Allows use of locally hosted LLMs via Ollama's OpenAI-compatible API for planning, information extraction, and answer synthesis.
Allows use of OpenAI's API as the LLM backend for planning, information extraction, and answer synthesis.
Provides web search capabilities via SearXNG, a meta-search engine, enabling iterative research by querying multiple search engines.
Click on "Install Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type @ followed by the MCP server name and your instructions, e.g., "@Deep Research MCP Server deep research on renewable energy trends 2025"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
MCP-сервер глубокого поиска. Подключается к Open WebUI (и любому MCP-клиенту) и позволяет запускать полноценный deep-research режим: итеративный веб-поиск через SearXNG + парсинг страниц через Crawl4AI + синтез финального ответа через LLM.
Архитектура и логика итеративного research-цикла портированы с Vane (TypeScript) на Python.
┌─────────────────────┐
│ Open WebUI │ ← фронтенд, видит стрим прогресса
│ (MCP-клиент) │
└──────────┬──────────┘
│ MCP (streamable-http / SSE)
▼
┌─────────────────────┐
│ Deep Research MCP │ ← этот сервер
│ server.py │
└──────────┬──────────┘
│
┌──────┴──────┐
▼ ▼
┌────────┐ ┌─────────┐
│SearXNG │ │Crawl4AI │ ← внешние сервисы
│ поиск │ │ парсинг │
└────────┘ └─────────┘
│
▼
┌────────┐
│ LLM │ ← OpenAI-совместимый endpoint
└────────┘ (Ollama / Open WebUI / OpenAI)Related MCP server: searxNcrawl
🔍 deep_research(query, mode) — главный тулчейн:
итеративный цикл планирование → поиск → парсинг → синтез (как в Vane)
режимы speed (2 итерации), balanced (6), quality (25)
LLM Source Planner — перед стартом цикла отдельный LLM-вызов классифицирует
запрос (social / academic / news / videos / general / all) и подбирает
релевантные категории SearXNG + адаптивную политику реранкинга.
Query Rephraser — каждый длинный пользовательский запрос переформулируется
через LLM в SEO-friendly ключевые слова (порт webSearchRetrieverPrompt из Vane).
стримит в UI все шаги: план, поисковые запросы, найденные URL, чтение страниц, чанки финального ответа
🌐 web_search(query) — одиночный запрос в SearXNG (для отладки)
📄 scrape_url(url) — одиночный парсинг страницы через Crawl4AI
🧭 Роутинг моделей — отдельные planner / worker модели (сильная для планирования
и синтеза, лёгкая для извлечения фактов); опционально worker может ходить на другой
endpoint (например, локальный Ollama) — LLM_PLANNER_MODEL / LLM_WORKER_MODEL.
# Клонируем и заходим
cd Deep_Research
# Создаём venv
python3.11 -m venv .venv
source .venv/bin/activate
# Зависимости
pip install -r requirements.txt
# Конфиг
cp .env.example .env
# отредактируй .env: SEARXNG_URL, LLM_BASE_URL, LLM_MODEL, ...
# Запуск
python -m deep_researchСервер поднимется на http://localhost:8765 (по умолчанию) и начнёт слушать
MCP-транспорт streamable-http. Точка входа для клиентов:
http://localhost:8765/mcp — MCP-over-HTTP
docker compose up --buildПоднимаются два контейнера:
searxng — на http://localhost:8888 (UI) и http://searxng:8080 (API)
deep-research-mcp — на http://localhost:8765/mcp
Кликни по аватару / имени пользователя (правый верхний угол) → Settings.
В левом меню выбери раздел Tools (он же «Инструменты» в русской локали).
Справа увидишь блок «+ Add MCP Server» — жми туда.
В Open WebUI >= 0.5 нативная поддержка MCP встроена, ничего дополнительно ставить не нужно.
