langchain-ai/open_deep_research

⭐ 5,322 🍴 752 Python📄 MIT License GitHubで見る →

主な特徴

  • マルチエージェントアーキテクチャ（スーパーバイザー、リサーチャー、コンプレッサー、レポートライター）
  • 複数の検索APIサポート（Tavily、OpenAI、Anthropic）
  • Model Context Protocol (MCP)サポートによる拡張性
  • 明確化システム（調査前に質問を明確化）
  • 最大20の同時並行リサーチユニット
  • 高度な評価フレームワーク（多次元スコアリング）
  • タスクごとにモデルを柔軟に設定可能

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: 5,322
  • フォーク数: 752
  • 最終更新: 2025年1月（活発に開発中）
  • ライセンス: MIT License
  • トピックス: AI Research Agent, LangGraph, Multi-Agent System, Research Automation

概要

一言で言うと

open_deep_researchは、任意のトピックについて自動的に深い調査を行い、包括的なレポートを生成するオープンソースのAIリサーチアシスタントです。

詳細説明

LangChainが開発した実験的なプロジェクトで、LangGraphフレームワークを基盤とした複数のAIエージェントが協調して動作します。ユーザーが入力した質問に対して、検索エンジン、学術データベース、Webサイトなどから情報を収集し、信頼性の高い引用元を明記した包括的な研究レポートを作成します。Perplexityのような商用AIリサーチツールと同等の機能を、完全にオープンソースで提供することを目指しています。

主な特徴

  • マルチエージェントアーキテクチャ（スーパーバイザー、リサーチャー、コンプレッサー、レポートライター）
  • 複数の検索APIサポート（Tavily、OpenAI、Anthropic）
  • Model Context Protocol (MCP)サポートによる拡張性
  • 明確化システム（調査前に質問を明確化）
  • 最大20の同時並行リサーチユニット
  • 高度な評価フレームワーク（多次元スコアリング）
  • タスクごとにモデルを柔軟に設定可能

使用方法

インストール

前提条件

  • Python 3.10以上
  • 主要な依存関係:
    • LangGraph v0.2.55以上
    • LangChainの各種モデル統合パッケージ
    • uv（Pythonパッケージマネージャー）
  • APIキー：
    • OpenAI APIキー（必須）
    • Tavily APIキー（推奨）
    • Anthropic/Google APIキー（オプション）

インストール手順

# リポジトリのクローン
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research

# 仮想環境の作成
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

# 環境変数の設定
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 Studio経由）

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

# ブラウザで以下にaccess:
# Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
# API: http://127.0.0.1:2024
# API Docs: http://127.0.0.1:2024/docs

# Studio UIで簡単な質問を入力:
# "量子コンピューティングとは何ですか？"

実践的な使用例（プログラマティック）

import asyncio
from open_deep_research.deep_researcher import deep_researcher_builder
from langgraph.checkpoint.memory import MemorySaver
import uuid

async def research_medical_topic():
    # グラフのビルド
    graph = deep_researcher_builder.compile(checkpointer=MemorySaver())
    
    # 基本設定
    config = {
        "configurable": {
            "thread_id": str(uuid.uuid4()),
            # 一般設定
            "max_structured_output_retries": 3,
            "allow_clarification": True,
            "max_concurrent_research_units": 5,
            
            # 検索設定
            "search_api": "tavily",
            "max_researcher_iterations": 3,
            "max_react_tool_calls": 5,
            
            # モデル設定
            "research_model": "openai:gpt-4.1",
            "final_report_model": "openai:gpt-4.1",
        }
    }
    
    # リサーチの実行
    query = "糖尿病性腎症の最新の治療法について詳しく教えてください"
    result = await graph.ainvoke(
        {"messages": [{"role": "user", "content": query}]},
        config
    )
    
