AI在科研领域有广泛的应用场景和需求，有众多很不错的开源项目针对AI科研助手，一些不错的项目：
STORM：https://github.com/stanford-oval/storm
AI-Scientis：https://github.com/SakanaAI/AI-Scientist
Google Gemini Deep Research：https://gemini.google/advanced/
Automated-AI-Web-Researcher-Ollama：https://github.com/TheBlewish/Automated-AI-Web-Researcher-Ollama
Research Rabbit：https://github.com/langchain-ai/research-rabbit
Open Deep Research：https://github.com/btahir/open-deep-research
AgentLaboratory：https://github.com/SamuelSchmidgall/AgentLaboratory
这些项目核心功能都是：给定主题后，由AI助手自动搜索互联网、arXiv等数据源，汇总相关的研究成果，然后汇总、摘要、生成报告。
整体而言，此类项目基本上涵盖了科研标准化的过程。
而现实的科研工作，对于某个主题并非一蹴而就的，而是需要对相关的研究主题不停打磨完善，持续完善。
ChatGPT-o1的思维链模式、DeepSeek的强化学习和多轮对话都表明，通过分拆任务、多步思考、多轮探索可以提升AI产出的质量。
那么能不能对AI科研也采用类似的思路呢？
Ollama Deep Researcher 是一款完全本地化的网络研究助手，可使用任何 基于Ollama的LLM（例如最近火爆的DeepSeek-R1）。
Ollama Deep Researcher 会根据输入的主题，生成一个网络搜索查询，收集网络搜索结果，总结网络搜索结果，反思总结以检查知识差距，生成一个新的搜索查询以弥补差距，搜索，并在用户定义的循环次数内改进总结。最终提供markdown 格式的摘要以及所有使用的来源。
最值得称道的是 M1 16G 的 Mac 就可以运行Ollama Deep Researcher 。
Ollama Deep Researcher 的灵感来自 IterDRAG。这种方法将查询分解为多个子查询，检索每个子查询的文档，回答子查询，然后在回答的基础上检索第二个子查询的文档。
Ollama Deep Researcher的核心流程：
- 给定用户提供的主题，使用本地 LLM（通过 Ollama）生成网络搜索查询
- 使用搜索引擎查找相关来源
- 使用 LLM 总结与用户提供的研究课题相关的网络搜索结果
- 然后，使用 LLM 对摘要进行反思，找出知识差距
- 生成新的搜索查询，以解决知识差距问题
- 重复这一过程，并根据网络搜索的新信息反复更新摘要
- 重复研究兔子洞
- 运行指定的迭代次数（迭代次数可配置）
