#deep-research Repositorios
Descubre 40 repositorios activos de código abierto de GitHub etiquetados con #deep-research, que acumulan 345,708 estrellas en total (una media de 8,642 estrellas por proyecto). El líder de este tema es bytedance/deer-flow, con 85,571 estrellas.
40 repositorios en total
Un harness open-source de SuperAgent de largo horizonte que investiga, codifica y crea. Con la ayuda de sandboxes, memorias, herramientas, habilidades, subagentes y puerta de enlace de mensajes, maneja diferentes niveles de tareas que podrían tomar desde minutos hasta horas.
Habilidad de agente de IA que investiga cualquier tema en Reddit, X, YouTube, HN, Polymarket y la web - luego sintetiza un resumen fundamentado
Wei Yu: Un asistente de análisis de opinión pública multiagente utilizable por todos, que rompe las burbujas de información, restaura la apariencia original de la opinión pública, predice tendencias futuras y asiste en la toma de decisiones. Implementado desde cero, sin depender de ningún framework.
Un sistema de curación de conocimiento impulsado por LLM que investiga un tema y genera un informe completo con citas.
Tongyi Deep Research, el agente líder de investigación profunda de código abierto
~95% en SimpleQA (p. ej. Qwen3.6-27B en una 3090). Soporta todos los LLM locales y en la nube (llama.cpp, Ollama, Google, ...). 10+ motores de búsqueda - arXiv, PubMed, tus documentos privados. Todo Local & Cifrado.
MiroThinker es un agente de investigación profunda optimizado para tareas complejas de investigación y predicción. Nuestros últimos modelos, MiroThinker-1.7, alcanzan 74.0 y 75.3 en BrowseComp y BrowseComp Zh, respectivamente.
Alternativa de Investigación Profunda de Código Abierto a Reason y Search sobre Datos Privados. Escrito en Python.
Convierte Claude Code o Codex en el agente de investigación profunda más inteligente. Recopila, busca y sintetiza investigaciones web en una wiki persistente y consultable que se desarrolla sobre sí misma. API alojada + MCP: hyperresearch.ai
DeepAnalyze es el primer LLM agéntico para la ciencia de datos autónoma. 🎈 ¡Tu analista de datos de IA que analiza automáticamente grandes cantidades de datos y genera informes de análisis profesionales con un solo clic!
Utilice cualquier LLM (Large Language Models) para investigación profunda. Soporta la API SSE y el servidor MCP.
MS-Agent: un marco ligero para potenciar la ejecución agente de tareas complejas
La capa de contexto de código abierto para agentes de IA y búsquedas empresariales con IA. Búsqueda adaptada a los permisos y respuestas con citas en más de 30 fuentes, como Slack, Drive, Jira, GitHub y Microsoft 365, para personas y agentes mediante MCP, SDK y agentes integrados. Autoalojado o en la nube.
Una aplicación nativa de macOS que permite a los usuarios chatear con un LLM local que puede responder con información de archivos, carpetas y sitios web en tu Mac sin instalar ningún otro software. Impulsado por llama.cpp.
🏆 Top-1 en 5+ benchmarks | Web UI | Soporta MiroThinker, Claude, Kimi, OpenAI
Herramienta profesional de investigación con IA para Zotero: chatea con archivos PDF, busca en toda tu biblioteca, Radar de literatura y Piloto automático. Más de 30 LLM o modelos locales; servidor MCP integrado. Chatea con tu Zotero de bolsillo en iPhone → https://www.docsagent.app
Agente de investigación profunda con IA que convierte cualquier pregunta en un informe con citas: planifica búsquedas, lee fuentes reales y verifica la evidencia. Autoalojable, compatible con múltiples proveedores y listo para Docker.
Una skill de investigación de internet en chino para agentes de IA: busca debates de los últimos 30 días en ocho plataformas principales, sigue los temas de tendencia entre plataformas, genera informes con fuentes originales y ofrece rankings diarios de tendencias de toda la web. Compatible con Claude Code, Codex y OpenClaw.
OpenResearcher: Una Pipeline Completamente Abierta para la Síntesis de Trayectorias de Investigación Profunda a Largo Plazo
Biblioteca de automatización de navegador de código abierto y auto-hospedable para agentes de IA
El razonamiento guiado por esquema (SGR) tiene un diseño de sistema con agencia creado por la comunidad NeuralDeep.