    # 結果の取得（最後のメッセージがレポート）
    report = result["messages"][-1]["content"]
    print(report)
    
    return report

# 実行
asyncio.run(research_medical_topic())

高度な使い方

# MCPサーバーを使用した拡張例
async def advanced_research_with_mcp():
    graph = deep_researcher_builder.compile(checkpointer=MemorySaver())
    
    config = {
        "configurable": {
            "thread_id": str(uuid.uuid4()),
            # パラレルリサーチを最大化
            "max_concurrent_research_units": 20,
            
            # 各タスクに異なるモデルを使用
            "summarization_model": "openai:gpt-4.1-nano",
            "summarization_model_max_tokens": 8192,
            "research_model": "anthropic:claude-3.5-haiku",
            "research_model_max_tokens": 10000,
            "compression_model": "openai:gpt-4.1-mini",
            "compression_model_max_tokens": 8192,
            "final_report_model": "anthropic:claude-3.5-sonnet",
            "final_report_model_max_tokens": 15000,
            
            # MCPサーバー設定
            "mcp_config": {
                "url": "https://api.arcade.dev/v1/mcps/your_server",
                "tools": ["Search_SearchAcademic", "Search_SearchPatents"],
                "auth_required": True
            },
            
            # 検索APIを無効化してMCPのみ使用
            "search_api": "none",
        }
    }
    
    # 複雑な質問で詳細なレポートを作成
    complex_query = """
    過去5年間の量子コンピューティングにおけるエラー訂正技術の進化を分析し、
    特にトポロジカル量子コンピューティングのブレークスルーと
    実用化への課題について詳細に報告してください。
    主要な研究グループとその成果、特許出願状況も含めてください。
    """
    
    result = await graph.ainvoke(
        {"messages": [{"role": "user", "content": complex_query}]},
        config
    )
    
    return result["messages"][-1]["content"]

# 評価システムを使用した品質チェック
import subprocess

def run_evaluation():
    """レポートの品質を評価"""
    # 評価スクリプトの実行
    subprocess.run(["python", "tests/run_evaluate.py"])
    
    # 評価項目:
    # - Groundedness: 情報の根拠の確かさ
    # - Completeness: レポートの完全性
    # - Structure: 構造の質
    # - Relevance: 関連性
    # - Correctness: 正確性

ドキュメント・リソース

公式ドキュメント

  • README.md: プロジェクト概要、セットアップ手順、基本的な使用方法
  • langgraph.json: LangGraph設定ファイル、各種パラメータの定義
  • APIドキュメント: http://127.0.0.1:2024/docs （サーバー起動後）

サンプル・デモ

  • examples/arxiv.md: 学術研究の例（米国若年層の肥満問題）
  • examples/pubmed.md: 医学研究の例（糖尿病性腎症の治療）
  • examples/inference-market-gpt45.md: LLM推論市場の競争分析
  • examples/inference-market.md: 詳細な市場分析レポート

チュートリアル・ガイド

  • LangGraph Studioの使用方法
  • 環境変数の設定ガイド
  • 評価システムの使用方法（tests/ディレクトリ）
  • MCPサーバー統合ガイド

技術的詳細

アーキテクチャ

全体構造

LangGraphを基盤としたステートベースのマルチエージェントアーキテクチャを採用。各エージェントは特定の役割を持ち、グラフ構造で接続されています。

ユーザー入力 → 明確化ノード → リサーチブリーフ作成 → スーパーバイザー
                                                    ↓
最終レポート ← レポート生成 ← リサーチ圧縮 ← 複数のリサーチャー

ディレクトリ構成

open_deep_research/
├── src/
│   └── open_deep_research/
│       ├── __init__.py
│       ├── deep_researcher.py  # メイングラフ定義
│       ├── state.py            # ステート定義
│       ├── nodes/              # 各ノード実装
│       │   ├── clarification.py
│       │   ├── research_brief.py
│       │   ├── supervisor.py
│       │   ├── researcher.py
│       │   ├── compressor.py
│       │   └── report_generator.py
│       ├── tools/              # ツール実装
│       └── utils/              # ユーティリティ
├── examples/         # 実例レポート
├── tests/            # 評価システム
├── langgraph.json    # LangGraph設定
└── pyproject.toml    # プロジェクト設定

