Deep Research MCP 使用说明

项目简介

Deep Research MCP 是一个基于 Python 和 FastMCP 框架构建的 MCP 服务器，旨在为 LLM 客户端提供强大的研究能力。它通过 'deep_research' 工具，允许 LLM 客户端利用多智能体系统执行复杂的在线研究任务，并返回结构化的研究报告。

主要功能点

提供 'deep_research' 工具: LLM 客户端可以调用此工具，输入研究问题 (query) 和研究的语气 (tone)，服务器将驱动多智能体系统进行研究。
多智能体研究框架: 后端集成了多种 AI 智能体（如 ResearchAgent, EditorAgent, WriterAgent 等），协同工作完成研究任务。
FastMCP 服务器: 基于 FastMCP 框架搭建，易于部署和扩展。
可配置的研究语气: 支持 objective, critical, optimistic 等多种研究语气。
环境配置: 使用 '.env' 文件管理 API 密钥等敏感信息。

安装步骤

克隆仓库:

git clone https://github.com/JoshuaLelon/deep-research-mcp.git
cd deep-research-mcp

配置 '.env' 文件: 复制 '.env.example' 文件并重命名为 '.env'，然后编辑 '.env' 文件，填入必要的环境变量，例如 OpenAI API 密钥：

cp .env.example .env
# 编辑 .env 文件，例如：
# OPENAI_API_KEY=sk-your-openai-api-key

安装依赖:

pip install -r multi_agents/requirements.txt

服务器配置

要将 Deep Research MCP 服务器配置到 MCP 客户端（例如 Claude 桌面应用），您需要提供服务器的启动命令和参数。以下是一个 'claude_desktop_config.json' 文件的配置示例，请根据您的实际 Python 解释器路径和项目路径进行修改：

{
    "mcpServers": {
        "deep-research-mcp": {
            "command": "/path/to/your/python/interpreter",  //  请替换为您的 Python 解释器路径，例如 /usr/bin/python3 或 /Users/yourname/.venv/bin/python
            "args": [
                "/path/to/this/project/deep-research-mcp/mcp_server.py" // 请替换为您的 deep-research-mcp 项目的 mcp_server.py 文件的绝对路径
            ]
        }
    }
}

参数说明:

'"deep-research-mcp"': MCP 服务器的名称，可以自定义。
'"command"': 启动 MCP 服务器的命令，通常是 Python 解释器的路径。
'"args"': 传递给启动命令的参数列表，这里指定了 'mcp_server.py' 脚本的路径。

基本使用方法

启动 MCP 服务器: 在项目根目录下运行以下命令启动 Deep Research MCP 服务器：
```
python mcp_server.py
```
服务器成功启动后，将监听 MCP 客户端的请求。

在 MCP 客户端中调用 'deep_research' 工具: 在配置好 MCP 服务器的客户端中，您可以使用 'deep_research' 工具进行研究。例如，在 Claude 客户端中，您可以指示 Claude 调用 'deep_research' 工具，并提供研究问题和语气等参数。

客户端发送给服务器的 JSON-RPC 请求示例 (概念性示例，实际请求格式取决于 MCP 客户端)：

{
  "jsonrpc": "2.0",
  "method": "call_tool",
  "params": {
    "tool_name": "deep_research",
    "tool_arguments": {
      "query": "人工智能的未来发展趋势",
      "tone": "objective"
    }
  },
  "id": 1
}

服务器将执行研究任务，并通过 JSON-RPC 响应返回研究报告。

关键词