A
licenseNot graded
qualityD
maintenanceEnables iterative deep research by integrating AI agents with search engines, web scraping, and large language models for efficient data gathering and comprehensive reporting.
6 npm
324
MIT
agentic-research
by abhilash2429
agentic-research
Eine agentische Web-Recherche-Pipeline. Stell eine Frage in natürlicher Sprache; sie durchsucht das Web, ruft Kandidatenseiten ab, zerlegt sie in Chunks und bettet sie ein, ruft nur die relevanten Textabschnitte ab und liefert eine Antwort mit Zitaten, die auf die genaue Quellenpassage verweisen.
Entwickelt, um sowohl von einem KI-Agenten als auch von einem Menschen aufgerufen zu werden. Der MCP-Server stellt es als deep_research-Tool bereit, sodass ein Coding-Agent auf aktuelle, zitierte Informationen zugreifen kann, anstatt aus Trainingsdaten zu raten.
Warum eine Retrieval-Schicht
Der übliche Agenten-Ansatz für das Web ist: suchen, die gesamte Seite abrufen, das Ganze in das Kontextfenster legen, antworten. Das begrenzt dich auf eine Handvoll Quellen und berechnet den vollen Token-Preis für Seiten, die sich als größtenteils irrelevant erweisen.
typical: search -> fetch full page -> stuff into context -> answer
~5 sources, full token price per page, no span-level citation
here: search -> fetch N pages -> parent/child chunk -> embed
-> retrieve only relevant children -> expand parents on demand
-> compress -> answer
~30 sources, lower token cost, structural citationsRelated MCP server: Deep Research MCP Server
Status
Work in progress, in Phasen aufgebaut. Siehe docs/ für einen Hinweis zu jeder Schicht.
Phase | Schicht | Status |
0 | Grundlage, gemeinsame Verträge | erledigt |
1 | Konfiguration, rollenbasierte LLM-Factory | erledigt |
2 | Abruf und Extraktion | erledigt |
3 | Hierarchisches Chunking | erledigt |
4 | Index und Reranking | in Arbeit |
5 | Suchanbieter | erledigt |
6 | Einzelner Researcher-Loop | offen |
7 | Vollständiger Graph: Fan-out, Klärung, Kompression | offen |
8 | Eval-Harness | offen |
9 | Service-Schicht und API | offen |
10 | MCP-Server | offen |
11 | Web-UI | offen |
Setup
python -m venv .venv
.venv/Scripts/python -m pip install -e ".[dev,api,mcp]"
cp .env.example .env # fill in LiteLLM and search keys
docker compose up -d qdrant
ares doctorCLI
Ein Befehl pro Schicht, damit du sehen kannst, was jede einzelne für sich tut.
ares doctor # proxy, models and Qdrant reachable
ares fetch <url> --show # raw HTML to clean markdown
ares chunk <url> # the parent/child tree
ares index <url> # embed and store, or report a cache hit
ares search "..." --no-rerank # retrieval without the reranker
ares search "..." --rerank # and with it
ares websearch "..." # provider results
ares research "..." # the whole loop, cited answer
ares eval # scorecard against the committed baselineLizenz
MIT
This server cannot be deployed
Maintenance
ActivityMaintained
ResponsivenessSyncing
Related MCP Connectors
Web search, fetch, extract, and research for AI agents. Markdown output + AI-synthesized answers.
Real-time web and scholarly search with cited answers and multi-step deep research.
Agent-native search engine with live web research optimized for AI agents.
Connect AI agents to Exa for web search, content fetching, and multi-step research.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceAn agent-based tool that provides web search and advanced research capabilities including document analysis, image description, and YouTube transcript retrieval.17Apache 2.0
- AlicenseNot gradedqualityDmaintenanceEnhances LLM applications with deep autonomous web research capabilities, delivering higher quality information than standard search tools by exploring and validating numerous trusted sources.378MIT
- AlicenseBqualityCmaintenanceAn automated research agent that leverages Google Gemini models and Google Search to perform deep, multi-step web research, generating sophisticated queries and producing citation-rich answers.134 PyPI28MIT