GPT Researcher、Local Deep Research、STORM 与 DeerFlow 对比

这场对比里最受欢迎的那个项目，已经不再自称研究智能体了；而第二受欢迎的那个，一年多没收过一次提交。LangChain 在 2026 年 8 月 21 日把 open_deep_research 归档，彼时它身上挂着 12.7k 星；DeerFlow 的 2.0 重写把自己重新描述成了一个通用智能体外壳；STORM 主干上最后一次提交是 2025 年 9 月 30 日。这不是四个项目都失败了——这是一个品类正在溶解，因为「规划—检索—阅读—引用」如今是任何一个称职外壳的默认能力。剩下还值得拿来做选择的那根轴更窄、也更有后果：你的语料放在哪里，以及谁有资格看见那条查询。

一眼看全

四个项目，都能从一句提示词产出一份带引用的报告；这里按它们 2026 年 10 月「是什么」排序，而不是按它们当初赚到这些星时「是什么」。

项目	许可证	最后动静	如今是什么
GPT Researcher	Apache-2.0	v3.7.0，2026-09-26	一个研究产品：规划器、执行器、发布器、导出。
Local Deep Research	MIT	2026-10-06 仍有提交	一个研究应用，其约束是「什么都不许离开本机」。
STORM	MIT	主干提交 2025-09-30	两篇好论文的参考实现，已冻结。
DeerFlow	MIT	v2.1.0，2026-09-24	一个通用智能体外壳；研究只是它能做的一件事。

受欢迎程度与「适不适合你的问题」已经分道扬镳：最长的两根条，一根是通用外壳，一根是被冻结的研究制品。

请把这张图读成一部历史，而不是一份排名。星数从「某个项目成为一个新想法最清晰的解释」那一刻起开始累积，而这四个在不同时刻都正是如此。没有一个是因为「今天最适合做你语料的依赖」而赚到星的。

那个循环不再是产品了

这四个交付的是同一条五段循环。差异化在两端。

随便打开四个中的哪一个，你看到的都是同一条流水线：把问题拆成子问题、检索、抓取并摘要每条结果、把累积的发现压缩到能塞进上下文窗口，然后写一篇带行内引用的长答案。LangChain 那个已归档的实现连默认值都把中间几段说得很明白——用一个便宜的模型做逐条结果摘要，再用一个更强的模型在写报告前做压缩。

三个互相独立的信号都在说：那条流水线如今是基础设施，不是产品。

它被归档了。open_deep_research 于 2026 年 8 月 21 日转为只读。LangChain 活跃开发的那条线是 deepagents，一个「开箱即全」的智能体外壳——研究循环往下沉了一层，沉进了那个「运行任何智能体」的东西里。
它被吸收了。2026 年 2 月 28 日发布的 DeerFlow 2.0 是一次与 v1 不共享任何代码的彻底重写，而它自称是一个「超级智能体外壳」，编排子智能体、记忆与沙箱，「几乎什么都能做」。原来那套研究框架留在 1.x 分支上。
它不再需要改了。STORM 的方法发表于 NAACL 2024 与 EMNLP 2024，仓库在 2025 年 1 月加上了 litellm 支持，而主干自 2025 年 9 月 30 日起一直安静。一个冻结的仓库并不总等于弃养；有时候，贡献本身就是那个方法。

这和检索增强生成自身经历过的那次收敛是同一回事，后果也相同：有意思的工程迁移到流水线的两端。入口一端是：你能触达哪些语料、在什么保密条件下。出口一端是：报告里的一句主张有没有被绑定到支撑它的那一段原文——而正如引用与来源归属的交互设计所陈述的，这恰是生成式搜索引擎历来最弱的地方。

GPT Researcher——留在「产品」里的那一个

GPT Researcher（Apache-2.0，29.9k 星，4.1k fork）是那个把「深度研究」当成一件要做完的事、而不是一件要泛化的事的项目；而在一个正在溶解的品类里，这反倒成了被差异化的位置。

它实际给你什么

一个生成研究问题的规划智能体、若干并行处理这些问题的执行智能体，以及一个把报告组装起来的发布器。默认值瞄的是广度——抓取 20 个以上来源、产出 2,000 字以上——而输出一侧对一个开源智能体来说完成度异常高：Markdown、PDF 与 Word 导出、行内生成的插图、一个会去探索子问题树（而非只做一次扇出）的深度研究模式，以及一个 MCP server，让别的智能体能把它当工具来调。

检索器那一面才是真功能

网页搜索是头条，但真正要紧的是本地那张清单：从你指给它的目录里读 PDF、纯文本、CSV、Excel、Markdown、PowerPoint 与 Word，再加上由 MCP 提供的工具。这个组合——你的文档，加上网页，加上一套工具协议——正是它能当内部研究助理的底座、而不只是个演示的原因。

