다양한 모델과 검색 도구를 조합해 심층 리서치 에이전트를 직접 구축할 수 있는 오픈소스 도구
복잡한 주제에 대한 심층 리서치를 자동화하는 에이전트를 직접 만들어 보고 싶다면, 이 저장소가 그 출발점이 됩니다. 특정 클라우드나 모델에 묶이지 않고, 다양한 LLM 제공자와 검색 API를 자유롭게 연결해 자신만의 리서치 파이프라인을 구성할 수 있는 프레임워크입니다. 로컬에서 바로 실행해 보고, 원하는 대로 설정을 조정하며 에이전트의 동작 방식을 이해할 수 있습니다.
최근 업데이트와 성능 현황
같은 달 7일에는 GPT-5 모델을 지원하도록 업데이트되었으며, Deep Research Bench 평가에도 GPT-5 결과가 반영되었습니다. 7월 30일에는 초기 구현부터 현재 버전까지의 발전 과정을 블로그 포스트로 정리해 공개했습니다.
모델과 검색 도구 설정
이 도구는 init_chat_model() API를 통해 다양한 LLM 제공자를 지원합니다. 요약, 리서치, 압축, 최종 보고서 작성 등 각 단계별로 다른 모델을 지정할 수 있습니다. 기본값은 OpenAI의 GPT-4.1 계열 모델이지만, OpenRouter나 Ollama를 통한 로컬 모델 사용도 가능합니다. 검색 기능은 기본적으로 Tavily API를 사용하지만, Anthropic과 OpenAI의 네이티브 웹 검색 및 MCP 서버와의 완전한 호환성을 제공합니다. 모든 설정은 configuration.py 파일이나 LangGraph Studio UI에서 직접 변경할 수 있습니다.
로컬 실행과 배포 방법
저장소를 클론한 후 uv를 이용해 가상 환경을 만들고 의존성을 설치하면 됩니다. .env 파일을 복사해 모델과 검색 도구 관련 환경 변수를 설정한 뒤, langgraph dev 명령어로 로컬 서버를 실행합니다. 브라우저에서 LangGraph Studio UI가 열리며, 여기서 질문을 입력하고 에이전트의 응답을 확인할 수 있습니다. 배포는 LangGraph Platform을 통해 호스팅하거나, 비기술 사용자를 위한 Open Agent Platform(OAP)에 배포할 수 있습니다. OAP를 사용하면 사용자가 직접 MCP 도구와 검색 API를 구성해 에이전트를 커스터마이징할 수 있습니다.
평가 벤치마크와 비용
Deep Research Bench는 22개 분야 전문가가 만든 100개의 박사 수준 연구 과제로 구성된 벤치마크입니다. LLM-as-a-judge 방식인 Gemini를 이용해 전문가가 작성한 표준 보고서와 비교 평가하며, 리더보드 점수는 RACE 점수를 기준으로 합니다. 100개 예제 전체를 실행할 경우 모델 선택에 따라 약 20달러에서 100달러 사이의 비용이 발생할 수 있습니다.
구현 방식 선택과 주의할 점
현재 버전 외에도 src/legacy/ 폴더에 워크플로우 기반과 멀티 에이전트 기반의 이전 구현이 포함되어 있습니다. 워크플로우 방식은 인간이 개입하는 계획 단계와 순차적 처리를 강조하며 정확도에 중점을 두고, 멀티 에이전트 방식은 여러 연구자가 병렬로 작업해 속도를 높이는 구조입니다. 현재 구현이 성능 면에서 더 우수하지만, 이전 구현들은 심층 리서치 접근법의 다양성을 이해하는 데 도움이 됩니다. 사용 전에는 선택한 모델이 구조화된 출력과 도구 호출을 지원하는지 확인해야 하며, 평가 실행 시 예상 비용과 토큰 소모량을 반드시 고려해야 합니다.
