Deep Research，中文名深度研究，是OpenAI于上周（2月3日）发布的新功能。

Deep Research基于OpenAI最新的推理模型o3，专为复杂的多步研究任务设计，能够根据研究目标自动搜索、解读并整合海量在线信息，并且可以自主调整研究方向，最终生成专业级研究报告。

Deep Research香是香，可是，太贵了！

目前只对每月200美元的ChatGPT Pro会员用户开放，并且每月最多可执行100次深度研究。

别担心，OpenAI的Deep Research并非唯一选择！今天就来盘点4个Deep Research的平替，统统免费且开源！

1. Jina AI：node-DeepResearch

https://github.com/jina-ai/node-DeepResearch

jina-ai/node-DeepResearch是一个基于 Node.js 的开源深度研究工具，它基于最新的推理模型（如OpenAI和谷歌Gemini），结合 Jina Reader 进行网页搜索和阅读，通过循环迭代深入调查复杂问题，直到找到答案。值得一提的是，node-DeepResearch专注于找到正确答案，而不是生成长篇文章，非常适合需要深度搜索并获得答案的场景。

项目采用 Apache-2.0 许可证，代码完全开源，部署方式灵活，你可以通过 npm 安装并在本地运行，也可以使用官方提供的 DeepSearch API。它甚至支持 OpenAI 兼容的 API 接口，方便集成到各种客户端应用。

来看 Jina AI 官方给出的demo效果。

2. Open Deep Research

https://github.com/nickscamara/open-deep-research

nickscamara/open-deep-research这个项目的目标很简单直接，就是要复现 OpenAI Deep Research 的核心功能——利用 Firecrawl 的网络数据抓取、提取能力，结合AI模型（默认为 GPT-4o，支持 o1，o3，及 DeepSeek-R1），对大量网络数据进行深度分析和推理，从而回答复杂的研究型问题。

该项目基于现代 Web 技术栈构建，包括 Next.js、React Server Components、shadcn/ui 等，并集成了 Vercel 的数据库和存储服务，支持在 Vercel 平台一键部署。

3. OpenDeepResearcher

https://github.com/mshumer/OpenDeepResearcher

mshumer/OpenDeepResearcher是一个以 Jupyter Notebook 为实现形式的 AI 研究工具，它模拟了人类的研究过程，通过不断迭代搜索、筛选和整合信息，从而达到深度研究的目的。这个项目的核心是一个迭代循环：首先利用 LLM（默认为 Claude 3.5 Haiku）基于用户输入的初始问题生成多个相关的搜索查询，然后通过 SERPAPI 并发执行 Google 搜索，利用 Jina 并发抓取和解析搜索结果页面。

接下来，LLM 会评估每个页面的相关性，提取有价值的内容。在每一轮迭代后，系统会将所有提取的上下文信息汇总给 LLM，由 LLM 判断是否需要生成新的搜索查询以获取更全面的信息。这个过程会持续进行，直到 LLM 认为信息足够充分，或者达到预设的迭代次数上限，最终生成一份详细的研究报告。

4.Deep-Research

https://github.com/dzhng/deep-research

如果说前面介绍的第2个项目nickscamara/open-deep-research是一个功能完善、基于现代 Web 技术栈构建的完整应用，那么这一个dzhng/deep-research则更像是一个精简、核心的深度研究模块。

dzhng/deep-research同样结合了 Firecrawl（用于网络搜索和内容提取）和 OpenAI的推理模型（默认使用 o3 mini，也支持自定义端点和模型），通过迭代过程深入探索特定主题。这个过程包括生成搜索查询、分析结果、识别新的研究方向，并递归地深入挖掘，直到达到预设的深度或广度限制。

该项目的核心优势在于其简洁性（代码少于 500 行）和可定制性，便于理解和二次开发。你可以控制研究的广度和深度，系统还会提出后续问题以更好地理解研究需求，最终生成完整详细的 Markdown 报告。

我是木易，一个专注AI领域的技术产品经理，国内Top2本科+美国Top10 CS硕士。

相信AI是普通人的“外挂”，致力于分享AI全维度知识。这里有最新的AI科普、工具测评、效率秘籍与行业洞察。

欢迎关注“AI信息Gap”，用AI为你的未来加速。