主要コンポーネント

  • Clarification Node: ユーザー質問の明確化

    • 場所: nodes/clarification.py
    • 役割: 曖昧な質問を明確化し、調査範囲を特定
    • オプション設定で無効化可能

  • Research Brief Writer: リサーチブリーフ作成

    • 場所: nodes/research_brief.py
    • 役割: ユーザー入力を詳細な研究質問に変換
    • 複数の研究観点を生成

  • Research Supervisor: リサーチ管理

    • 場所: nodes/supervisor.py
    • 役割: 複数のリサーチャーをオーケストレーション
    • Map-Reduceパターンで並列実行

  • Researcher Agents: 実際の調査実行

    • 場所: nodes/researcher.py
    • 役割: ツールを使用して情報収集
    • ReActパターンで動作

  • Research Compressor: 情報圧縮

    • 場所: nodes/compressor.py
    • 役割: 複数のリサーチャーからの情報を統合

  • Final Report Generator: 最終レポート作成

    • 場所: nodes/report_generator.py
    • 役割: 包括的なMarkdownレポートを生成

技術スタック

コア技術

  • 言語: Python 3.10+（型ヒント、async/awaitを活用）

  • フレームワーク:

    • LangGraph v0.2.55+（グラフベースエージェントフレームワーク）
    • LangChain（LLMオーケストレーション）

  • 主要ライブラリ:

    • langchain-openai: OpenAIモデル統合
    • langchain-anthropic: Anthropicモデル統合
    • langchain-google-vertexai: Googleモデル統合
    • PyMuPDF: PDF解析
    • BeautifulSoup4: HTMLパーシング
    • markdownify: HTML→Markdown変換
    • rich: ターミナルUI

開発・運用ツール

  • パッケージ管理: uv（高速Pythonパッケージマネージャー）
  • テスト: バッチ評価システム（多次元評価）
  • トレーシング: LangSmith統合
  • デプロイ:
    • LangGraph Studio（ローカル開発）
    • LangGraph Platform（ホスティング）
    • Open Agent Platform（ノーコードUI）

設計パターン・手法

  • ステートマシン: LangGraphのグラフ構造で状態管理
  • Map-Reduce: スーパーバイザーが複数リサーチャーを並列実行し結果を統合
  • ReAct: リサーチャーがReasoningとActionを交互に実行
  • ストラテジーパターン: タスクごとに異なるモデルを使用
  • チェックポイントパターン: 各ノード実行後に状態を保存

データフロー・処理フロー

  1. ユーザー入力受付

    • 質問をAgentStateのmessagesに格納

  2. 明確化フェーズ (オプション)

    • 曖昧な質問に対して追加質問を生成
    • ユーザー応答を受けて次のステップへ

  3. リサーチブリーフ作成

    • 質問を詳細な研究質問に分解
    • 複数の観点を含むブリーフを生成

  4. 並列リサーチ実行

    • スーパーバイザーが複数のリサーチャーを生成
    • 各リサーチャーがツールを使用して調査
    • 最大max_concurrent_research_unitsまで並列実行

  5. 情報圧縮

    • 各リサーチャーからの結果を受け取り
    • 重複を除去し重要情報を抽出

  6. 最終レポート生成

    • 圧縮された情報を基に包括的レポート作成
    • Markdown形式で出力、引用元を明記

API・インターフェース

公開API

RESTful API

  • 目的: プログラマティックなリサーチ実行
  • 使用例:
import httpx
import asyncio

async def call_research_api():
    async with httpx.AsyncClient() as client:
        # リサーチの開始
        response = await client.post(
            "http://127.0.0.1:2024/runs/stream",
            json={
                "assistant_id": "open_deep_research",
                "input": {
                    "messages": [{
                        "role": "user",
                        "content": "量子コンピューティングの最新動向"
                    }]
                },
                "config": {
                    "configurable": {
                        "search_api": "tavily",
                        "max_concurrent_research_units": 10
                    }
                },
                "stream_mode": "messages"
            }
        )
        
