Deep Research AI Agent est un cadre Python open source conçu pour effectuer des tâches de recherche complètes. Il exploite la recherche web intégrée, l’ingestion de PDFs et des pipelines NLP pour découvrir des sources pertinentes, analyser des documents techniques et extraire des insights structurés. L’agent enchaîne les demandes via LangChain et OpenAI, permettant des réponses contextuelles, la mise en forme automatique des citations et la synthèse multi-document. Les chercheurs peuvent ajuster les portées de recherche, filtrer par date de publication ou domaine, et générer des rapports en Markdown ou JSON. Cet outil minimise le temps de revue de littérature manuel et garantit des résumés cohérents et de haute qualité dans divers domaines de recherche.

IRIS (Interactive Research Ideation System) est un assistant basé sur l'IA qui permet aux chercheurs de prototyper rapidement des idées d'études. Les utilisateurs saisissent un sujet ou un domaine de recherche, et IRIS produit des questions de recherche sur mesure, identifie des concepts clés, synthétise des résumés de littérature pertinents et suggère des conceptions expérimentales ou des approches méthodologiques. Il organise ces insights en flux de travail personnalisables, soutenant le développement d'hypothèses, la planification de la collecte de données et l'interprétation des résultats. Par le biais de discussions itératives, IRIS affine les résultats en fonction des retours, assure leur cohérence avec les objectifs de recherche et exporte des rapports structurés en formats tels que PDF, DOCX ou Markdown. En automatisant les tâches répétitives et en favorisant la créativité, IRIS accélère la recherche en phase précoce dans le milieu académique, la R&D et les startups, favorise l'innovation et réduit le délai d'obtention d'insights.

OpenWebResearcher agit comme un assistant de recherche Web autonome en orchestrant un pipeline de crawling, d’extraction de données et de résumé piloté par l’IA. Après configuration, l’agent navigue sur les sites cibles, identifie le contenu pertinent via des heuristiques ou des critères définis par l’utilisateur, et récupère des données structurées. Il utilise de grands modèles linguistiques pour analyser, filtrer et distiller les principales informations, en générant des résumés à puces ou des rapports détaillés. Les utilisateurs peuvent personnaliser les paramètres de scraping, intégrer des plugins pour un traitement spécialisé, et programmer des tâches de recherche récurrentes. L’architecture modulaire permet aux développeurs d’étendre ses capacités avec de nouveaux analyseurs ou formats de sortie. Idéal pour la veille concurrentielle, les revues de littérature académique, l’analyse de marché et la surveillance de contenu, OpenWebResearcher réduit le temps consacré à la collecte et à la synthèse manuelles des données.