#deep-research Dépôts
Découvrez 40 dépôts GitHub open source actifs associés à #deep-research, cumulant 345,708 étoiles au total (soit une moyenne de 8,642 étoiles par projet). Le projet en tête de ce thème est bytedance/deer-flow, avec 85,571 étoiles.
40 dépôts au total
Un harness open-source SuperAgent à long horizon qui recherche, code et crée. Avec l'aide de sandboxes, mémoires, outils, compétences, sous-agents et passerelle de messages, il gère différents niveaux de tâches qui peuvent prendre de minutes à des heures.
Compétence d'agent IA qui recherche n'importe quel sujet sur Reddit, X, YouTube, HN, Polymarket et le web - puis synthétise un résumé fondé
Wei Yu: Un assistant d'analyse de l'opinion publique multi-agent accessible à tous, brise les bulles d'information, restaure l'apparence originale de l'opinion publique, prédit les tendances futures et aide à la prise de décision ! Réalisé à partir de zéro, sans dépendance à aucun framework.
Un système de curation de connaissances alimenté par LLM qui recherche un sujet et génère un rapport complet avec citations.
Tongyi Deep Research, l'agent de recherche approfondie open-source leader
~95 % sur SimpleQA (ex. Qwen3.6-27B sur une 3090). Prend en charge tous les LLM locaux et cloud (llama.cpp, Ollama, Google, ...). 10+ moteurs de recherche - arXiv, PubMed, vos documents privés. Tout Local & Chiffré.
MiroThinker est un agent de recherche approfondie optimisé pour les tâches de recherche et de prédiction complexes. Nos derniers modèles, MiroThinker-1.7, obtiennent 74,0 et 75,3 sur BrowseComp et BrowseComp Zh, respectivement.
Alternative Open Source de Recherche Approfondie à Reason et Search sur les Données Privées. Écrit en Python.
Transformez Claude Code ou Codex en l’agent de recherche approfondie le plus intelligent. Collectez, recherchez et synthétisez des recherches web dans un wiki persistant et consultable qui s’enrichit au fil du temps. API hébergée + MCP : hyperresearch.ai
DeepAnalyze est le premier LLM agentique pour la science des données autonome. 🎈 Votre analyste de données IA qui analyse automatiquement de grandes quantités de données et génère des rapports d'analyse professionnels en un seul clic !
Utilisez tous les LLM (Large Language Models) pour la recherche approfondie. Prend en charge l'API SSE et le serveur MCP.
MS-Agent : un cadre léger pour favoriser l'exécution agentique de tâches complexes
La couche de contexte open source pour les agents d’IA et la recherche d’entreprise par IA. Recherche tenant compte des autorisations et réponses avec citations dans plus de 30 sources, notamment Slack, Drive, Jira, GitHub et Microsoft 365, pour les utilisateurs et les agents via MCP, des SDK et des agents intégrés. Auto-hébergée ou dans le cloud.
Une application macOS native qui permet aux utilisateurs de discuter avec un LLM local capable de répondre avec des informations provenant de fichiers, de dossiers et de sites Web sur votre Mac sans installer d'autres logiciels. Propulsé par llama.cpp.
🏆 Top-1 sur 5+ benchmarks | Interface Web | Prend en charge MiroThinker, Claude, Kimi, OpenAI
Outil professionnel de recherche par IA pour Zotero : dialoguez avec vos PDF, recherchez dans toute votre bibliothèque, Radar bibliographique et Pilote automatique. Plus de 30 LLM ou modèles locaux ; serveur MCP intégré. Discutez avec votre Zotero de poche sur iPhone → https://www.docsagent.app
Agent d’IA pour la recherche approfondie qui transforme toute question en un rapport sourcé : il planifie les recherches, consulte des sources réelles et vérifie les éléments probants. Auto-hébergeable, compatible avec plusieurs fournisseurs et prêt pour Docker.
Une compétence de recherche sur l’internet chinois destinée aux agents d’IA : elle recherche les discussions des 30 derniers jours sur huit grandes plateformes, suit les sujets tendance d’une plateforme à l’autre, génère des rapports accompagnés de leurs sources originales et propose un classement quotidien des tendances sur l’ensemble du web. Compatible avec Claude Code, Codex et OpenClaw.