Это самое важное — зависит от того, где крутится Open WebUI относительно твоего
контейнера deep-research-mcp. Конечная точка у нас всегда одна:
http://<адрес_контейнера>:8765/mcpАдрес зависит от сценария:
Сценарий | URL для подключения |
OW и MCP на одном хосте, оба в Docker, одна сеть |
|
OW локально (без Docker), MCP в Docker на той же машине |
|
OW в Docker, MCP на хосте (или в отдельном контейнере без общей сети) |
|
Удалённый сервер/VPS: OW и MCP на разных машинах |
|
За reverse-proxy с TLS (nginx/Caddy/Traefik) |
|
⚠️ Порт
8765/tcpдолжен быть открыт в файрволе на хосте, где крутится MCP. Вdocker-compose.ymlу нас он уже проброшен:ports: "8765:8765".
Поле | Значение |
Name |
|
Type / Transport |
|
Authentication |
|
После добавления:
в списке тулзов должна появиться строка Deep Research → поставь галочку Enable;
по желанию включи «Show in Model Selector», чтобы тул был виден в селекторе модели.
Открой новый чат, выбери ту LLM, которая указана у тебя в .env как LLM_MODEL
(например, qwen2.5:7b), и спроси:
«Используй deep_research и расскажи про квантовые компьютеры в 2026 году»
Если всё ок, в UI будет стрим прогресса:
🔍 Plan: «Okay, the user wants to know about …» 🌐 Searching for: ["renewable energy 2025", "solar panel efficiency 2025"] 📄 Reading: https://example.com/report ✍️ Synthesizing answer…
Не резолвится URL. С машины, где крутится OW, выполни:
curl -i http://<адрес>:8765/mcpДолжен прийти HTTP-ответ (не Connection refused, не timeout).
Тул не вызывается моделью. Включи в Admin Panel → Settings → Models → выбранная модель → раздел Capabilities — должна быть галка Tool Calling.
Нет стриминга прогресса, только финальный ответ. Убедись, что в Settings → Tools →
MCP Servers выбран тип Streamable HTTP, а не устаревший /sse.
421 Misdirected Request. Мы уже включили middleware в server.py, который
переписывает Host-заголовок — если всё равно возникает, проверь, что контейнер
запущен из свежего образа (docker compose pull && docker compose up -d).
OW видит тул, но без описания. Проверь раздел Logs в OW — обычно там видно,
прошёл ли MCP-handshake. На нашей стороне смотри docker logs deep-research-mcp.
Все параметры читаются из переменных окружения. Если переменная не задана,
используются эффективные встроенные дефолты — так что сервер работает
качественно даже с пустым .env.
Переменная | Дефолт | Описание |
|
| URL SearXNG |
|
| Язык поиска (можно |
|
| Дефолтные SearXNG-категории (используются, если LLM-планировщик не сработал). Допустимые: |
|
| Список движков |
|
| 0/1/2 |
|
| OpenAI-совместимый endpoint |
|
| API-ключ |
|
| Базовая модель (используется обеими ролями, если роли не заданы) |
| (пусто → | Сильная модель для планирования источников и финального синтеза |
| (пусто → | Слабая/дешёвая модель для извлечения фактов из чанков |
| (пусто → | Опц. отдельный endpoint для worker'а (например, локальный Ollama с 3B-моделью) |
| (пусто → | Опц. отдельный API-ключ для worker'а |
|
| Хост MCP-сервера |
|
| Порт |
|
| Лимиты итераций по режимам |
|
| Одновременных парсингов |
|
| Сколько просить у SearXNG на запрос |
|
| Таймаут парсинга URL |
|
| Фильтр по SearXNG-score. 0 = не фильтровать |
|
| Сколько URL оставлять на запрос после реранкинга |
|
| Буст домена, если он встретился по ≥N запросам |
| (пусто) | Список доменов под безусловный отсев (opt-in) |
| (пусто) | Список доменов-экспертов, +100 к рангу (opt-in) |
| 12 источников | Домены соцсетей — поднимаются в режиме «ищи в социальных сетях» |
| 29 источников | Домены научных/академических источников — для режима «факт-чек» |
| 36 источников | Домены мировых СМИ — для режима «новости/статьи» |
|
| Включён ли детектор намерений в запросе пользователя |
Researcher автоматически распознаёт намерение пользователя по тексту запроса и переключает режим реранкинга. Никаких жёстких блокировок «из коробки» — только мягкие приоритеты: попавшие в приоритет домены поднимаются в топ, остальные не отрезаются.
