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.
1 npm
323
MIT
agentic-research
by abhilash2429
agentic-research
Агентный конвейер веб-исследований. Задайте вопрос на естественном языке; он ищет в интернете, загружает страницы-кандидаты, разбивает их на фрагменты и создаёт эмбеддинги, извлекает только релевантные отрывки и возвращает ответ с цитатами, указывающими на точный исходный фрагмент.
Создан для вызова как ИИ-агентом, так и человеком. MCP-сервер предоставляет его как инструмент deep_research, поэтому агент-программист может получить актуальную информацию с цитатами, а не полагаться на предположения из обучающих данных.
Зачем нужен слой извлечения
Обычный подход агента к вебу таков: поиск, загрузка всей страницы, помещение всего в контекстное окно, ответ. Это ограничивает вас горсткой источников и взимает полную цену токенов за страницы, которые в итоге оказываются в основном нерелевантными.
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
Статус
В разработке, создаётся поэтапно. См. docs/ с описанием каждого слоя.
Фаза | Слой | Статус |
0 | Фундамент, общие контракты | готово |
1 | Конфигурация, фабрика LLM на основе ролей | готово |
2 | Загрузка и извлечение | готово |
3 | Иерархическая разбивка на фрагменты | готово |
4 | Индексация и реранжирование | в процессе |
5 | Поисковые провайдеры | готово |
6 | Одиночный цикл исследователя | запланировано |
7 | Полный граф: фан-аут, уточнение, сжатие | запланировано |
8 | Стенд для оценки | запланировано |
9 | Сервисный слой и API | запланировано |
10 | MCP-сервер | запланировано |
11 | Веб-интерфейс | запланировано |
Установка
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
Одна команда на слой, чтобы вы могли увидеть, что делает каждая из них по отдельности.
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 baselineЛицензия
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.373MIT
- 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.128MIT