Claude Code de código abierto y autohospedado: un asistente de IA para terminal y el framework de Python que lo respalda. Llamada a herramientas, ejecución en sandbox, equipos multi-agente, habilidades, puntos de control, contexto ilimitado: en Pydantic AI, cualquier modelo.
🎨 Estudio de diapositivas AI de código abierto dentro de Codex: presentaciones nativas de imágenes, cada diapositiva un lienzo visual completo. ⚡ Más de 10 diapositivas de alta calidad en ~4–5 minutos — El modo rápido renderiza cada página en paralelo. 🔍 Observa toda la cadena en vivo: investigación → esquema → estilo → renderizado → edición → presentación → exportación PDF/PPTX. 🖥️ Primero en navegador · cero claves API · proyectos duraderos.
¡Agente de investigación profunda para ayudarte a encontrar los mejores repositorios de GitHub 🕵️!
[ACL 2026 KnowFM] Recursos Increíbles de Investigación Profunda Agéntica
Una herramienta de IA multiagente que convierte artículos de investigación en evaluaciones de comercialización y transferencia tecnológica con citas, que abarcan el TRL, el panorama de patentes, los mercados y los riesgos. Desarrollada con CrewAI + FastAPI e incluye un benchmark reproducible.
Una implementación de investigación profunda iterativa utilizando el SDK de agentes de OpenAI
13 habilidades de agente seleccionadas para investigación, decisiones de producto, presentaciones, publicación, auditorías y más: portátiles entre agentes compatibles con habilidades.
Skill profesional de generación de informes de investigación profunda: un comando, diez minutos, informe de investigación profunda de nivel broker
Flujos de trabajo dinámicos al estilo de Claude Code para Pi: subagentes en modo código con enrutamiento real de modelos, reanudación mediante un diario, aislamiento mediante git worktree, contabilidad de costes, una TUI interactiva /workflows, una activación persistente y opcional de /ultracode, e investigación profunda.
Este libro gira en torno a DeerFlow 2.0 y explica sistemáticamente cómo llevar a cabo el desarrollo secundario, desde la teoría hasta el código fuente. (Revisado)
Código oficial de OpenVLHarness: uso de herramientas por agentes visuales en el mundo real con memoria multimodal
Una habilidad para agentes de IA: busca en la web con SearXNG, navega con Camofox, elude protecciones con CloakBrowser. Antialucinaciones por diseño. Autohospedado, gratuito e ilimitado.
Taller práctico: Construye un sistema de IA multiagente desde cero — Agente de Investigación Profunda + Flujo de Trabajo de Redacción servidos como servidores MCP. Incluye código, diapositivas y video
Dale a una IA una línea de investigación: se encarga por sí sola de sintetizar la literatura, validar las lagunas, formular hipótesis y diseñar experimentos. 267 habilidades en Markdown conforman un grafo de investigación: 51 operaciones compuestas por 216 pasos atómicos, en cualquier orden y con retroceso explícito; el plan se aprueba antes de ejecutarse y las ejecuciones interrumpidas se reanudan. Instalación con npx, sin entorno de ejecución ni clave de API.
Preguntas frecuentes
¿Cuál es el repositorio de #deep-research más popular en GitHub?
El proyecto de código abierto de #deep-research mejor posicionado en GitHub es bytedance/deer-flow, con 85,571 estrellas. Un harness open-source de SuperAgent de largo horizonte que investiga, codifica y crea. Con la ayuda de sandboxes, memorias, herramientas, habilidades, subagentes y puerta de enlace de mensajes, maneja diferentes niveles de tareas que podrían tomar desde minutos hasta horas.
¿Qué lenguajes de programación se utilizan más en los repositorios de #deep-research?
Entre los proyectos de #deep-research mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, JavaScript, TypeScript, Swift.
¿Cómo se calcula la clasificación de los repositorios de #deep-research?
Seguimos 40 repositorios activos de código abierto etiquetados con #deep-research (500+ estrellas), que suman un total de 345,708 estrellas, con una media de 8,642 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.