深度研究

官方界面 | 界面代码 | 稳定 API | 博客

持续搜索、阅读网页、推理，直到找到答案（或用完 token 预算）。适用于深入探究一个问题。

[!重要]
与 OpenAI/Gemini/Perplexity 的“深度研究”不同，我们只专注于通过迭代过程找到正确的答案。我们并不优化生成长篇幅的文章——那是一个完全不同的问题——所以如果你需要从深度搜索中快速、简洁地获取答案，这里正是你所需要的。如果你想要像 OpenAI/Gemini/Perplexity 那样由 AI 生成的长篇报告，那么这并不适合你。

---
config:
  theme: mc
  look: handDrawn
---
flowchart LR
 subgraph Loop["直到预算用尽"]
    direction LR
        Search["搜索"]
        Read["阅读"]
        Reason["推理"]
  end
    Query(["查询"]) --> Loop
    Search --> Read
    Read --> Reason
    Reason --> Search
    Loop --> Answer(["答案"])

博客文章

无论你是否喜欢这种实现方式，我都强烈建议你阅读我撰写的 DeepSearch/DeepResearch 实现指南，它会为你提供关于这一主题的温和入门介绍。

• 英文 第一部分, 第二部分
• 中文微信公众号 第一讲, 第二讲
• 日语: DeepSearch/DeepResearch 实施的实践指南

自己动手试试

我们托管了一个完全相同的代码库的在线部署版本，你可以借此体验一下；或者将其作为日常生产力工具使用。

https://search.jina.ai

官方 API 也已开放供你使用：

https://deepsearch.jina.ai/v1/chat/completions

更多关于 API 的信息，请访问 https://jina.ai/deepsearch

安装

git clone https://github.com/jina-ai/node-DeepResearch.git
cd node-DeepResearch
npm install

安装部署视频教程 在 Youtube 上

它也可以通过 npm 获取，但目前不推荐这样做，因为代码仍在积极开发中。

使用方法

我们使用 Gemini（最新 gemini-2.0-flash）/ OpenAI / 本地 LLM 进行推理，使用 Jina Reader 来搜索和阅读网页。你可以从 jina.ai 获得一个包含 100 万 token 的免费 API 密钥。

export GEMINI_API_KEY=...  # 用于 gemini
# export OPENAI_API_KEY=... # 用于 openai
# export LLM_PROVIDER=openai # 用于 openai
export JINA_API_KEY=jina_...  # 免费 jina api 密钥，可从 https://jina.ai/reader 获取

npm run dev $QUERY

官方网站

你可以在我们的官方网站上试用。

官方 API

你也可以使用我们的官方 DeepSearch API：

https://deepsearch.jina.ai/v1/chat/completions

你可以使用任何兼容 OpenAI 的客户端来调用该 API。认证所需的 Bearer Token、API 密钥以及速率限制等信息，请参阅 https://jina.ai/deepsearch。

客户端集成指南

如果你正在构建一个使用 Jina DeepSearch API 的 Web/本地/移动客户端，以下是一些设计指南：

• 我们的 API 完全兼容 OpenAI API 架构，这将大大简化集成过程。模型名称为 jina-deepsearch-v1。
• 我们的 DeepSearch API 是一种结合了推理与搜索的 LLM，因此最适合需要深度推理和搜索的问题。
• 引入了两个特殊标记 <think>...</think>。请谨慎渲染它们。
• 经常会提供引用，并采用 Github 风格的 Markdown 脚注格式，例如 [^1]、[^2] 等。
• 建议引导用户从 https://jina.ai 获取 Jina API 密钥，新用户可获得 100 万 token 的免费额度。
• 存在速率限制，具体取决于 API 密钥的等级，范围在 10 RPM 到 30 RPM 之间（详情请参见 https://jina.ai/contact-sales#rate-limit）。
• 在此下载 Jina AI 标志

示例

录制时使用的是 gemini-1.5-flash，而最新的 gemini-2.0-flash 会带来更好的效果！

查询：“Jina AI 最新博文的标题是什么？”
3 步；答案正确！

查询：“readerlm-v2 的上下文长度是多少？”
2 步；答案正确！

查询：“尽可能多地列出 Jina AI 的员工姓名”
11 步；部分正确！但我没在名单里 :(

查询：“Jina AI 最大的竞争对手会是谁？”
42 步；属于对未来预测类型的提问，因此可以说答案是正确的！目前我并不认为 weaviate 是竞争对手，但我很期待未来能说一句“我就说过吧”的时刻。

