オープンソースの深層調査エージェント
  • 複数のLLMプロバイダーのサポート（OpenAI、Anthropic、Google Vertex AI等）
  • 多様な検索APIサポート（Tavily、OpenAIネイティブ、Anthropicネイティブ）
  • MCP（Model Context Protocol）サーバーとの統合
  • マルチエージェントによる並列処理で高速な調査
  • LangGraph Studioでのビジュアルデバッグ・実行
  • 調査プロセスの詳細な設定オプション
  • ヒューマンインザループ機能（明確化質問）
  • バッチ評価システムによる品質検証
  • Open Agent Platform (OAP)へのデプロイ対応

リポジトリ解析: langchain-ai/open_deep_research

基本情報

  • リポジトリ名: langchain-ai/open_deep_research
  • 主要言語: Python
  • スター数: 5,086
  • フォーク数: 723
  • 最終更新: 2025-07-16
  • ライセンス: MIT License
  • トピックス: AIエージェント、深層調査、レポート生成、LangGraph、MCPサポート

概要

一言で言うと

Open Deep Researchは、詳細なリサーチと包括的なレポート生成を自動化するマルチエージェントシステムで、様々なLLMプロバイダー、検索ツール、MCPサーバーに対応した完全オープンソースのソリューションです。

詳細説明

Open Deep Researchは、LangChainチームが開発した深層調査エージェントで、AIエージェントアプリケーションの中でも最も人気のある分野の一つとして巣立っています。LangGraphをベースに構築され、複数の特化されたモデルを使用して調査タスクを実行します。スーパーバイザーが調査計画を立て、複数のリサーチャーエージェントが並列で調査を実施し、最終的に包括的なレポートを生成するというアーキテクチャを採用しています。

主な特徴

  • シンプルかつ設定可能な完全オープンソースの深層調査エージェント
  • 複数のLLMプロバイダーのサポート（OpenAI、Anthropic、Google Vertex AI等）
  • 多様な検索APIサポート（Tavily、OpenAIネイティブ、Anthropicネイティブ）
  • MCP（Model Context Protocol）サーバーとの統合
  • マルチエージェントによる並列処理で高速な調査
  • LangGraph Studioでのビジュアルデバッグ・実行
  • 調査プロセスの詳細な設定オプション
  • ヒューマンインザループ機能（明確化質問）
  • バッチ評価システムによる品質検証
  • Open Agent Platform (OAP)へのデプロイ対応

使用方法

インストール

前提条件

  • Python 3.10以上（推奨: 3.11）
  • uv（Pythonパッケージマネージャー）または仮想環境
  • 各種モデルプロバイダーのAPIキー
  • （オプション）検索APIのキー（Tavily等）

インストール手順

# リポジトリのクローンと仮想環境の活性化
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
uv venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 依存関係のインストール
uv pip install -r pyproject.toml

# 環境設定ファイルの作成
cp .env.example .env
# .envファイルを編集してAPIキーを設定

基本的な使い方

Hello World相当の例

# LangGraphサーバーの起動
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev --allow-blocking

# 以下のURLでStudio UIにアクセス
# - 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

実践的な使用例

# LangGraph Studioでの使用例
# messages入力フィールドに質問を入力
"Obesity among young adults in the United States"

# Submitをクリックして調査を開始
# エージェントが以下のステップを実行:
# 1. 必要に応じて明確化質問
# 2. 調査計画の作成
# 3. 複数エージェントによる並列調査
# 4. 包括的レポートの生成

高度な使い方

# MCPサーバーとの統合例
# .envでMCP設定を追加
"""
MCP_CONFIG='{
  "url": "https://api.arcade.dev/v1/mcps/ms_0ujssxh0cECutqzMgbtXSGnjorm",
  "tools": ["Search_SearchHotels", "Search_SearchOneWayFlights"]
}'
"""

# カスタム設定での使用
# UIまたは環境変数で以下を設定:
# - 同時実行リサーチユニット数: 1-20
# - リサーチャーの反復回数: 1-10
# - ツール呼び出しの最大回数: 1-30

ドキュメント・リソース

公式ドキュメント

サンプル・デモ

  • examples/arxiv.md: 肥満に関する調査レポートのサンプル
  • examples/inference-market.md: AI推論市場に関するレポート
  • examples/pubmed.md: PubMedデータを使用したレポート
  • OAPデモ: https://oap.langchain.com

チュートリアル・ガイド

  • LangGraph Studioチュートリアル
  • 設定カスタマイズガイド
  • MCPサーバー統合ガイド
  • OpenRouter、Ollama等の特殊設定ガイド

技術的詳細

アーキテクチャ

全体構造

Open Deep Researchは、LangGraphを基盤としたマルチエージェントアーキテクチャを採用しています。スーパーバイザーエージェントが全体の調査計画を管理し、複数のリサーチャーエージェントをコーディネートして並列調査を実施します。状態管理にはLangGraphのStateGraphを使用し、エージェント間の通信はCommandパターンで実現されています。

ディレクトリ構成

open_deep_research/
├── src/
│   ├── open_deep_research/  # メイン実装
│   │   ├── deep_researcher.py  # メインのエージェントグラフ
│   │   ├── state.py  # 状態管理クラス
│   │   ├── configuration.py  # 設定管理
│   │   ├── prompts.py  # プロンプトテンプレート
│   │   └── utils.py  # ユーティリティ関数
│   ├── legacy/  # レガシー実装（別アプローチ）
│   └── security/
│       └── auth.py  # 認証システム
├── tests/  # テストと評価システム
├── examples/  # サンプルレポート
└── langgraph.json  # LangGraph設定