Что пишет пользователь | Распознанный режим | Что происходит |
«ищи в социальных сетях / vk / reddit / twitter» |
| Соцсети поднимаются в топ |
«научное подтверждение / факт-чек / peer-reviewed / arxiv» |
| Академические домены в топе |
«новости / статьи в СМИ / press» |
| СМИ в топе |
«ищи всё / включи все / без фильтров» |
| Никаких приоритетов и блокировок |
обычный запрос без подсказок |
| Только то, что задано в |
Детектор использует встроенные RU+EN-ключевики (расширяются через
INTENT_KEYWORDS_SOCIAL, INTENT_KEYWORDS_ACADEMIC и т.п.).
Если INTENT_DETECTION=false — режим всегда neutral.
Мы не блокируем домены по умолчанию. Что работает из коробки:
Глобальная дедупликация по URL — один URL не повторяется между запросами и итерациями.
Min-score фильтр (опционально) — только если задать MIN_RESULT_SCORE > 0.
Domain-boost — домен, встретившийся по ≥DOMAIN_BOOST_THRESHOLD разным запросам,
получает +10·hits к рангу.
Тонкая настройка через ENV — BLOCKED_DOMAINS и PRIORITY_DOMAINS (opt-in).
Top-K на запрос — после реранкинга оставляем RESULTS_TOP_K_PER_QUERY URL.
Адаптивный режим — если пользователь сказал «ищи в X», соответствующие домены получают +100 к рангу (остальные не трогаются).
Адаптивные списки SOCIAL_DOMAINS / ACADEMIC_DOMAINS / NEWS_DOMAINS
уже предзаполнены авторитетными источниками мирового уровня (12 / 29 / 36
доменов соответственно) — см. src/deep_research/config.py.
Их критерии: скорость поступления информации, качество журналистики / peer-review, охват и доверие аудитории. Например:
SOCIAL_DOMAINS — Twitter/X, Reddit, Facebook, Instagram, LinkedIn,
TikTok, Threads, Mastodon, YouTube, VK, Telegram.
ACADEMIC_DOMAINS — .edu (все университеты мира), arxiv.org,
biorxiv.org, scholar.google.com, nature.com, science.org,
cell.com, thelancet.com, nejm.org, sciencedirect.com,
Springer, Wiley, JSTOR, PLOS, Frontiers, MDPI, IEEE, ACM, …
NEWS_DOMAINS — Reuters, AP, AFP, BBC, Guardian, NYT, WaPo, WSJ,
FT, Bloomberg, CNN, Al Jazeera, DW, France 24, Le Monde, El País,
Spiegel, Asahi, SCMP, Straits Times + научпоп-порталы (Nature,
Scientific American, New Scientist, TechCrunch, The Verge, Wired)
ведущие русскоязычные СМИ (РИА, ТАСС, РБК, Ведомости, Коммерсантъ, Интерфакс, Лента, Газета).
Чтобы заменить дефолтный набор — просто задайте переменную в .env,
она переопределит встроенный список (но не сольётся с ним).
Все домены указаны как суффиксы (.com/....org) или TLD-префиксы (.edu),
поэтому внутренние поддомены (m.twitter.com, cs.mit.edu, …) тоже матчатся.
