MiroThinker

深度研究一步到位，复杂问题秒出结论

MiroThinker 是一个面向复杂研究与预测任务的深度研究智能体。它基于 Python 构建，采用智能体框架，能够自主规划、搜索和综合信息，解决传统搜索引擎难以处理的深层问题。其最新模型 MiroThinker-1.7 在 BrowseComp 和 BrowseComp Zh 基准上分别取得 74.0 和 75.3 的高分，展示了强大的网页浏览理解和多语言处理能力。项目核心能力包括：多步骤研究规划、实时网页信息抓取与整合、跨语言信息检索、复杂推理与预测。它适用于需要深度调研的场景，如学术研究、市场分析、技术趋势预测等，帮助用户从海量信息中提炼出结构化、有洞见的结论。

开源 unknown 智能体

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 8417

维护状态维护中

是否开源是

定价模式 unknown

项目数据

分类智能体

开发团队MiroMindAI

所属国家

官网地址https://miromind.ai

GitHubhttps://github.com/MiroMindAI/MiroThinker

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型agent,agent-framework,browsecomp,deep-research,futurex,gaia,hle,research-agent,search-agent,xbench

GitHub 星标★ 8417

30天Star增速

HF 下载量

上线时间2025-08-07 00:00:00

最近更新2026-09-22 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

难度：进阶约 30 分钟部署方式：命令行工具 5 步

环境要求

可用的 Python 环境，项目使用 uv 管理依赖（README 执行 uv sync）
已安装 uv 工具与 Git
需要 E2B、Serper、Jina 以及摘要 LLM 的 API Key
能访问 google.serper.dev、r.jina.ai 等外部服务

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取 MiroThinker 源码到本地，后续所有操作都在仓库根目录下进行。
```
git clone https://github.com/MiroMindAI/MiroThinker.git
cd MiroThinker
```
2安装 agent 依赖

进入工具化 agent 框架目录，用 uv sync 安装项目依赖，README 明确要求在该目录下执行。
```
cd apps/miroflow-agent
uv sync
```
3配置 API 密钥

在 apps/miroflow-agent 下创建 .env 文件，按 README 示例填入 Serper、Jina、E2B 三类密钥与 Base URL。
4运行第一个任务

README 说明环境就绪后运行 main.py，会以默认问题“今天 arXiv 计算机科学论文的标题是什么”进行测试。
```
cd apps/miroflow-agent
python main.py
```
5跑基准评估

用脚本跑 GAIA 验证集评估，可通过环境变量指定模型、服务地址与运行次数；按 README 需在 agent 目录执行。
```
NUM_RUNS=8 LLM_MODEL="MiroThinker-1.7-mini" BASE_URL="https://your-api.com/v1" bash scripts/run_evaluate_multiple_runs_gaia-validation-text-103.sh
```

关键配置

配置项	必填	说明	示例
`SERPER_API_KEY`	是	Serper 谷歌搜索服务密钥，供 google_search 工具使用	`your_serper_key`
`SERPER_BASE_URL`	是	Serper 搜索接口地址	`https://google.serper.dev`
`JINA_API_KEY`	是	Jina 网页抓取服务密钥	`your_jina_key`
`JINA_BASE_URL`	是	Jina 抓取接口地址	`https://r.jina.ai`
`E2B_API_KEY`	是	E2B 沙箱密钥，用于代码执行与文件管理	`your_e2b_key`
`SUMMARY_LLM_MODEL_NAME`	是	网页摘要所用 LLM 模型名称	`your_summary_model`

如何确认成功

运行 main.py 后能对默认问题返回研究结果；评估脚本运行后可在 logs/ 目录查看详细日志与结果。

常见问题

Q：评估脚本跑不起来怎么办？

A：按 README 排查：确认当前在 apps/miroflow-agent 目录，执行 uv sync 确认依赖已装，检查 .env 中必需变量是否齐全，查看 logs/ 目录报错，并确认基准数据已下载且路径正确。

Q：如何复现 MiroThinker-1.7 的榜单结果？

A：必须设置正确的 AGENT_SET：BrowseComp 与 BrowseComp-ZH 使用 mirothinker_1.7_keep5_max300，其他基准使用 mirothinker_1.7_keep5_max200。

Q：长时间评估如何监控进度？

A：使用进度脚本：进入 apps/miroflow-agent 后执行 python benchmarks/check_progress/check_progress_.py /path/to/logs，可查看完成状态、已用时间和预计剩余时间。

Q：能自定义工具组合吗？

A：可以。在 apps/miroflow-agent/conf/agent/ 下新建 YAML 配置文件，自由组合 MCP 服务器即可。

Q：没有本地环境能直接用吗？

A：可以，README 顶部提供了在线体验入口 https://dr.miromind.ai/ ，无需本地部署即可试用。

注意事项

README 只说明用 uv sync 安装，未给出 uv 本身的安装命令，请自行准备 uv 环境
所有依赖安装与脚本执行都要求在 apps/miroflow-agent 目录下进行
README 节选被截断，运行 main.py 的完整命令与部分基准脚本未展示，实际以仓库最新文档为准
评估相关参数（LLM_MODEL、BASE_URL、NUM_RUNS、AGENT_SET 等）可通过环境变量在命令前临时指定

核心亮点

在 BrowseComp 和中文版上均取得领先分数，研究能力有实证支撑
支持多语言信息处理，中文场景表现突出
基于智能体框架，可自主规划研究路径，减少人工干预

不足之处

文档/社区待观察
模型规模可能较大，部署资源要求高

适用场景

学术文献综述与前沿追踪
市场竞品分析与行业报告生成
技术趋势预测与投资决策辅助

替代项目

OpenDeepResearch、STORM、DeepResearch

项目介绍

MiroThinker 是智能体领域的开源项目，由 MiroMindAI 开发，2025 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（8,417）位列前 6%，在智能体分类的 2,499 个项目里位列前 6%。

近 44 天，它的 GitHub 星标从 8,368 增加到 8,417，净增 49。

项目仍在小幅维护中，最近一次代码更新于 2026-09-22。从国内网络环境看，可直接访问。

它主要面向的使用场景是：学术文献综述与前沿追踪。同类可对比的替代方案包括 OpenDeepResearch、STORM、DeepResearch。

上一篇：omnigent

下一篇：harness-sdk