为什么「免费复刻」是个问错的问题
先给结论：开源 Deep Research 真正的卖点不是免费，而是把「深度研究」从订阅制产品拆成一组可以自己拼装的能力。
看付费侧的成本结构就明白了。ChatGPT Deep Research 免费用户每月只有 5 次，Plus 25 次，要到 250 次得买 $200/月的 Pro；Google 的深度研究绑在 Gemini Advanced/Ultra 里，免费档位还有配额限制。这些产品把「研究」打包成一个黑盒按钮，你为整套服务付费，哪怕只用到其中一小块。
开源刚好相反。软件本身不要钱，你要付的是按量计费的 API（模型加搜索）和自己的运维时间。它不承诺一键，而是把「规划—搜索—阅读—成稿」这条流水线摊开给你：想换模型换模型，想接私有数据接私有数据。
所以正确的问法不是「哪个免费」，而是：你需要的是一键结果，还是一次能接进工作流的研究能力？
开源生态四大家族：四条路径，同一个目标
过去一年，社区把 ChatGPT/Google 的深度研究拆成了至少四条可复制的路径，全部开源免费。
GPT Researcher 是最成熟的一个。它跑的是 planner→executors→publisher 流水线：先把你的问题拆成子问题，再并发抓取和总结来源，最后拼成带引用的长报告。它内置了树状 Deep Research 模式，官方口径单次约 5 分钟、约 $0.4（o3-mini 高推理档）。在卡内基梅隆大学的 DeepResearchGym 评测（1000 道复杂查询）里，它的引用质量、报告质量、信息覆盖三项都压过了 Perplexity、OpenAI 和 Hugging Face，排名第一。
Hugging Face Open Deep Research 走的是另一条路线：用 smolagents 的 CodeAgent，把「动作」写成代码而不是函数调用，更像一个真人在浏览器里点来点去。它最大的优点是门槛低——官方在 Hugging Face Spaces 放了在线 Demo，只填一个 API Key 就能跑，连订阅都不用。
LangChain Open Deep Research 基于 LangGraph，胜在可定制：可以接自己的数据源、换任意 LLM、挂 MCP Server。想把深度研究嵌进现有 Agent 产品，这条路径最顺。
最后是本地隐私向的一组：Ollama Deep Researcher、Zilliz 的 DeepSearcher、Feynman 之类，全部本地运行，文档和数据不出机器。代价是要自己装环境、调模型。
注意，这四条路的核心差异不在「能不能复刻」，而在三层怎么拼：搜索层（用什么搜索引擎）、模型层（用什么 LLM）、执行层（函数调用还是代码动作）。付费产品这三层全是黑盒，开源让你每层都能换。
选型框架：先问你要结果、控制还是隐私
把工具全列出来反而会挑花眼。选型可以收敛成一个三极框架，先回答一个问题：你最在意结果、控制，还是隐私？
只要结果——一次性营销调研、竞品分析、选题查证。选 Hugging Face Spaces 的 Open Deep Research Demo，或 GPT Researcher 的 Docker 一键启动，输入问题等报告，按次付费，单次几毛钱。
要控制与集成——你要把研究能力接进团队工作流或自家产品。选 GPT Researcher 的 MCP Server（可以直接喂给 Claude 这类 Agent）或 LangChain Open Deep Research，通过 API/插件把研究变成流水线的一环。想补实时搜索，参考我们此前的DeepSeek Harness 接入实时搜索姊妹篇，两条命令就能给 Agent 装上 AnySearch 实时搜索层。
要隐私与离线——企业内部资料、合规场景。选 Ollama Deep Researcher 或 DeepSearcher 本地部署，数据不出内网，模型也可以全本地。
这个框架之所以好用，是因为它把「选哪个工具」翻译成了「你的约束是什么」。工具会过时，约束不会。
成本账：$0.4 一次 vs $200 一月，算完再选
很多人以为开源等于零成本，这是第二个误区。开源的「零成本」只发生在「软件授权」这一项上。
真实成本结构是这样：GPT Researcher 官方标称单次约 $0.4（o3-mini 高推理档），Hugging Face 的 Open Deep Research 按你接的模型 API 计费，本地方案的成本是你的 GPU、电费和机器。对比 ChatGPT Pro 的 $200/月（250 次深度研究），如果你每月做 30-50 次研究，按量付费可能只要 $12-20——便宜一个数量级。但重度使用的话，token 账要自己盯。
别忘了三类隐藏成本：一是 API Key 的配置和调试时间；二是维护（模型更新、依赖升级）；三是「自建栈」的搜索层要自己养——这也是为什么实时搜索插件那么重要。DeepSeek Harness 加 AnySearch 的社区方案，本质就是帮你把搜索这一层也开源掉。
算完账结论很朴素：低频、要省钱的选开源按量；高频、要省心的选订阅；要合规的选本地。
怎么选：给三类人的上手指南
最后落到动作，按你的角色给三份具体的上手路径。
营销与调研岗（非技术）：先跑 Hugging Face Spaces 的 Open Deep Research Demo 验证效果，不用装任何东西；确认好用再让团队用 GPT Researcher 的 Docker 起一个内部实例。别一上来就上 CLI。
开发者与产品团队：研究能力不是终点，是模块。用 GPT Researcher 的 MCP 或 LangChain Open Deep Research 把它接进产品；搜索层补实时能力（见姊妹篇 AnySearch 两条命令）；推理侧可搭配Reasonix（DeepSeek 推理代理）这类轻量代理，团队协作场景试试DeepTeam。
合规与隐私敏感团队：直接本地部署 Ollama Deep Researcher 或 DeepSearcher，数据和模型都不出内网；先拿一个小数据集验证引用质量，再上生产。
一句话收尾：深度研究正在变成 Agent 时代的基础设施，开源的意义不在于帮你省下那 $200，而在于让你拥有这条能力——结果、控制、隐私，三者至少占住一个，再谈免费不免费。