Помимо keyword-детектора по тексту, в начале каждого исследования Researcher выполняет один отдельный LLM-вызов (через planner-модель), который классифицирует запрос и выбирает SearXNG-категории:
Intent | SearXNG categories | Когда выбирается |
|
| «что обсуждают в твиттере / на реддите / в телеграме» |
|
| «научные статьи / факт-чек / peer-reviewed / arxiv» |
|
| «последние новости / пресс-релизы» |
|
| «видео на ютубе / обучающие ролики» |
|
| обычный web-поиск |
|
| «ищи всё» |
План стримится в UI как plan-событие и сохраняется в self._source_plan,
оттуда попадает в SearXNGClient.search_many(categories=…) — поиск сразу
идёт по правильным категориям (а не только по «general»).
При любой ошибке LLM (нет endpoint'а, битый JSON) — fallback на SourcePlan.default()
с категорией general. Пайплайн не падает.
В Researcher'е используются две роли LLM через LLMFactory:
Роль | Что делает | Требования | Пример модели |
Planner | • | Логика, JSON, следование инструкциям |
|
Worker | • | Быстро, дёшево, JSON |
|
Если роли не заданы в .env — обе используют базовый LLM_MODEL
(полная обратная совместимость).
Пример конфигурации:
# Сильная модель — планирование и синтез
LLM_PLANNER_MODEL=qwen2.5:14b
# Слабая модель — извлечение фактов
LLM_WORKER_MODEL=qwen2.5:3b
# Опционально: worker на отдельном endpoint
LLM_WORKER_BASE_URL=http://localhost:11434/v1
LLM_WORKER_API_KEY=ollamaLLMFactory сам решает — открывать два независимых HTTP-клиента
или переиспользовать один, если конфиги planner и worker совпадают.
Вот что происходит от момента, как ты отправил запрос в Open WebUI, до момента, как ты увидел финальный ответ со ссылками:
Пользователь Open WebUI MCP-сервер LLM (planner) SearXNG LLM (worker) Crawl4AI
│ │ │ │ │ │ │
│ "расскажи про │ │ │ │ │ │
│ квантовые │ │ │ │ │ │
│ компьютеры 2026" │ │ │ │ │ │
├─────────────────►│ deep_research( │ │ │ │ │
│ │ query, mode) │ │ │ │ │
│ ├────────────────────►│ │ │ │ │
│ │ │ │ │ │ │
│ │ │ 0. _plan_sources() │ │ │ │
│ │ ├──────────────────────►│ │ │ │
│ │ │ SOURCE_PLANNER_PROMPT │ │ │ │
│ │ │ + query │ │ │ │
│ │ │ │ JSON: intent, │ │ │
│ │ │ │ categories │ │ │
│ │ │◄──────────────────────┤ │ │ │
│ │ │ self._source_plan = │ │ │ │
│ │ │ SourcePlan(...) │ │ │ │
│ │ │ emit_plan("academic") │ │ │ │
│ │◄───── log ──────────│ │ │ │ │
│ │ "plan: academic │ │ │ │ │
│ │ [science]" │ │ │ │ │
│ │ │ │ │ │ │
│ │ │ 1. Главный цикл │ │ │ │
│ │ │ tools=[preamble, │ │ │ │
│ │ │ web_search, │ │ │ │
│ │ │ scrape_url, │ │ │ │
│ │ │ done] │ │ │ │
│ │ ├──────────────────────►│ │ │ │
│ │ │ system + history │ │ │ │
│ │ │ │ tool_call( │ │ │
│ │ │ │ preamble) │ │ │
│ │ │◄──────────────────────┤ │ │ │
│ │ │ emit_plan("Plan:…") │ │ │ │
│ │◄───── log ──────────│ │ │ │ │