        # ストリーミングレスポンスの処理
        async for line in response.aiter_lines():
            if line.startswith("data: "):
                print(line[6:])  # JSONデータ

asyncio.run(call_research_api())

設定・カスタマイズ

設定ファイル

// langgraph.jsonの主要設定
{
  "configuration_schema": {
    // 一般設定
    "max_structured_output_retries": {
      "type": "integer",
      "minimum": 1,
      "maximum": 10,
      "default": 3
    },
    "allow_clarification": {
      "type": "boolean",
      "default": true
    },
    
    // 検索設定
    "search_api": {
      "type": "string",
      "enum": ["tavily", "openai", "anthropic", "none"],
      "default": "tavily"
    },
    
    // モデル設定
    "research_model": {
      "type": "string",
      "default": "openai:gpt-4.1"
    }
  }
}

拡張・カスタマイズ

  • MCPサーバー統合: カスタムツールをMCP経由で追加
  • カスタムツール: tools/ディレクトリに新規ツールを実装
  • ノード拡張: nodes/ディレクトリに新規ノードを追加
  • 評価メトリクスカスタマイズ: tests/evaluators.pyを編集

パフォーマンス・スケーラビリティ

パフォーマンス特性

  • レスポンス時間: シンプルな質問で2-3分、複雑な質問で5-10分
  • 並列化効果: max_concurrent_research_unitsを増やすことで約N倍高速化
  • 最適化手法:
    • タスク別モデル選択（要約は軽量モデル、分析は高性能モデル）
    • ストリーミング出力で逐次結果表示
    • チェックポイントによる中断・再開可能

スケーラビリティ

  • 水平スケーリング: 最大20の並列リサーチユニット
  • APIレート制限対応: 各APIプロバイダーの制限に準拠
  • メモリ使用量: ステートサイズに依存（通常1-2GB）
  • 複数スレッド対応: 異なるthread_idで同時実行可能

制限事項

  • APIキーが必須（最低OpenAIまたはAnthropic）
  • 検索APIとモデルの互換性（例：OpenAIネイティブ検索は特定モデルのみ）
  • トークン制限（各モデルのmax_tokens設定に依存）
  • 現在は英語と日本語が主要対応言語

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可能
  • 複数のモデルプロバイダーと検索ツールを柔軟に切り替え可能
  • 高度な並列化による高速処理
  • 組み込みの評価システムで品質保証
  • MCPサポートによる拡張性
  • LangGraphの強力なステート管理とチェックポイント機能

改善の余地

  • セットアップがやや複雑（環境変数、APIキーの設定が必須）
  • ドキュメントがまだ少ない
  • コストが高くなる可能性（複数のLLM呼び出し）
  • ローカルモデルのサポートが限定的

向いている用途

  • 学術研究や市場調査などの深いリサーチが必要なタスク
  • 複数の情報源から包括的なレポートを作成したい場合
  • 引用元を明確にした信頼性の高いレポートが必要な場合
  • 研究開発チームでの情報収集・分析業務
  • 企業の競争分析や技術調査

向いていない用途

  • リアルタイムな応答が必要なチャットボット
  • シンプルな質問応答のみが必要な場合
  • コストを極力抑えたい用途
  • オフライン環境での使用（Web検索が必須）

総評

open_deep_researchは、商用AIリサーチツールに匹敵する機能をオープンソースで実現した野心的なプロジェクトです。LangGraphの強力なグラフ構造とマルチエージェントアーキテクチャにより、複雑なリサーチタスクを効率的に処理できます。特に、複数のモデルプロバイダーや検索ツールを柔軟に組み合わせられる点が大きな強みです。現在は実験的なプロジェクトですが、活発な開発が続いており、今後の発展が期待されます。