OpenResearcher : Un pipeline entièrement ouvert pour la synthèse de trajectoires de recherche approfondie à long terme
Bibliothèque open source et auto-hébergeable pour l'automatisation du navigateur pour les agents IA
Le Schema-Guided Reasoning (SGR) possède un design de système agentique créé par la communauté NeuralDeep.
Claude Code open-source et auto-hébergé : un assistant IA pour terminal et le framework Python qui le sous-tend. Appel d'outils, exécution en sandbox, équipes multi-agents, compétences, points de contrôle, contexte illimité - sur Pydantic AI, avec n'importe quel modèle.
🎨 Studio de diapositives IA open source dans Codex : présentations natives d'images, chaque diapositive est un canevas visuel complet. ⚡ 10+ diapositives de haute qualité en ~4–5 minutes — Le mode rapide rend chaque page en parallèle. 🔍 Regardez toute la chaîne en direct : recherche → plan → style → rendu → édition → présentation → exportation PDF/PPTX. 🖥️ Priorité au navigateur · zéro clé API · projets durables.
Agent de recherche approfondi pour vous aider à trouver les meilleurs référentiels GitHub 🕵️ !
[ACL 2026 KnowFM] Ressources exceptionnelles pour la recherche approfondie par agents
Un outil d’IA multi-agent qui transforme des articles de recherche en évaluations documentées de la commercialisation et du transfert de technologie, couvrant le TRL, le paysage des brevets, les marchés et les risques. Développé avec CrewAI + FastAPI, il comprend un benchmark reproductible.
Une implémentation de la recherche approfondie itérative utilisant le SDK des agents OpenAI
13 compétences d'agent sélectionnées pour la recherche, les décisions produit, les présentations, la publication, les audits, etc. — portables entre agents compatibles avec les compétences.
Skill professionnel de génération de rapports de recherche approfondie — une commande, dix minutes, rapport de recherche approfondie de niveau courtier
Workflows dynamiques de style Claude Code pour Pi : sous-agents en mode code avec routage réel des modèles, reprise journalisée, isolation via git worktree, suivi des coûts, TUI interactive /workflows, activation facultative persistante d’/ultracode et recherche approfondie.
Ce livre s'articule autour de DeerFlow 2.0 et explique systématiquement comment réaliser un développement secondaire, de la théorie au code source. (Édition révisée)
Code officiel d’OpenVLHarness : utilisation d’outils par des agents visuels dans le monde réel avec mémoire multimodale
Une compétence pour les agents IA : recherchez sur le Web avec SearXNG, naviguez avec Camofox, contournez les protections avec CloakBrowser. Anti-hallucination par conception. Auto-hébergé, gratuit, illimité.
Atelier pratique : Créez un système d'IA multi-agents à partir de zéro — Agent de recherche approfondie + Flux de travail de rédaction servis comme serveurs MCP. Comprend le code, les diapositives et la vidéo
Donnez à une IA un axe de recherche : elle réalise elle-même la synthèse de la littérature, la validation des lacunes, la formulation d’hypothèses et la conception d’expériences. 267 compétences Markdown forment un graphe de recherche : 51 opérations composées de 216 étapes élémentaires, exécutables dans n’importe quel ordre avec retour en arrière explicite ; le plan est approuvé avant son exécution et les exécutions interrompues peuvent reprendre. Installation avec npx, sans environnement d’exécution ni clé API.
Foire aux questions
Quel est le dépôt #deep-research le plus populaire sur GitHub ?
Le projet #deep-research open source le mieux classé sur GitHub est bytedance/deer-flow, avec 85,571 étoiles. Un harness open-source SuperAgent à long horizon qui recherche, code et crée. Avec l'aide de sandboxes, mémoires, outils, compétences, sous-agents et passerelle de messages, il gère différents niveaux de tâches qui peuvent prendre de minutes à des heures.
Quels langages de programmation sont les plus utilisés dans les dépôts #deep-research ?
Parmi les projets #deep-research les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, JavaScript, TypeScript, Swift.
Comment le classement des dépôts #deep-research est-il calculé ?
Nous suivons 40 dépôts open source actifs associés à #deep-research (500+ étoiles), totalisant 345,708 étoiles, avec une moyenne de 8,642 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.