│ │ │ │ │ │ │
│ │ │ tool_call( │ │ │ │
│ │ │ web_search) │ │ │ │
│ │ │◄──────────────────────┤ │ │ │
│ │ │ search_many( │ │ │ │
│ │ │ queries=[...], │ │ │ │
│ │ │ categories=["science"] │ │ │
│ │ ├───────────────────────┼────────────────►│ │ │
│ │ │ │ │ JSON results │ │
│ │ │◄──────────────────────┼─────────────────┤ │ │
│ │ │ rank_score + should_drop (FilterPolicy) │ │ │
│ │ │ emit_search_results │ │ │ │
│ │◄───── log ──────────│ │ │ │ │
│ │ "search_result: │ │ │ │ │
│ │ 5 URLs" │ │ │ │ │
│ │ │ │ │ │ │
│ │ │ tool_call( │ │ │ │
│ │ │ scrape_url) │ │ │ │
│ │ │◄──────────────────────┤ │ │ │
│ │ │ crawl_many(urls) │ │ │ │
│ │ ├───────────────────────┼─────────────────┼──────────────────┼───────────────►│
│ │ │ │ │ │ │ markdown
│ │ │◄──────────────────────┼─────────────────┼──────────────────┼────────────────┤
│ │ │ _extract_facts() ──► WORKER LLM │ │ │
│ │ │ │ │ chunked JSON │ │
│ │ │ │ │◄─────────────────┤ │
│ │ │ emit_read_done(url, facts) │ │ │
│ │◄───── log ──────────│ │ │ │ │
│ │ │ │ │ │ │
│ │ │ tool_call(done) │ │ │ │
│ │ │◄──────────────────────┤ │ │ │
│ │ │ │ │ │ │
│ │ │ 2. _synthesize() ──► PLANNER LLM │ │ │
│ │ │ │ stream=markdown │ │ │
│ │ │◄──────────────────────┤ │ │ │
│ │ │ emit_synthesis_chunk │ │ │ │
│ │◄───── log ──────────│ (стрим чанков ответа) │ │ │ │
│ │ "## Квантовые…" │ │ │ │ │
│ │◄────────────────────│ │ │ │ │
│ │ │ │ │ │ │
│ │ │ emit_done(answer, │ │ │ │
│ │ │ sources) │ │ │ │
│ │◄───── log ──────────│ │ │ │ │
│ │ │ │ │ │ │
│ │ TextContent(markdown+│ │ │ │ │
│ │ sources) │ │ │ │ │
│ │◄────────────────────│ │ │ │ │
│ видит финал │ │ │ │ │ │
│◄─────────────────┤ │ │ │ │ │Этап | LLM-роль | Модель (если задана) | Что делает |
0. | Planner |
| Классифицирует запрос, выбирает SearXNG-категории |
1. Главный цикл | Planner |
| Каждый ход: preamble + выбор tools + JSON-валидация |
2. | Worker |
| Извлечение фактов из чанков (механическая работа) |
3. | Planner |
| Финальный markdown-ответ со ссылками |
Если роли не заданы — все 4 этапа идут через LLM_MODEL (обратная совместимость).
После запуска deep_research в UI приходит стрим событий (через ctx.session.send_log_message):
plan: "source plan: academic (science, general) — нужны научные источники"
plan: "Okay, the user wants to know about quantum computers in 2026…"
search_start: queries=["quantum computing 2026", "quantum supremacy recent"]
search_result: 5-10 URL с заголовками
read_start: urls=[…]
read_done: url + первые 500 символов extracted_facts
synthesis_chunk: чанки markdown-ответа (печатаются как пишутся)
done: финальный ответ + список источников
Все эти шаги прокидываются через MCP-шину (EventBus → send_log_message), Open WebUI рисует их как «task steps» в чате.
