大概5天前，ChatGPT「悄悄」上線了一個新功能，就是Deep Research功能可以直連Github倉庫。

這個功能剛推出時，第一反應是給程序員用的，但是最近使用后才發現這個功能非常強大——應用場景遠比想象的更加廣闊。

不僅僅是審查代碼，或者生成報告，能夠連接Github的ChatGPT在重度使用后，效果還是超乎想象的——幾乎可以進行任何方向的深度研究。

只要是Github開源的公開倉庫，都可以通過：「項目官方倉庫——Fork倉庫到個人賬號——ChatGPT——Github連接器——深度研究——選擇個人倉庫——完成報告」的鏈條來快速輸出專業級別的研究報告！

先簡單介紹下，這次連接Github后，ChatGPT具備了自動讀取、解析并總結整個GitHub倉庫的能力。

過去想要發掘和研究一個開源項目，通常需要好幾天的時間來閱讀源碼，但是現在有了ChatGPT+Github這個連接器，效率得到了指數級的提升。

如果說過去在Github挖寶是拿著鐵鍬，這下直接開上挖掘機了！

比如我讓ChatGPT來分析我倉庫中的一個，第一步還是常規的Deep Research步驟，先確定研究內容，然后任務啟動。

ChatGPT會對整個倉庫代碼的功能架構、核心模塊、技術棧以及維護狀態等進行全面分析。

在進行了一段時間的研究后，就可以輸出一份非常專業，并且幾乎沒有幻覺的研究報告。

這份報告，幾乎已經完成了對一個項目能做所有的研究和分析。

這份報告主要包含六個主要部分：1.技術架構 2.核心模塊分析 3.代碼質量評估 4.文檔情況 5.倉庫活躍度與維護狀態 6.項目的適用性

那既然能研究一個倉庫，那是不是能研究其他倉庫？而Github的倉庫不一定非得是代碼，是可以上傳任何的文件的。

等會，既然ChatGPT可以提供強大的深度研究能力，而Github連接器又限定了研究的范圍，這兩個能力加起來不就是相當于一個面向特定領域的非常專業的研究員嗎！

以前沒有這個功能的時候，ChatGPT主要依靠聯網來進行深度研究，雖然能夠獲取的信息多了，但是「幻覺」的概率也會同步增大。

但是如果通過在Github來限定「研究范圍」，那ChatGPT給出的「深度研究」報告是不是會更專業？

而限定范圍很容易做到，只要將倉庫內容換成你想要的資料就好了，這也相當于是一個專門的RAG+MCP功能啊。

說干就干，下面就用Github上開源倉庫代碼來試試效果。

整個活：套娃式研究DeepSeek

這次想讓ChatGPT出一份關于DeepSeek-R1的專業分析報告，正好DeepSeek-V3就在Github已經開源了。

只需要在深度研究下面選擇連接Github，并選擇對應的倉庫即可。

這里為了方便操作，我是先把DeepSeek-R1 fork到了我自己的倉庫中，因為ChatGPT和Github的連接器需要索引找到倉庫，所以重新復制一份到個人倉庫會加快索引的速度。

所以流程就是：

DeepSeek-R1官方倉庫——DeepSeek-R1 Fork倉庫——ChatGPT——Github連接器——選擇深度研究——選擇Github倉庫為DeepSeek-R1 Fork倉庫。

然后就可以倒杯咖啡，看著ChatGPT工作了，只需10分鐘！

當ChatGPT開始深度研究后，他的界面如下圖所示，右側標識了活動過程和調用的研究信息資源。

可以看到在這個任務中，ChatGPT只使用了Github倉庫限定的文件內容。

等待十幾分鐘到二十分鐘左右，ChatGPT就在幕后認真的處理和思考這些信息。

你可以看到這個報告真的非常的長，非常的詳細，每個部分都能溯源到原始文件的位置。

感興趣的可以通過這個鏈接來查看：https://chatgpt.com/share/682571fe-52c8-8013-a8f1-c85562ec1850

簡單介紹下生成報告的質量，報告一開始講的是R1的模型架構，然后是R1的數據訓練流程，接著講了訓練機制和推理和部署，最后還對模型的創新點做了闡述。

可以說是一份非常完善的模型研究報告，并且使用的DeepSeek-R1的官方倉庫，甚至結尾還有DeepSeek-R1的模塊源碼解釋。

可以說是非常的詳細了。

使用ChatGPT+Github這種深度研究的另一種好處就是，出了研究報告后，可以直接在ChatGPT中直接提問來進行進一步的研究。

整個流程順滑無比。

使用「索引技巧」來加快倉庫被發現的進度

需要注意的一點是，目前ChatGPT+Github連接器在索引倉庫時，并沒有那么快。

比如這里剛開始我就一直搜索不到，不斷重啟連接器也無法找到倉庫，不論是自己的還是其他Public公開的倉庫。

后來在OpenAI的官方文檔中才找到說明。OpenAI提到了Github的倉庫需要手動激活后才能加到索引列表，才能被連接器找到。

ChatGPT也針對這個問題給出了解決方案，那就是將倉庫在Github的搜索框中搜一下，或者上傳一個新的更新。

不一定是代碼

實際上，ChatGPT的這個功能其實非常強大，上面主要使用的是訪問Github倉庫來進行深度研究的功能。

那么引申一下，就可以將一些特定的內容，比如PDF、Word等上傳到新建的倉庫中，然后使用這個流程來進行研究。

這樣就把研究資料限定在固定的范圍內，同時還能利用Github連接器本身對各種文件的編排能力，畢竟在分析一個項目倉庫時，Github本身也是會區分不同的文件類型。

這就是一個相當完美的RAG+MCP組合，不僅能使用ChatGPT強大的模型能力，還可以使用Github構建倉庫的能力，簡直完美。

最關鍵的是，這個功能只要是開通了Plus的用戶即可使用，從這一點上來說，ChatGPT Plus這次終于值回了20美元的票價。

這種將ChatGPT和GitHub深度連接、相互強化的新玩法，其實就是開啟了一種全新的研究模式。

不管你是想要快速上手一個陌生的開源項目，還是精準分析特定領域的內容，都能用上這個組合。

更關鍵的是，這種玩法甚至能夠擴展到各種類型的研究資料中去，實現了真正的RAG+MCP組合——專業又高效。