把它的基准数字读作「它自己的」

v3.7.0（2026 年 9 月 26 日）把基于嵌入的上下文过滤换成了项目称为 Jev 的「有用性打分器」，并报出在 28 项研究任务上保留了 73% 的相关段落，而嵌入方案是 46%。请把这当成一次厂方在 28 个任务集上自跑的 A／B——方向上有意思，不是田野测量——并留意它量的是什么：压缩那一段，也就是最可能悄悄丢掉你答案所需那一段文字的那一段。

Local Deep Research——把网络边界写进了设计的那一个

Local Deep Research（MIT，9.2k 星，约 8,100 次提交，2026 年 10 月 6 日仍在落提交）是四者中唯一一个其核心约束不是质量或广度、而是保密性的项目：查询、文档与模型都可以留在你自己拥有的硬件上。

本地就是本地

推理走 Ollama、LM Studio，或 llama.cpp 的 llama-server 端点——三个本地后端，而不是一个带「自托管逃生阀」的云 SDK。检索覆盖 arXiv、PubMed 与 Semantic Scholar（学术）、SearXNG 或 SerpAPI（公开网络）、GitHub 与 Elasticsearch（技术语料），外加本地文档集合、LangChain 检索器与 Wayback Machine。按用户的状态存在一个加密数据库里。把云检索器关掉，整套东西就跑在本机之内——而这个性质正是它在「托管研究 API 根本不是一个选项」的地方可用的原因；至于采取那种姿态还会改变什么，见气隙环境中的智能体部署。

它那张基准表是这场对比里最诚实的制品，而它把整个品类的前提掀了

项目公开了同一策略下按本地模型划分的 SimpleQA 准确率：Qwen3.6-27B 95.7%、Qwen3.5-9B 91.2%、gpt-oss-20B 85.4%，题量 300–500；而在 xbench-DeepSearch（n=100）上，同样那两个 Qwen 模型是 77.0% 对 59.0%。SimpleQA 十个点、DeepSearch 十八个点，是在项目完全没变的情况下挪动的——变的只是背后的权重。请把这个数字摁在你读到的任何跨项目对比旁边，包括这一篇。

STORM——一个方法，带参考实现，已冻结

STORM（MIT，31.6k 星）是那个该去读、而不该去依赖的项目。它的贡献是一段多数流水线至今仍跳过的「预写作」阶段：它不是从提示词直接扇出子问题，而是先发现关于这个主题的若干视角，然后模拟「持某一视角的写作者」与「以检索来源为依据的专家」之间的对话，并用由此得到的对话记录搭出大纲——在文章落下第一个字之前。

为什么「先大纲」这个顺序要紧

边搜边写产出的报告，其结构是检索顺序的副产物；而这在输出里看得见——表现为重复，以及某些章节之所以存在只是因为某条查询回了点东西。先大纲强迫结构成为一个决定，在检索有机会把它带偏之前就作出。Co-STORM 把这一套扩展成一个带主持人与一张持续维护的思维导图的「人在回路」对话协议，而对「用户不知道该问什么」这件事，它是个比一个聊天框更好的答案。

把它当作「一篇带代码的论文」

主干自 2025 年 9 月 30 日起安静，最后一次发布是 2025 年 1 月的 v1.1.0，那次加上了 litellm，至少让模型层可插拔。论文（NAACL 2024、EMNLP 2024）以及 FreshWiki 与 WildSeek 数据集，才是那些耐久的制品。请把视角发现与大纲阶段移植进你实际在跑的那个外壳；不要把一个冻结的仓库放进依赖图里，然后称之为研究平台。

DeerFlow——研究作为外壳里的一项技能

DeerFlow（MIT，83.4k 星，11.6k fork）是这个品类去的地方。2026 年 2 月 28 日发布的 2.0 版是一次与「只做研究」的 v1 不共享任何代码的重写，而 README 里的定位如今是一个通用外壳：带按智能体限定范围的子智能体委派、带检查点持久化的 LangGraph 编排、带 TODO 状态跟踪与任务归属的计划模式、手动上下文压实、会话目标，以及覆盖 stdio 工具、HTTP/SSE 服务器与持久后台任务的 MCP 支持。搜索提供方的接法和其他一切一样，都是插进来的。

你得到什么，又背上什么

你得到那些「只做研究」的项目没有的东西：一个为「要跑好几个小时的任务」而造的循环，带持久状态，以及一份你可以检视并打断的计划。这很要紧，因为一次长时间的研究运行首先是一个持久执行问题，之后才是一个检索问题；而那些「研究形状」的项目，在进程死掉时通常得从头再来。

你背上的是一个外壳。子智能体、记忆、沙箱与 MCP 服务器，如今全是你拥有、运营并要负责安全的面。而一个研究智能体在构造上就是提示词注入的消费者——它整份工作就是去读不可信网页并据之行动。为做研究而选 DeerFlow，就是选一个平台；如果你本来反正也会需要一个平台，这是对的决定；如果你需要的只是一个报告生成器，那它很贵。

