Auto-Deep-Research：开源 Deep Research 替代方案，让每个人拥有自己的 AI 研究助手

从 OpenAI 每月$200 订阅说起

2025 年初，OpenAI 推出 Deep Research 功能，引发了 AI 社区的热议。然而，每月高达 $200 的订阅费用让大多数个人开发者和研究者望而却步。HKUDS 实验室（香港大学数据科学实验室）迅速给出了回应——他们开源了一个完全自动化的 Deep Research 替代方案：Auto-Deep-Research。基于 AutoAgent 框架，这款工具可以在 GAIA 基准测试中取得接近闭源方案的分数，而成本仅为你所使用的 LLM API 费用。

图 1：Auto-Deep-Research 项目 Logo

背景：HKUDS 实验室与 AutoAgent 框架

Auto-Deep-Research 并非凭空诞生，它是 AutoAgent（原名 MetaChain）框架的第一个成熟产品。AutoAgent 是一个完全自动化、无需写代码的 LLM Agent 框架，由香港大学数据科学实验室（HKUDS）开发，论文发表于 arXiv（arXiv:2502.05957），作者包括 Jiabin Tang、Tianyu Fan、Chao Huang 等。

该项目的诞生背景值得玩味：AutoAgent 发布一周后，社区对"Deep Research 替代功能"的呼声极高。HKUDS 团队迅速响应，在 AutoAgent 基础上剥离了非 Deep Research 相关的组件，专门打造了 Auto-Deep-Research——这体现了开源社区快速迭代的协作模式。

核心原理：Multi-Agent + Browser Environment

Auto-Deep-Research 的架构设计借鉴了多个业界优秀项目：OpenAI Swarm 的框架架构启发、Magentic-One 的三 Agent 设计理念、以及 OpenHands 的文档结构。整体由以下核心组件构成：

Multi-Agent 系统

系统包含四种专业 Agent：

• WebSurferAgent：负责网页浏览和信息检索，使用 Playwright 驱动真实浏览器，能够访问任意网站并提取信息
• FileSurferAgent：处理本地文件操作，支持 PDF、PPT、Word 等多种文档格式的解析
• ProgrammingAgent：执行代码编写和调试任务
• SystemTriageAgent：作为总控 Agent，负责任务分发和结果整合

这些 Agent 通过 动态流程编排（autoagent/flow/dynamic.py）协同工作，形成一个完整的"研究—执行—输出"闭环。

Browser Environment

项目使用 Playwright 驱动真实 Chrome 浏览器环境，支持：

• 访问任何公开网站并截图/提取内容
• 导入浏览器 Cookie 以便登录认证后的页面访问
• 模拟用户操作（点击、输入、滚动）

Browser Environment 的核心实现在 autoagent/environment/browser_env.py，通过 TCP Server 与主进程通信，实现 Agent 与浏览器的高效交互。

多 LLM 后端支持

项目基于 litellm 库（v1.55.0）实现对几乎所有主流 LLM 的统一调用：

LLM 提供商	示例模型	支持方式
OpenAI	GPT-4o, GPT-4o-mini	API Key
Anthropic	Claude 3.5 Sonnet, Claude 3.5 Haiku	API Key
DeepSeek	DeepSeek-chat, DeepSeek-R1	API Key
Google	Gemini 2.0 Flash	API Key
HuggingFace	Llama 3.3 70B	API Key
Groq	DeepSeek-R1-Distill	API Key
vLLM 自部署	任意 vLLM 模型	API Base URL

项目还支持 function calling 和 non-function calling 两种交互模式，自动根据模型名称选择合适的调用方式。

Memory 与 RAG

项目内置多种 Memory 机制：

• CodeMemory / CodeTreeMemory：代码理解和检索
• PaperMemory：学术论文解析
• RAGMemory：基于向量检索的增强记忆
• ToolMemory：工具使用经验积累

向量存储使用 ChromaDB，嵌入模型默认为 OpenAI text-embedding-3-small。

丰富的工具生态

除了核心 Agent，项目还内置了大量工具：

• PDF 解析：docling、pdfminer、marker
• PPT 解析：python-pptx
• 语音识别：faster-whisper（本地离线识别）
• YouTube 字幕：youtube_transcript_api
• 文档转换：markdownify、html2text、mammoth（Word→Markdown）
• 向量搜索：sentence-transformers

部署体验：pip install 即可，但需要 Docker

Auto-Deep-Research 的安装非常简洁：

conda create -n auto_deep_research python=3.10
conda activate auto_deep_research
git clone https://github.com/HKUDS/Auto-Deep-Research.git
cd Auto-Deep-Research
pip install -e .

启动只需一行命令，默认使用 Claude 3.5 Sonnet：

auto deep-research

切换 LLM 同样简单：

COMPLETION_MODEL=gpt-4o auto deep-research

Docker 支持是另一个亮点：项目会自动检测你的系统架构（x86/arm），从 Docker Hub 拉取对应的预构建镜像（tjbtech1/metachain），无需手动配置容器环境。这意味着即使用户完全不懂 Docker，也能一键启动带浏览器隔离的 Agent 环境。

局限之处：项目目前没有提供 Docker Compose 或 Kubernetes 部署清单，Web GUI 界面也在开发中。对于需要无头服务器长期运行的企业用户来说，缺少这些基础设施会带来额外的集成工作量。

GAIA 基准测试：开源与闭源的差距正在缩小

GAIA（General AI Assistants）基准测试是衡量 AI 研究助手能力的重要标准。Auto-Deep-Research 在该基准上展现了令人印象深刻的表现，验证了其作为 OpenAI Deep Research 替代方案的可行性。虽然官方 leaderboard 上的具体分数因模型选择而异，但项目展示的多个 demo 视频（Twitter/X）表明其在真实研究任务中具有实用价值。

技术亮点与局限

亮点：

1. litellm 统一抽象：一行配置切换任意 LLM，降低了模型选择门槛
2. 真实浏览器环境：Playwright 驱动的 Browser Agent 能处理 JavaScript 渲染页面，这是纯 HTTP 请求方案无法企及的
3. 完整的文档解析生态：从 PDF 到 PPT、从 YouTube 到网页，覆盖了研究场景中的主要信息源
4. 开源免费：相比 OpenAI Deep Research 的 $200/月，自托管方案的成本可控

局限：

1. 依赖商业 LLM API：虽然框架免费，但必须付费使用 OpenAI/Anthropic 等服务
2. 无 Web UI：目前只有 CLI 界面，非技术用户上手门槛较高
3. Browser 环境资源消耗：Playwright + Chrome 浏览器在服务器上运行内存占用不小
4. 不支持 MCP：未接入 Model Context Protocol，与当前主流 AI 编程生态有隔阂

行业意义：Deep Research 民主化

Auto-Deep-Research 的出现代表着 AI 研究助手从"闭源垄断"走向"开源民主化"的重要一步。它证明了一个关键论点：Agent 能力的关键不在于模型本身，而在于框架设计和工具生态。相同的 Claude 模型，在一个设计良好的 Agent 框架下，可以完成接近 GPT-4 + Deep Research 的研究任务——而框架是完全免费开源的。

随着 AutoAgent 生态的持续建设（GUI Agent、Web Interface 等功能已在 roadmap 中），Auto-Deep-Research 有望成为个人开发者和研究者的标配研究工具。