deep-research MCP — Casos de uso, Instalar & Demo ao vivo

Por que usar

Principais recursos

Ferramenta de pesquisa profunda única — sem orquestração manual de etapas
Traga seu próprio modelo: funciona com Gemini, OpenAI, Anthropic, Deepseek, xAI, Mistral, Azure, OpenRouter, Ollama, Pollinations
Backend de busca plugável: Tavily, Firecrawl, Exa, Bocha, Brave ou busca nativa do modelo
Transportes MCP HTTP e SSE transmitíveis
Cabeçalho ACCESS_PASSWORD opcional para implantações compartilhadas

Demo ao vivo

Como fica na prática

deep-research.replay ▶ pronto

0/0

Instalar

Escolha seu cliente

~/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
    }
  }
}

Abra Claude Desktop → Settings → Developer → Edit Config. Reinicie após salvar.

~/.cursor/mcp.json · .cursor/mcp.json

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

Cursor usa o mesmo esquema mcpServers que o Claude Desktop. Config de projeto vence a global.

VS Code → Cline → MCP Servers → Edit

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

Clique no ícone MCP Servers na barra lateral do Cline, depois "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

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

Mesmo formato do Claude Desktop. Reinicie o Windsurf para aplicar.

~/.continue/config.json

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

O Continue usa um array de objetos de servidor em vez de um map.

~/.config/zed/settings.json

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

Adicione em context_servers. Zed recarrega automaticamente ao salvar.

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

Uma linha só. Verifique com claude mcp list. Remova com claude mcp remove.

Casos de uso

Usos do mundo real: deep-research

Como produzir uma varredura de mercado competitivo em 2 minutos

👤 Fundadores, PMs, analistas de estratégia ⏱ ~10 min beginner

Quando usar: Você precisa de um panorama fundamentado de um espaço (digamos, 'bancos de dados de vetores de código aberto') e um documento em branco está olhando para você.

Pré-requisitos

Uma chave de API LLM (MCP_AI_PROVIDER + chave de provedor) — Obtenha uma chave Gemini em aistudio.google.com ou uma chave OpenAI em platform.openai.com
Chave de busca opcional (Tavily ou Firecrawl) — tavily.com ou firecrawl.dev — o nível gratuito é suficiente para alguns relatórios

Fluxo

Chame a ferramenta de pesquisa com um tópico focado

Execute pesquisa profunda sobre 'bancos de dados de vetores gerenciados para RAG: preços, escala de ingestão e suporte a busca híbrida a partir de 2026'. Objetivo 1500 palavras, inclua citações.✓ Copiado

→ Chamada de longa duração retorna um relatório estruturado com links
Solicite uma tabela de comparação

A partir do relatório, produza uma tabela markdown: provedor | nível gratuito | máx de vetores | busca híbrida | notas.✓ Copiado

→ Tabela limpa que você pode colar em qualquer lugar
Aprofunde-se em um concorrente

Execute um segundo passe de pesquisa profunda focado apenas nas mudanças de preços da Qdrant desde 2024.✓ Copiado

→ Relatório mais apertado e específico

Resultado: Um resumo citado de 1-2k palavras que você pode enviar à liderança no mesmo dia.

Armadilhas

Tempo limite padrão de 2 minutos em alguns clientes MCP mata a chamada — Aumente o tempo limite do cliente para 600s — esta é uma ferramenta de longa duração
As citações podem alucinar se o provedor de busca não retornar nada — Use Tavily ou Firecrawl em vez de busca nativa do modelo para maior fundamentação

Combine com: firecrawl · notion

Como produzir um memorando de decisão técnica com fontes

👤 Engenheiros sênior, arquitetos ⏱ ~15 min intermediate

Quando usar: Você tem que escolher entre duas tecnologias e precisa de uma redação defensável.

Fluxo

Estruture a pergunta nitidamente

Pesquisa profunda: 'Um monolito Rails 7 deve migrar para sidekiq-pro ou para um serviço de worker Go dedicado em 2026?' — pesar custo de operações, modos de falha, suporte da comunidade. Retorne 1200 palavras com citações.✓ Copiado

→ Memorando fundamentado com prós/contras por opção
Peça a visão contrária

Agora refute o memorando — o que um cético diria?✓ Copiado

→ Contra-argumentos fundamentados nas fontes

Resultado: Um memorando de decisão + contra-memorando, pronto para uma revisão de arquitetura.

Armadilhas

O relatório fica desatualizado rapidamente — informações de 2024 podem contradizer a realidade de 2026 — Fixe as consultas com 'a partir de 2026' e execute novamente antes de publicar

Combine com: notion · github

Como redigir uma seção de revisão de literatura para um artigo

👤 Pesquisadores, alunos de pós-graduação ⏱ ~20 min intermediate

Quando usar: Você conhece o campo mas quer um panorama estruturado + citações para verificar.