更多示例：

# 示例：无需工具调用
npm run dev "1+1="
npm run dev "法国的首都是哪里？"

# 示例：2 步
npm run dev "Jina AI 的最新消息是什么？"

# 示例：3 步
npm run dev "Jina AI 创始人的 Twitter 账号是什么？"

# 示例：13 步，问题模糊（未定义“大”）
npm run dev "cohere、Jina AI 和 voyage，谁更大？"

# 示例：开放式问题，类似研究，思维链较长
npm run dev "2028 年美国的总统会是谁？"
npm run dev "Jina AI 在 2025 年的战略应该是什么？"

使用本地 LLM

注意，并非所有 LLM 都能与我们的推理流程兼容，我们需要那些能够很好地支持结构化输出（有时称为 JSON Schema 输出或对象输出）的模型。欢迎提出 PR，将更多开源 LLM 添加到可用列表中。

如果你使用 Ollama 或 LMStudio，可以通过设置以下环境变量将推理请求重定向到你的本地 LLM：

export LLM_PROVIDER=openai  # 是的，没错——对于本地 LLM，我们仍然使用 openai 客户端
export OPENAI_BASE_URL=http://127.0.0.1:1234/v1  # 你的本地 LLM 端点
export OPENAI_API_KEY=whatever  # 随便填个字符串就行，因为我们并不使用它（除非你的本地 LLM 有认证机制）
export DEFAULT_MODEL_NAME=qwen2.5-7b  # 你的本地 LLM 模型名称

兼容 OpenAI 的服务器 API

如果你有一个支持 OpenAI API 的 GUI 客户端（例如 CherryStudio、Chatbox），只需简单配置即可使用本服务器。

启动服务器：

# 无认证
npm run serve

# 带认证（客户端必须以 Bearer 令牌形式提供此密钥）
npm run serve --secret=your_secret_token

服务器将在 http://localhost:3000 上启动，并提供以下端点：

POST /v1/chat/completions

# 不带认证
curl http://localhost:3000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jina-deepsearch-v1",
    "messages": [
      {
        "role": "user",
        "content": "Hello!"
      }
    ]
  }'

# 带认证（当服务器使用 --secret 启动时）
curl http://localhost:3000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your_secret_token" \
  -d '{
    "model": "jina-deepsearch-v1",
    "messages": [
      {
        "role": "user",
        "content": "Hello!"
      }
    ],
    "stream": true
  }'

响应格式：

{
  "id": "chatcmpl-123",
  "object": "chat.completion",
  "created": 1677652288,
  "model": "jina-deepsearch-v1",
  "system_fingerprint": "fp_44709d6fcb",
  "choices": [{
    "index": 0,
    "message": {
      "role": "assistant",
      "content": "YOUR FINAL ANSWER"
    },
    "logprobs": null,
    "finish_reason": "stop"
  }],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 12,
    "total_tokens": 21
  }
}

对于流式响应（stream: true），服务器会以以下格式发送数据块：

{
  "id": "chatcmpl-123",
  "object": "chat.completion.chunk",
  "created": 1694268190,
  "model": "jina-deepsearch-v1",
  "system_fingerprint": "fp_44709d6fcb",
  "choices": [{
    "index": 0,
    "delta": {
      "content": "..."
    },
    "logprobs": null,
    "finish_reason": null
  }]
}

注意：流式响应中的思考内容会被包裹在 XML 标签中：

<think>
[思考步骤...]
</think>
[最终答案]

Docker 部署

构建 Docker 镜像

要构建应用程序的 Docker 镜像，请运行以下命令：

docker build -t deepresearch:latest .

运行 Docker 容器

要运行 Docker 容器，请使用以下命令：

docker run -p 3000:3000 --env GEMINI_API_KEY=your_gemini_api_key --env JINA_API_KEY=your_jina_api_key deepresearch:latest

Docker Compose

您也可以使用 Docker Compose 来管理多容器应用。要使用 Docker Compose 启动应用程序，请运行：

docker-compose up

工作原理？

不确定流程图是否有帮助，但还是附上：

flowchart TD
    Start([开始]) --> Init[初始化上下文与变量]
    Init --> CheckBudget{是否超过令牌预算？}
    CheckBudget -->|否| GetQuestion[从待解决问题中获取当前问题]
    CheckBudget -->|是| BeastMode[进入狂暴模式]

