deep-research MCP — Cas d'usage, Installer & Démo en direct

Pourquoi l'utiliser

Fonctionnalités clés

Outil de recherche approfondie en une seule étape — pas d'orchestration manuelle des étapes
Apportez votre propre modèle : fonctionne avec Gemini, OpenAI, Anthropic, Deepseek, xAI, Mistral, Azure, OpenRouter, Ollama, Pollinations
Backend de recherche enfichable : Tavily, Firecrawl, Exa, Bocha, Brave, ou recherche native du modèle
Transports MCP HTTP et SSE diffusables
En-tête ACCESS_PASSWORD optionnel pour les déploiements partagés

Démo en direct

Aperçu en pratique

deep-research.replay ▶ prêt

0/0

Installer

Choisissez votre client

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "deep-research": {
      "command": "npx",
      "args": [
        "-y",
        "deep-research"
      ],
      "_inferred": true
    }
  }
}

Ouvrez Claude Desktop → Settings → Developer → Edit Config. Redémarrez après avoir enregistré.

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "deep-research": {
      "command": "npx",
      "args": [
        "-y",
        "deep-research"
      ],
      "_inferred": true
    }
  }
}

Cursor utilise le même schéma mcpServers que Claude Desktop. La config projet l'emporte sur la globale.

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "deep-research": {
      "command": "npx",
      "args": [
        "-y",
        "deep-research"
      ],
      "_inferred": true
    }
  }
}

Cliquez sur l'icône MCP Servers dans la barre latérale Cline, puis "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "deep-research": {
      "command": "npx",
      "args": [
        "-y",
        "deep-research"
      ],
      "_inferred": true
    }
  }
}

Même format que Claude Desktop. Redémarrez Windsurf pour appliquer.

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "deep-research",
      "command": "npx",
      "args": [
        "-y",
        "deep-research"
      ]
    }
  ]
}

Continue utilise un tableau d'objets serveur plutôt qu'une map.

~/.config/zed/settings.json

{
  "context_servers": {
    "deep-research": {
      "command": {
        "path": "npx",
        "args": [
          "-y",
          "deep-research"
        ]
      }
    }
  }
}

Ajoutez dans context_servers. Zed recharge à chaud à la sauvegarde.

claude mcp add deep-research -- npx -y deep-research

Une seule ligne. Vérifiez avec claude mcp list. Supprimez avec claude mcp remove.

Cas d'usage

Usages concrets : deep-research

Comment produire une analyse de marché concurrentielle en 2 minutes

👤 Fondateurs, PM, analystes stratégiques ⏱ ~10 min beginner

Quand l'utiliser : Vous avez besoin d'un paysage sourcé d'un espace (par exemple, 'bases de données vectorielles open-source') et un document vierge vous regarde.

Prérequis

Une clé API LLM (MCP_AI_PROVIDER + clé du fournisseur) — Obtenez une clé Gemini sur aistudio.google.com ou une clé OpenAI sur platform.openai.com
Clé de recherche optionnelle (Tavily ou Firecrawl) — tavily.com ou firecrawl.dev — le niveau gratuit suffit pour quelques rapports

Déroulement

Appelez l'outil de recherche avec un sujet ciblé

Exécutez une recherche approfondie sur 'bases de données vectorielles gérées pour RAG : tarification, échelle d'ingestion et support de recherche hybride à partir de 2026'. Visez 1500 mots, incluez des citations.✓ Copié

→ L'appel longue durée retourne un rapport structuré avec des liens
Demandez un tableau de comparaison

À partir du rapport, produisez un tableau markdown : fournisseur | niveau gratuit | vecteurs max | recherche hybride | notes.✓ Copié

→ Tableau propre que vous pouvez coller n'importe où
Approfondissez l'un des concurrents

Exécutez un deuxième passage de recherche approfondie axé uniquement sur les changements de tarification de Qdrant depuis 2024.✓ Copié

→ Rapport plus serré et plus spécifique

Résultat : Un briefing cité de 1-2 k mots que vous pouvez envoyer au leadership le même jour.

Pièges

Le délai d'expiration par défaut de 2 minutes sur certains clients MCP tue l'appel — Augmentez le délai d'expiration du client à 600 s — c'est un outil longue durée
Les citations peuvent halluciner si le fournisseur de recherche ne retourne rien — Utilisez Tavily ou Firecrawl plutôt que la recherche native du modèle pour un meilleur ancrage

Combiner avec : firecrawl · notion

Comment produire un mémorandum technique de décision avec sources

👤 Ingénieurs séniors, architectes ⏱ ~15 min intermediate

Quand l'utiliser : Vous devez choisir entre deux technologies et vous avez besoin d'une argumentation défendable.

Déroulement

Formulez la question clairement

Recherche approfondie : 'Une migration monolithe Rails 7 doit-elle passer à sidekiq-pro ou à un service worker Go dédié en 2026 ?' — pesez les coûts d'ops, les modes de défaillance, le support communautaire. Retournez 1200 mots avec citations.✓ Copié

→ Mémorandum sourcé avec avantages/inconvénients par option
Demandez la prise de position contraire

Maintenant réfutez le mémorandum — qu'aurait dit un sceptique ?✓ Copié

→ Contre-arguments fondés dans les sources

Résultat : Un mémorandum de décision + un contre-mémorandum, prêts pour un examen architectural.