Fluxo

Defina o escopo e o período de tempo

Pesquisa profunda sobre 'interpretabilidade mecanística de cabeças de atenção do transformador 2022-2026'. Organize por tema (circuitos, superposição, SAE). Cite arXiv.✓ Copiado

→ Revisão temática com links do arXiv
Verifique com paper-search

Use paper-search MCP para encontrar artigos importantes ausentes do relatório.✓ Copiado

→ Lista de lacunas

Resultado: Uma seção de rascunho com fontes que você ainda precisa verificar lendo diretamente.

Armadilhas

Não cite o que Claude produziu sem ler a fonte — Trate a saída como uma bibliografia inicial — leia cada artigo que você cita

Combine com: paper-search

Combinações

Combine com outros MCPs para 10× de alavancagem

deep-research + firecrawl

Use firecrawl para recuperação web de maior qualidade antes de sintetizar

Usando firecrawl como backend de busca, pesquisa profunda 'benchmarks de agentes de codificação de IA Q1 2026'.✓ Copiado

deep-research + notion

Coloque o relatório finalizado em um banco de dados Notion para revisão da equipe

Após a conclusão da pesquisa profunda, crie uma página Notion intitulada com a data de hoje em 'Pesquisa' e cole o markdown completo.✓ Copiado

deep-research + paper-search

Combine pesquisa web com cobertura do arXiv para tópicos acadêmicos

Faça um relatório de pesquisa profunda sobre AI constitucional, depois use paper-search para adicionar artigos do arXiv 2025-2026 ausentes das fontes.✓ Copiado

Ferramentas

O que este MCP expõe

Ferramenta	Entradas	Quando chamar	Custo
deep_research	topic: str, depth?: 'shallow'\|'standard'\|'deep', length_words?: int, language?: str	Quando você quer um relatório fundamentado, não uma resposta de chat	Muitas chamadas de LLM + busca — planeje $0,05-$0,50 por relatório dependendo do modelo

Custo e limites

O que custa rodar

Cota de API: Limitado pelas cotas do seu LLM escolhido + provedor de busca
Tokens por chamada: Um único relatório consome 50k-300k tokens no modelo de pensamento em todo planejamento + síntese
Monetário: Traga suas próprias chaves — $0,05-$0,50 por relatório no Gemini Flash; $1-$5 no Claude Opus
Dica: Use uma divisão de planejador barato + escritor caro: MCP_TASK_MODEL=gemini-flash, MCP_THINKING_MODEL=claude-sonnet. Economia de 3-5x custo.

Segurança

Permissões, segredos, alcance

Escopos mínimos: Chaves de API para os provedores que você habilita

Armazenamento de credenciais: Variáveis de ambiente (MCP_AI_PROVIDER, chaves de API do provedor, chaves de busca, ACCESS_PASSWORD opcional)

Saída de dados: Seus prompts vão para qualquer provedor de LLM + provedor de busca que você configure; o servidor MCP em si não faz contato com a casa

Nunca conceda: Chaves de cobrança de produção — use uma chave com escopo e limite mensal

Se você hospedar o servidor publicamente, defina ACCESS_PASSWORD — caso contrário, qualquer pessoa pode queimar suas chaves de API.

Solução de problemas

Erros comuns e correções

Cliente expira em 2 minutos

Aumente o tempo limite do cliente MCP para 600s. Esta ferramenta é de longa duração por design.

MCP_AI_PROVIDER ausente

Defina a variável de ambiente MCP_AI_PROVIDER para uma das seguintes: google, openai, anthropic, deepseek, xai, mistral, azure, openrouter, ollama.

Verificar: env | grep MCP_AI_PROVIDER

Busca não retorna nada / relatório está vazio

Mude MCP_SEARCH_PROVIDER de 'model' para 'tavily' ou 'firecrawl' e forneça a chave.

401 de servidor protegido por ACCESS_PASSWORD

Adicione a senha à configuração do cliente como um cabeçalho: 'Authorization: Bearer <password>'.

Alternativas

deep-research vs. outros

Alternativa	Quando usar	Troca
OpenAI Deep Research	Você paga por ChatGPT Pro e quer zero configuração	Sem MCP, sem modelo próprio, preso ao OpenAI
Gemini Deep Research	Você já usa Gemini Advanced	Mesmo comprometimento de fornecedor bloqueado
firecrawl MCP	Você quer páginas raspadas brutas e sintetizará você mesmo	Sem planejador autônomo; você orquestra as etapas

Mais

Recursos

📖 Leia o README oficial no GitHub

🐙 Ver issues abertas

🔍 Ver todos os 400+ servidores MCP e Skills