    GetQuestion --> GenPrompt[生成提示]
    GenPrompt --> ModelGen[使用 Gemini 模型生成回复]
    ModelGen --> ActionCheck{检查行动类型}

    ActionCheck -->|回答| AnswerCheck{是否为原始问题？}
    AnswerCheck -->|是| EvalAnswer[评估回答]
    EvalAnswer --> IsGoodAnswer{回答是否明确？}
    IsGoodAnswer -->|是| HasRefs{是否有参考文献？}
    HasRefs -->|是| End([结束])
    HasRefs -->|否| GetQuestion
    IsGoodAnswer -->|否| StoreBad[存储失败尝试并重置上下文]
    StoreBad --> GetQuestion

    AnswerCheck -->|否| StoreKnowledge[将结果作为中间知识存储]
    StoreKnowledge --> GetQuestion

    ActionCheck -->|反思| ProcessQuestions[处理新的子问题]
    ProcessQuestions --> DedupQuestions{是否有新的唯一问题？}
    DedupQuestions -->|是| AddGaps[添加到待解决问题队列]
    DedupQuestions -->|否| DisableReflect[禁用下一次的反思功能]
    AddGaps --> GetQuestion
    DisableReflect --> GetQuestion

    ActionCheck -->|搜索| SearchQuery[执行搜索]
    SearchQuery --> NewURLs{是否找到新网址？}
    NewURLs -->|是| StoreURLs[存储网址以便后续访问]
    NewURLs -->|否| DisableSearch[禁用下一次的搜索功能]
    StoreURLs --> GetQuestion
    DisableSearch --> GetQuestion

    ActionCheck -->|访问| VisitURLs[访问网址]
    VisitURLs --> NewContent{是否发现新内容？}
    NewContent -->|是| StoreContent[将内容存储为知识]
    NewContent -->|否| DisableVisit[禁用下一次的访问功能]
    StoreContent --> GetQuestion
    DisableVisit --> GetQuestion

    BeastMode --> FinalAnswer[生成最终答案] --> End

node-DeepResearch 快速上手指南

node-DeepResearch 是一个专注于通过迭代搜索、阅读和推理来寻找准确答案的开源 AI 工具。它不追求生成长篇报告，而是致力于在 Token 预算内提供简洁、精准的深度搜索结果。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (需安装 Git 和 Node.js)
• Node.js：建议版本 v18 或更高
• npm：随 Node.js 自动安装
• API Keys：
  • Jina API Key：用于搜索和读取网页内容。访问 jina.ai/reader 注册获取（新用户赠送 100 万免费 Token）。
  • LLM API Key：用于推理模型。推荐使用 Google Gemini (gemini-2.0-flash) 或 OpenAI。若使用本地大模型，需安装 Ollama 或 LMStudio。

安装步骤

1. 克隆项目代码 从 GitHub 克隆仓库到本地：

   git clone https://github.com/jina-ai/node-DeepResearch.git
   cd node-DeepResearch
   

2. 安装依赖 使用 npm 安装项目所需依赖包：

   npm install
   

   注意：虽然该项目已发布到 npm，但由于处于活跃开发阶段，官方推荐直接使用源码运行而非通过 npm install -g 安装。

基本使用

1. 配置环境变量

在使用前，需要设置必要的 API Key。根据您的模型选择配置以下变量：

方案 A：使用 Google Gemini (推荐)

export GEMINI_API_KEY=your_gemini_api_key
export JINA_API_KEY=jina_...

方案 B：使用 OpenAI

export OPENAI_API_KEY=your_openai_api_key
export LLM_PROVIDER=openai
export JINA_API_KEY=jina_...

方案 C：使用本地大模型 (如 Ollama)

export LLM_PROVIDER=openai
export OPENAI_BASE_URL=http://127.0.0.1:1234/v1
export OPENAI_API_KEY=whatever
export DEFAULT_MODEL_NAME=qwen2.5-7b
export JINA_API_KEY=jina_...

2. 运行查询

使用 npm run dev 命令 followed by 您的查询问题即可启动深度研究流程：

npm run dev "what is the latest blog post's title from jina ai?"

更多示例：

• 简单事实查询 (无需工具调用):

  npm run dev "what is the capital of France?"
  

• 多步深度搜索:

  npm run dev "what is the twitter account of jina ai's founder"
  

• 复杂开放性问题:

  npm run dev "who will be president of US in 2028?"
  

程序将自动执行“搜索 -> 阅读 -> 推理”的循环，直到找到确切答案或达到 Token 预算上限，最终在终端输出结果及引用来源。