主要コンポーネント

  • Deep Researcher Graph: メインのエージェントグラフ

    • 場所: deep_researcher.py
    • 依存: LangGraph、Stateクラス群、Configuration
    • インターフェース: clarify_with_user、write_research_brief、supervisor、researcher

  • Stateクラス群: エージェント間の状態管理

    • 場所: state.py
    • 依存: Pydantic、LangGraph
    • インターフェース: AgentState、SupervisorState、ResearcherState等

  • Configuration: 柔軟な設定管理システム

    • 場所: configuration.py
    • 依存: Pydantic
    • インターフェース: from_runnable_config、各種設定フィールド

技術スタック

コア技術

  • 言語: Python 3.10以上（型ヒント、async/await使用）
  • フレームワーク: LangGraph (エージェントワークフロー管理)
  • 主要ライブラリ:
    • langgraph (>=0.2.55): エージェントグラフの構築
    • langchain-* (various): LLMプロバイダー統合
    • tavily-python: Web検索API
    • mcp (>=1.9.4): Model Context Protocolサポート
    • pydantic: データモデルとバリデーション

開発・運用ツール

  • ビルドツール: setuptools、pyproject.tomlベース
  • テスト: pytest、バッチ評価システム
  • CI/CD: LangGraph Platformへのデプロイ対応
  • デプロイ: LangGraph Studio、OAP、Docker対応

設計パターン・手法

  • マルチエージェントパターン: スーパーバイザーとワーカーの階層構造
  • ステートマシンパターン: LangGraphのStateGraphによる状態管理
  • コマンドパターン: エージェント間の通信と制御
  • Strategyパターン: 異なる検索APIやモデルの交換可能性
  • 構成可能パターン: 実行時の動的設定変更

データフロー・処理フロー

  1. ユーザーからの質問受付
  2. 必要に応じて明確化質問を生成
  3. 調査課題の作成（Research Brief）
  4. スーパーバイザーが調査計画を立案
  5. 複数のリサーチャーエージェントを生成
  6. 各エージェントが並列で調査実施
    • 検索APIの呼び出し
    • MCPツールの使用
    • 結果の要約と圧縮
  7. スーパーバイザーが結果を集約、必要に応じて追加調査
  8. 最終レポートの生成
  9. ユーザーへの結果返却

API・インターフェース

公開API

LangGraph API

  • 目的: Deep Researchエージェントの実行
  • 使用例:
# LangGraph Studio経由での使用
import requests

response = requests.post(
    "http://127.0.0.1:2024/runs",
    json={
        "input": {
            "messages": [{"content": "Research topic...", "type": "human"}]
        },
        "config": {
            "configurable": {
                "max_concurrent_research_units": 10,
                "search_api": "tavily"
            }
        }
    }
)

設定・カスタマイズ

設定ファイル

# モデル設定
SUMMARIZATION_MODEL="openai:gpt-4.1-nano"
RESEARCH_MODEL="openai:gpt-4.1"
COMPRESSION_MODEL="openai:gpt-4.1-mini"
FINAL_REPORT_MODEL="openai:gpt-4.1"

# 検索API設定
SEARCH_API="tavily"
TAVILY_API_KEY="your-key"

# MCP設定
MCP_CONFIG='{"url": "...", "tools": [...]}'

拡張・プラグイン開発

  • カスタム検索APIの追加: utils.pyのget_all_toolsを拡張
  • 新しいモデルプロバイダー: init_chat_modelを使用
  • MCPサーバーの追加: MCPConfigで設定

パフォーマンス・スケーラビリティ

パフォーマンス特性

  • ベンチマーク結果: 同時実行数に応じて調査速度が向上
  • 最適化手法:
    • 複数エージェントの並列実行（最大20ユニット）
    • 異なるモデルの特化使用（要約、圧縮、最終レポート）
    • 検索結果のキャッシュ機能

スケーラビリティ

  • 水平スケール: 同時実行ユニット数の調整で対応
  • モデルの選択: 要件に応じて高性能/低コストモデルを選択
  • LangGraph Platformへのデプロイでエンタープライズ対応

制限事項

  • 技術的な制限:
    • モデルの構造化出力サポートが必須
    • 検索APIとモデルの互換性制約
    • レートリミットによる同時実行数の上限
  • 運用上の制限:
    • 各種LLMプロバイダーのAPIキーが必要
    • 検索APIの利用コスト

評価・所感

技術的評価

強み

  • 完全オープンソースでカスタマイズ性が高い
  • 複数LLMプロバイダーへの対応
  • LangGraphを活用した洗練されたマルチエージェント実装
  • MCPサポートによる拡張性
  • バッチ評価システムによる品質保証
  • LangChainチームによる積極的なメンテナンス

改善の余地

  • 日本語ドキュメントの不足
  • セットアップの複雑さ
  • モデル間の互換性制約
  • コスト最適化の余地

向いている用途

  • 深層的な調査タスクの自動化
  • 学術研究や市場調査
  • 技術ドキュメントの作成
  • 情報収集・分析タスク
  • カスタムAIエージェントのベース実装

向いていない用途

  • リアルタイム性が要求されるタスク
  • 単純なQ&Aタスク
  • コスト意識が厚い用途
  • オフライン環境での利用

総評

Open Deep Researchは、AIエージェントアプリケーションの中でも特に人気のある「深層調査」分野において、実用的で高機能なソリューションを提供しています。LangGraphをベースにした洗練されたアーキテクチャ、複数のLLMプロバイダーへの対応、MCPサポートなど、最新の技術トレンドを取り入れている点が特徴的です。完全オープンソースであるため、研究者や開発者が独自のニーズに合わせてカスタマイズできる柔軟性も備えています。今後、AIエージェント技術の発展とともに、さらに重要なツールとなることが期待されます。