语料放在哪里，决定其余一切

你要对自家技术栈回答的那个问题是：你被允许待在这三列里的哪一列。

一旦那个循环成了大路货，选型判据就变成一个外泄问题，外加一个挂在它上面的质量问题。三种制度，而几乎所有现实约束都能归进其中之一：

厂商索引、厂商模型。一个托管研究 API。上线最快、公开网络覆盖最好，而你的查询——在企业场景里，敏感的那一半往往是它，而不是答案——是一个发给第三方的请求。这是研究 API 那条道，而对于公开网络上的问题，它通常就是对的那条。
你的语料、他们的模型。一个自托管的智能体，调用云端模型与云端搜索提供方。你的文档不出门，但你检索到的每一个分块都会作为提示词发给模型 API，而每一个子问题都会发给一个搜索提供方。GPT Researcher 与 DeerFlow 默认都坐在这里，而这也是多数团队实际所在、却自以为在第三种里的那种制度。
你的语料、你的模型。关掉云检索器的 Local Deep Research，或者把其余任何一个指向一个本地端点。什么都不离开。你为此付出的代价是模型能力，以及运行推理的运维负担；而上面那组 SimpleQA 落差告诉你，在简单问题上这道能力差值多少。

中间那种制度最值得刻意对待，因为它是一个从来没人显式作出的保密决定——它是以一个默认的 base URL 的形式到来的。如果来自内部语料的检索片段正被发往一个模型 API，那这件事该写在设计文档里，而不是在一次审计里被发现；数据治理与权限感知检索谈的都是「索引是我们的」与「查询是私密的」之间那道缝。

这张特性矩阵能定什么，不能定什么

每一个最用力的地方在哪里。这里没有一行能预测答案质量——那主要是模型和检索器的事。

这张矩阵有两件事干得好：排除一个无法满足硬约束的项目，以及告诉你你正在采纳多大一个平台。它有一件事毫无用处：预测报告写得好不好。在这一点上，这场对比里的证据指向模型与检索器，而不是编排代码——在一个项目之内、同一套策略下，仅换本地权重就造成了十个点的 SimpleQA 摆幅。

所以高效的操作顺序是：先选定保密制度，再挑能满足它的最便宜那个项目，然后把力气花在检索器清单与模型上——质量在那里。把这个顺序倒过来，你会花两周去迁编排代码，换来一个「换个模型一个下午就能给你」的结果。

什么时候该选哪一个

如果这是你的约束	从这个开始	为什么
什么都不许离开本机	Local Deep Research	三个本地推理后端、本地集合、按用户加密状态；它是为此而设计的，不是被配置成这样的。
面向你自己文档的内部研究助理	GPT Researcher	本地文件检索器加网页加 MCP、完成度高的导出路径，而且它仍在作为研究产品发版。
你已经在跑一个外壳，或迟早会需要	DeerFlow（或你现有的外壳）	持久状态、子智能体范围限定、计划可检视。研究在这里是一项技能，不是产品。
出问题的是报告的结构	STORM 的方法	视角发现与「先大纲后起草」，移植进你自己的循环。去读论文；不要去依赖那个仓库。
公开网络的问题，没有保密约束	一个托管研究 API	覆盖面与延迟你追不上，而且没有索引要维护。

无论你落在哪一行，都有一条贯穿的规则：采纳语料连接器，不要采纳报告生成器。连接器才是那个把你的权限、你的新鲜度与你的保密姿态编码进去的部件，也是那个你日后买不回来的部件。

常见问题

一个仓库被归档了，是不用它的理由吗？

它是「不要依赖它」的理由，而这是两件不同的事。归档意味着只读：没有安全修复、没有对 API 变更的跟进，而每一次模型或 SDK 弃用都变成你自己的补丁。去读代码、把你需要的那部分移植过来，并把这个依赖留在你的锁文件之外。

这几个里哪个写出来的报告最好？

照这样问是无法回答的，而项目自己的数字说明了原因：在 Local Deep Research 之内、流水线丝毫未改，仅换本地权重就把 SimpleQA 从 85.4% 挪到了 95.7%。这四者之间编排上的差别，小于你放在它们背后的模型之间的差别。

做这件事还需要向量数据库吗？

常常不需要。这些循环是检索驱动而非索引驱动的——抓取、摘要、压缩——而有几个领先的智能体已经把索引拿掉、换成对语料做普通搜索。如果你的语料又大、又私密、还被反复查询，索引才开始回本；这条线划在哪里，见本地优先检索。

DeerFlow 为什么比其余几个受欢迎那么多？

因为它退出了这个品类的竞争。2026 年的星数跟着通用智能体外壳走，而这正是同一个市场信号，它归档了这里的一个项目、冻结了另一个。它不是「DeerFlow 写研究报告更好」的证据。

引用忠实度呢——这些项目会把主张绑定到来源吗？

四个都会输出引用；没有一个保证被引的来源真的支撑那句话。这道缝隙是你自己该补上的、价值最高的一件事，而该跑的测量是「埋入错误的识别率」而不是引用数量——论证在研究与综合智能体里。