Сценарий | Что произойдёт |
LLM-планировщик недоступен (endpoint не отвечает) |
|
LLM вернул битый JSON / текст без JSON |
|
LLM вернул невалидные категории/intent | Whitelist-фильтр, fallback на |
Worker-LLM недоступен во время | Возвращается исходный chunk текста без извлечения фактов (логируется warning). |
Planner и worker идентичны по конфигу |
|
| Обе роли используют базовый |
tests/test_researcher.py — 1 e2e-тест: цикл plan→search→scrape→done→synthesis
tests/test_llm_factory.py — 13 тестов: factory shared/distinct, ENV-overrides,
SourcePlan parser (strict JSON / markdown fence /
garbage recovery / invalid categories / intent),
worker_endpoint
tests/test_streaming.py — pub/sub EventBus, close-unblocks-subscribers
tests/test_filtering.py — intent detection, FilterPolicy, rank_score, should_drop,
интеграция с Researcher (intgration + planner-arg fix)
tests/test_searxng_client.py — SearXNGClient search/search_many с categories
tests/test_tools.py — CrawlClient
tests/test_prompts.py — 10 тестов: normalize_mode() + get_researcher_system_prompt()
(защита от KeyError на невалидный mode от MCP-клиента)Локально прогоняется так (Python 3.11+):
python scripts/check_syntax.py # ast-валидация всех .py-файлов
PYTHONPATH=src pytest tests/ -v # 87 тестовВ CI (GitHub Actions) гоняется в матрице Python 3.11 + 3.12 + Docker build.
Deep_Research/
├── docker-compose.yml # SearXNG + MCP-сервер
├── Dockerfile # образ MCP-сервера
├── requirements.txt
├── pyproject.toml
├── .env.example
├── src/deep_research/
│ ├── server.py # FastMCP-сервер (entrypoint)
│ ├── researcher.py # главный цикл итеративного поиска
│ ├── intent.py # детектор намерений по тексту запроса (RU+EN)
│ ├── filter_policy.py # политики фильтрации/реранкинга по intent
│ ├── llm_client.py # OpenAI-compatible клиент + streaming + tool calls
│ ├── prompts.py # промпты (портированы с Vane)
│ ├── streaming.py # EventBus — стрим событий в UI
│ ├── config.py # конфигурация из .env
│ ├── types.py # dataclasses + tool-схемы
│ └── tools/
│ ├── searxng_client.py # HTTP-клиент SearXNG
│ └── crawl_client.py # Crawl4AI-обёртка + httpx-fallback
└── tests/
├── test_streaming.py
├── test_searxng_client.py
├── test_tools.py
├── test_researcher.py
├── test_filtering.py # intent-детектор + политики + реранкинг + интеграция с Researcher
└── test_prompts.py # normalize_mode + get_researcher_system_prompt (10 тестов)🛡️ Защита от KeyError: 'comprehensive' — MCP-клиенты (например, Open WebUI) иногда
присылали произвольный mode (любая строка, не входящая в speed/balanced/quality),
и пайплайн падал с непонятным traceback в логах. Теперь:
В prompts.py добавлена normalize_mode() с whitelist + fallback на balanced.
get_researcher_system_prompt() нормализует mode перед индексом _MODE_PROMPTS.
Researcher.research() нормализует на входе и фиксирует валидное значение.
MCP-тул deep_research_tool в server.py нормализует mode ещё до старта и пишет
WARNING: deep_research: unknown mode 'X' from MCP client, using 'balanced'.
🧪 CI стал зелёным — заодно починен долгоживущий баг в tests/test_filtering.py:
5 интеграционных тестов не передавали 4-й позиционный аргумент planner в
Researcher._execute_one (появился в v0.4.2 вместе с Query Rephraser). Локально:
87 passed.
🧹 Гигиена — .tmp_* добавлен в .gitignore (чтобы ad-hoc scratch-файлы не попадали
в коммиты).
🪄 Query Rephraser — порт webSearchRetrieverPrompt из Vane. Каждый
сгенерированный LLM-агентом поисковый запрос перед отправкой в SearXNG
переформулируется через LLM в SEO-friendly ключевые слова (2-5 слов,
без вопросительных слов и булевых операторов). Управляется через
QUERY_REPHRASER=true|false и MAX_QUERY_LENGTH=120. На короткие запросы
(<=30 символов, <=5 слов) не действует. При недоступности LLM-rephraser'а —
regex-нормализация как fallback.
