# deep-research

**Repository Path**: gejingjun/deep-research

## Basic Information

- **Project Name**: deep-research
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-25
- **Last Updated**: 2026-02-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 📚 论文选题分析智能体

一个专业的学术研究助手，帮助研究者评估、优化和完善论文选题。基于大语言模型和多源学术数据，提供深度研究分析功能。

## ✨ 核心功能

### 🔍 智能分析
- **选题解析**: 自动提取关键词、研究领域、研究类型
- **可行性评估**: 资源、时间、技术、伦理多维度分析
- **创新性评估**: 研究空白、理论贡献、实践价值分析
- **方法论建议**: 定量/定性/混合方法推荐

### 📊 文献分析
- **学术搜索**: 集成 Semantic Scholar、arXiv 等学术数据库
- **文献计量**: 论文数量趋势、引用分析、热点主题
- **学者发现**: 领域专家识别和推荐

### 📝 报告生成
- **结构化报告**: 专业的选题分析报告
- **论文框架**: 章节结构和内容建议
- **风险评估**: 研究挑战和应对策略

## 🏗️ 项目结构

```
deep-research/
├── src/
│   ├── agents/          # 智能体模块
│       ├── base.py      # LLM 客户端封装
│       ├── planner.py      # 任务规划器
│       └── research_agent.py      # 研究智能体
│   ├── analyzers/          # 分析器模块
│       ├── feasibility.py      # 可行性分析
│       ├── innovation.py      # 创新性分析
│       └── keywords.py      # 关键词提取
│   ├── modules/          # 功能模块
│       └── base.py      # LLM 客户端封装
│   ├── prompts/          # 提示词模板
│       └── templates.py      # 提示词模板定义
│   ├── report/          # 报告生成器
│       └── generator.py      # 报告生成逻辑
│   ├── skills/          # 技能模块
│       ├── base.py      # LLM 客户端封装
│   ├── tools/          # 工具模块
│       ├── academic_search.py      # 学术搜索
│       └── literature.py      # 文献分析
│   ├── utils/          # 工具类
│       └── logger.py      # 日志工具
│   └── web/          # Web 界面
├── scripts/             # 脚本目录
├── mcp/                 # MCP API 服务
├── run.py               # 应用入口
├── Dockerfile           # Docker 配置
├── docker-compose.yml   # Docker Compose 配置
├── requirements.txt     # 项目依赖
└── README.md
```

## 🚀 快速开始

### 环境要求

- Python 3.10+
- OpenAI API Key 或 Anthropic API Key

### 本地安装

```bash
# 克隆项目
git clone https://gitee.com/MerenguesGeek/deep-research.git
cd deep-research

# 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows

# 安装依赖
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env
# 编辑 .env 文件，填入您的 API Key

# 启动应用
python run.py
```

访问 http://localhost:7860 使用 Web 界面。

### Docker 部署

```bash
# 构建并启动
docker-compose up -d

# 查看日志
docker-compose logs -f

# 停止服务
docker-compose down
```

### 带 MCP API 服务启动

```bash
docker-compose --profile with-mcp up -d
```

## 📖 使用指南

### Web 界面

1. 打开浏览器访问 http://localhost:7860
2. 在设置区域选择 LLM 提供商并输入 API Key
3. 选择分析深度：
   - **快速分析**: 基础评估，约 2-3 分钟
   - **标准分析**: 全面评估，约 5-8 分钟
   - **深度分析**: 详尽分析，约 10-15 分钟
4. 输入研究选题
5. 点击"开始分析"

### 程序化调用

```python
import asyncio
from src.agents.research_agent import ResearchAgent
from src.agents.base import LLMClient

async def main():
    # 创建 LLM 客户端
    llm_client = LLMClient(
        provider="openai",
        api_key="your-api-key"
    )
    
    # 创建研究智能体
    agent = ResearchAgent(llm_client=llm_client)
    
    # 执行分析
    report = await agent.analyze(
        topic="基于深度学习的医学图像分析方法研究",
        analysis_depth="standard"
    )
    
    print(report)
    
    # 关闭资源
    await agent.close()

asyncio.run(main())
```

## 🔧 配置说明

### 环境变量

| 变量 | 说明 | 默认值 |
|------|------|--------|
| `LLM_PROVIDER` | LLM 提供商 (openai/anthropic) | openai |
| `LLM_MODEL` | 模型名称 | gpt-4o |
| `OPENAI_API_KEY` | OpenAI API Key | - |
| `ANTHROPIC_API_KEY` | Anthropic API Key | - |
| `TAVILY_API_KEY` | Tavily 搜索 API Key | - |
| `AGENT_VERBOSE` | 显示详细日志 | true |

### 支持的 LLM 模型

**OpenAI**:
- gpt-4o (推荐)
- gpt-4-turbo
- gpt-3.5-turbo

**Anthropic**:
- claude-3-5-sonnet-20241022 (推荐)
- claude-3-opus-20240229

## 📊 输出示例

分析报告包含以下部分：

```markdown
# 选题分析报告

## 1. 选题概述
- 研究主题、关键词、所属领域

## 2. 可行性评估 ⭐⭐⭐⭐☆
- 资源可获取性、时间可控性、技术可实现性

## 3. 创新性评估 ⭐⭐⭐⭐⭐
- 研究空白、理论贡献、实践价值

## 4. 研究现状
- 文献数量趋势、核心文献、重要学者

## 5. 方法论建议
- 推荐研究方法、分析工具、数据来源

## 6. 论文框架建议
- 章节结构和内容要点

## 7. 风险与挑战
- 潜在风险和应对策略

## 8. 综合评价与建议
- 总体评分和下一步行动建议
```

## 🛠️ 技术架构

- **智能体框架**: 自研多步骤推理架构，支持任务规划和并行执行
- **LLM 支持**: OpenAI GPT-4, Anthropic Claude 3
- **学术搜索**: Semantic Scholar, arXiv API
- **Web 搜索**: Tavily, DuckDuckGo
- **前端**: Tailwind CSS
- **API 服务**: FastAPI + MCP 协议
- **容器化**: Docker + Docker Compose

## 📈 项目统计

- Python 文件: 70 个
- 代码行数: 约 14,081 行
- 最后更新: 2026-02-03

## 🤝 参考项目

本项目参考了以下优秀开源项目的设计理念：

- [OpenManus](https://github.com/FoundationAgents/OpenManus)
- [DeepResearch](https://github.com/Alibaba-NLP/DeepResearch)
- [LangChain](https://github.com/langchain-ai/langchain)
- [LlamaIndex](https://github.com/run-llama/llama_index)

## 📄 许可证

MIT License

## ⚠️ 免责声明

- 分析结果仅供参考，请结合实际情况进行判断
- 使用 LLM API 会产生费用，请关注使用量
- 学术搜索结果来自第三方 API，可能存在延迟或不完整