Pièges

Le rapport devient rapidement obsolète — les informations de 2024 peuvent contredire la réalité de 2026 — Épinglez les requêtes avec 'à partir de 2026' et re-exécutez avant la publication

Combiner avec : notion · github

Comment rédiger une section d'examen de la littérature pour un article

👤 Chercheurs, étudiants aux études supérieures ⏱ ~20 min intermediate

Quand l'utiliser : Vous connaissez le domaine mais vous voulez un aperçu structuré + des citations à vérifier.

Déroulement

Définissez la portée et la période

Recherche approfondie sur 'interprétabilité mécanique des têtes d'attention des transformateurs 2022-2026'. Organisez par thème (circuits, superposition, SAE). Citez arXiv.✓ Copié

→ Examen à thème avec liens arXiv
Vérifier croisé avec la recherche de papiers

Utilisez paper-search MCP pour trouver les articles majeurs manquants du rapport.✓ Copié

→ Liste des lacunes

Résultat : Un brouillon de section avec des sources que vous devez encore vérifier en lisant directement.

Pièges

Ne citez pas ce que Claude a produit sans lire la source — Traitez la sortie comme une bibliographie de départ — lisez chaque article que vous citez

Combiner avec : paper-search

Combinaisons

Associez-le à d'autres MCPs pour un effet X10

deep-research + firecrawl

Utilisez firecrawl pour une récupération web de meilleure qualité avant la synthèse

En utilisant firecrawl comme backend de recherche, recherche approfondie sur 'benchmarks d'agents de codage IA Q1 2026'.✓ Copié

deep-research + notion

Déposez le rapport terminé dans une base de données Notion pour examen par l'équipe

Une fois la recherche approfondie terminée, créez une page Notion titrée avec la date d'aujourd'hui sous 'Recherche' et collez le markdown complet.✓ Copié

deep-research + paper-search

Combinez la recherche web avec la couverture arXiv pour les sujets académiques

Faites un rapport de recherche approfondie sur l'IA constitutionnelle, puis utilisez paper-search pour ajouter les articles arXiv 2025-2026 manquants des sources.✓ Copié

Outils

Ce que ce MCP expose

Outil	Entrées	Quand appeler	Coût
deep_research	topic: str, depth?: 'shallow'\|'standard'\|'deep', length_words?: int, language?: str	Lorsque vous voulez un rapport sourcé, pas une réponse de chat	Nombreux appels LLM + recherche — prévoyez 0,05 à 0,50 $ par rapport selon le modèle

Coût et limites

Coût d'exécution

Quota d'API: Limité par vos quotas de fournisseur LLM + recherche choisis
Tokens par appel: Un seul rapport consomme 50 k-300 k jetons sur le modèle de réflexion entre la planification et la synthèse
Monétaire: Apportez vos propres clés — 0,05 à 0,50 $ par rapport sur Gemini Flash ; 1 à 5 $ sur Claude Opus
Astuce: Utilisez un diviseur de planificateur bon marché + rédacteur coûteux : MCP_TASK_MODEL=gemini-flash, MCP_THINKING_MODEL=claude-sonnet. Économies de coûts 3-5x.

Sécurité

Permissions, secrets, portée

Portées minimales : Clés API pour les fournisseurs que vous activez

Stockage des identifiants : Variables d'env (MCP_AI_PROVIDER, clés API du fournisseur, clés de recherche, ACCESS_PASSWORD optionnel)

Sortie de données : Vos prompts vont au fournisseur LLM + au fournisseur de recherche que vous configurez ; le serveur MCP lui-même ne rentre pas à la maison

Ne jamais accorder : Clés de facturation de production — utilisez une clé délimitée avec un plafond mensuel

Si vous hébergez le serveur publiquement, définissez ACCESS_PASSWORD — sinon, n'importe qui peut brûler vos clés API.

Dépannage

Erreurs courantes et correctifs

Le client expire au bout de 2 minutes

Augmentez le délai d'expiration du client MCP à 600 s. Cet outil est longue durée par conception.

MCP_AI_PROVIDER manquant

Définissez la variable d'env MCP_AI_PROVIDER sur l'une des suivantes : google, openai, anthropic, deepseek, xai, mistral, azure, openrouter, ollama.

Vérifier : env | grep MCP_AI_PROVIDER

La recherche ne retourne rien / le rapport est creux

Basculez MCP_SEARCH_PROVIDER de 'model' à 'tavily' ou 'firecrawl' et fournissez la clé.

401 du serveur protégé par ACCESS_PASSWORD

Ajoutez le mot de passe à la configuration du client en tant qu'en-tête : 'Authorization: Bearer <password>'.

Alternatives

deep-research vs autres

Alternative	Quand l'utiliser	Compromis
OpenAI Deep Research	Vous payez pour ChatGPT Pro et vous voulez zéro configuration	Pas de MCP, pas de modèle BYO, verrouillé à OpenAI
Gemini Deep Research	Vous utilisez déjà Gemini Advanced	Même compromis de fournisseur verrouillé
firecrawl MCP	Vous voulez des pages brutes grattées et vous allez synthétiser vous-même	Pas de planificateur autonome ; vous orchestrez les étapes

Plus

Ressources

📖 Lire le README officiel sur GitHub

🐙 Voir les issues ouvertes

🔍 Parcourir les 400+ serveurs MCP et Skills