Новые fewshot-примеры в prompts.QUERY_REPHRASER_FEWSHOTS — 5 примеров
(вопрос → ключевые слова) для стабилизации выхода модели.
🕷️ Фикс краулера — CrawlClient теперь корректно переиспользует
AsyncWebCrawler между вызовами (раньше каждый crawl_one() создавал новый
инстанс, что ломало async with semantics). Также добавлена поддержка
async with — CrawlClient стал полноценным async context manager'ом.
🧠 LLM-driven Source Planner — перед стартом итеративного цикла Researcher
делает один отдельный LLM-вызов (через planner-модель), который классифицирует
запрос и подбирает релевантные категории SearXNG + адаптивную политику реранкинга.
Стримится в UI как plan-событие, fallback на general при ошибках.
🧭 Роутинг моделей planner / worker — LLMFactory создаёт две роли LLM:
сильную (planner) для планирования и синтеза, лёгкую (worker) для извлечения
фактов. Опционально worker может ходить на отдельный endpoint (например, локальный
Ollama с 3B-моделью). Полная обратная совместимость — если роли не заданы,
обе используют LLM_MODEL.
🛡️ ASGI-middleware — обход 421 Misdirected Request от uvicorn при Host-заголовке
вроде deep-research:8765 или <внешний_IP>:8765. Работает на любой версии
uvicorn (не требует host_header_validation=False из 0.32+).
📜 OpenAPI JSON — middleware также отдаёт валидный /openapi.json,
/docs и /mcp/openapi.json (минимальный stub), чтобы Open WebUI не получал
404 при авто-детекте.
Адаптивная фильтрация по доменам — Researcher распознаёт намерение пользователя
по тексту запроса (social / academic / news / all / neutral) и мягко
поднимает нужный тип источников в топ. Никаких автоблоков — другие источники не
отсекаются, только получают меньший ранг. Детектор использует RU+EN ключевые слова,
расширяемые через INTENT_KEYWORDS_*.
Предзаполненные наборы доменов мирового уровня —
SOCIAL_DOMAINS (12), ACADEMIC_DOMAINS (29), NEWS_DOMAINS (36). Подобраны
по скорости поступления информации, качеству журналистики/peer-review, охвату и
доверию аудитории. Переопределяются через .env целиком (без слияния с дефолтом).
Никаких жёстких блокировок по доменам — убрали авто-блоклист соцсетей.
Хотите отсечь конкретный домен — задайте BLOCKED_DOMAINS=… (opt-in).
Новые модули:
src/deep_research/intent.py — детектор намерений по тексту запроса.
src/deep_research/filter_policy.py — политики реранкинга под каждый intent
(make_policy, matches_domain, rank_score, should_drop).
Расширенные тесты — tests/test_filtering.py покрывает детектор, политики,
матчинг доменов (включая .edu-TLD) и интеграцию с Researcher. 52 теста,
все зелёные.
API для MCP/UI — результат web_search теперь содержит поле policy
(intent, priority_count, blocked_count), чтобы клиентский UI мог
показать, в каком режиме выполнен поиск.
Vane (TypeScript) | Deep Research MCP (Python) |
|
|
| inline в researcher.py |
| промпт |
|
|
|
|
|
|
|
|
|
|
|
|
См. DEPLOY.md — полная инструкция:
GitHub Actions: тесты + автосборка Docker-образа
Multi-arch образ (amd64 + arm64) в GHCR
./scripts/release.sh patch → push тега → авторелиз
./scripts/deploy.sh v0.1.0 user@server → деплой одной командой
MIT
This server cannot be installed
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
Fast, intelligent web search and web crawling. New mcp tool: Exa-code is a context tool for coding
SEO MCP server: crawl your site, find AI-visibility gaps, and ship the fix from your coding agent.
Multi-engine search for AI agents. Trust scoring, local corpus, MCP-native. Self-hostable, BYOK.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/tvermolaev-source/deep-research-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server