Этот репозиторий является экспериментом по кодированию агентов. 95% кода написаны LLM

Открытый MCP сервер Deep Research

Научный ассистент на базе ИИ, который проводит глубокие, итеративные исследования по любой теме. Он объединяет поисковые системы, веб-скрейпинг и искусственный интеллект для глубокого изучения тем и создания комплексных отчетов. Доступен в виде инструмента Model Context Protocol (MCP) или отдельного CLI. Посмотрите exampleout.md, чтобы понять, как может выглядеть отчет.

Быстрый старт

1. Клонирование и установка:

2. Настройте среду в .env.local:

3. Сборка:

4. Запустите CLI-версию:

5. Тестировать MCP Server с Claude Desktop:
   Следуйте руководству внизу быстрого запуска сервера, чтобы добавить сервер в Claude Desktop:
   https://modelcontextprotocol.io/quickstart/server

Для удалённых серверов: потоковый HTTP

Сервер работает на http://localhost:3000/mcp без управления сессиями.

Особенности

• Проводит глубокие, итеративные исследования, генерируя целевые поисковые запросы
• Контролирует объём исследований с помощью параметров глубины (насколько глубокая) и ширина (насколько широкая)
• Оценивает надёжность источника с помощью детального оценивания (0-1) и рассуждения
• Приоритизирует источники с высокой надёжностью (≥0.7) и проверяет менее надёжную информацию

DISCLAIMER

This repo is an experiment on agent coding. 95% of the code is written by LLM's 

Open Deep Research MCP Server

An AI-powered research assistant that performs deep, iterative research on any topic. It combines search engines, web scraping, and AI to explore topics in depth and generate comprehensive reports. Available as a Model Context Protocol (MCP) tool or standalone CLI. Look at exampleout.md to see what a report might look like.

Quick Start

1. Clone and install:

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

2. Set up environment in .env.local:

# Copy the example environment file
cp .env.example .env.local

3. Build:

# Build the server
npm run build

4. Run the cli version:

npm run start

5. Test MCP Server with Claude Desktop:
   Follow the guide thats at the bottom of server quickstart to add the server to Claude Desktop:
   https://modelcontextprotocol.io/quickstart/server

For remote servers: Streamable HTTP

npm run start:http

Server runs on http://localhost:3000/mcp without session management.

Features

• Performs deep, iterative research by generating targeted search queries
• Controls research scope with depth (how deep) and breadth (how wide) parameters
• Evaluates source reliability with detailed scoring (0-1) and reasoning
• Prioritizes high-reliability sources (≥0.7) and verifies less reliable information
• Generates follow-up questions to better understand research needs
• Produces detailed markdown reports with findings, sources, and reliability assessments
• Available as a Model Context Protocol (MCP) tool for AI agents
• For now MCP version doesn’t ask follow up questions
• Natural-language source preferences (avoid listicles, forums, affiliate reviews, specific domains)

Model Selection (OpenAI, Anthropic, Google, xAI)

Pick a provider and model per run.

• CLI: you will be prompted for provider and model. Example: openai + gpt-5.2.
• MCP/HTTP: pass model, e.g. openai:gpt-5.2 (also accepts openai/gpt-5.2).

Set the corresponding API key in .env.local:

OPENAI_API_KEY=...
ANTHROPIC_API_KEY=...
GOOGLE_API_KEY=...
XAI_API_KEY=...

Optionally set default models per provider:

OPENAI_MODEL=gpt-5.2
ANTHROPIC_MODEL=claude-opus-4-5
GOOGLE_MODEL=gemini-3-pro-preview
XAI_MODEL=grok-4-1-fast-reasoning

If you use a non-default OpenAI endpoint:

OPENAI_ENDPOINT=https://api.openai.com/v1

How It Works

flowchart TB
    subgraph Input
        Q[User Query]
        B[Breadth Parameter]
        D[Depth Parameter]
        FQ[Feedback Questions]
    end

    subgraph Research[Deep Research]
        direction TB
        SQ[Generate SERP Queries]
        SR[Search]
        RE[Source Reliability Evaluation]
        PR[Process Results]
    end

    subgraph Results[Research Output]
        direction TB
        L((Learnings with
        Reliability Scores))