一个完全自动化的个人AI研究助手，支持多种大型语言模型，帮助用户进行深度研究和信息收集。
一分钟了解#
Auto-Deep-Research 是一个完全自动化的个人AI研究助手，基于 AutoAgent 框架构建。它支持多种主流LLM模型（如Claude、GPT-4、Gemini等），无需编写代码即可让AI代理自动执行深度研究任务，非常适合需要大量信息收集和分析的研究人员、分析师或内容创作者。
核心价值：通过简化AI代理的创建过程，让每个人都能拥有强大的自动化研究能力。
快速上手#
安装难度：中 - 需要Docker环境和API密钥配置
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 .
适合我的场景吗？
- ✅ 学术研究：自动收集和整理学术文献资料
- ✅ 市场调研：快速收集行业动态和竞争对手信息
- ✅ 内容创作：为文章、报告提供丰富的参考资料
- ❌ 简单信息查询：对于简单的事实性问题，使用传统搜索引擎更高效
核心能力#
1. 多LLM支持 - 适应不同模型偏好#
- 支持Anthropic、OpenAI、Mistral、Gemini、Huggingface等多种主流LLM模型
- 用户可以根据需求选择最适合的模型 实际价值：用户无需受限于单一模型，可以根据任务需求和预算灵活选择最合适的AI助手
2. 自动化深度研究 - 解放研究者的时间#
- AI代理能够自主规划研究步骤、执行搜索、分析和总结
- 支持多轮交互和深度挖掘相关信息 实际价值：将原本需要数小时的研究工作压缩到几分钟，显著提高工作效率
3. 无需编程 - 降低使用门槛#
- 提供命令行界面，无需编写代码即可使用
- 一键启动功能，简化配置流程 实际价值：让没有编程背景的研究人员也能利用AI代理进行高效研究
4. 环境隔离 - 确保研究环境安全#
- 使用Docker容器化运行，提供安全的研究环境
- 支持导入浏览器cookies，增强访问特定网站的能力 实际价值：在隔离环境中进行研究，避免污染本地环境，同时提供更真实的网络访问能力
技术栈与集成#
开发语言：Python 主要依赖：
- Docker（容器化环境）
- Litellm（统一多LLM接口）
- AutoAgent框架（AI代理基础架构）
集成方式：命令行工具 / API
维护状态#
- 开发活跃度：积极开发中，有明确的功能路线图
- 最近更新：近期刚刚发布，正在快速迭代
- 社区响应：有活跃的社区支持，包括Slack和Discord讨论组
文档与学习资源#
- 文档质量：基础完整，提供多种LLM配置示例
- 官方文档：GitHub仓库中的README
- 示例代码：多种LLM提供商的配置示例