maru-deep-pro-search 0.22.2

Universal AI search MCP server — Perplexity-level quality with zero API keys. Multi-engine web scraping, intelligent ranking, and citation-native answers.

maru-deep-pro-search

AI 에이전트가 코딩 전에 반드시 리서치하도록.
API 키 0개 · 9엔진 RRF+BM25 · 인사이트 클러스터 · 네이티브 인용 · 21개 AI 에이전트

🇺🇸 English

🌐 웹사이트 · 📦 PyPI · 💻 GitHub

---

소개

maru-deep-pro-search는 AI 코딩 에이전트에게 실시간 웹 검색 능력을 부여하고, 어떤 코드를 작성하기 전에 반드시 사용하도록 강제하는 MCP 서버입니다.

	에이전트 내장 검색	maru-deep-pro-search
엔진	1–2개, 폴오버 없음	9엔진 자동 폴오버
랭킹	엔진 기본 순서	9엔진 결과를 한 번에 재정렬(RRF+BM25·시맨틱·권위/신선도)
인용	환각 또는 없음	[1], [2] 네이티브 ID + 실제 URL
방어	없음	72시그니처 프롬프트 인젝션 + 제로폭 문자 정제
강제	"검색해주세요" (무시됨)	3계층 기술적 게이트키핑 + 코드 검증
에이전트	범용	21개 전용 어댑터 + 스킬 파일 주입
비용	변동	영원히 $0 — API 키 불필요

---

3분 요약

1. 설치 → maru-deep-pro-search setup → 사용 중인 에이전트(Cursor, Claude Code 등) 재시작
2. 일반 질문(시세·추천·쇼핑) → 에이전트에게 평문으로 「갤럭시 중고폰 최신 시세」 — 내부적으로 answer가 근거와 [1] 인용을 모읍니다
3. 코드·보안·설계 → *「FastAPI vs Django 2025 아키텍처 비교」*처럼 기술·깊은 조사 — deep_research가 먼저 돌고(기본 30개 출처 · 7서브쿼리) 그다음 코드
4. 이미 쓰는 중 → pip install -U maru-deep-pro-search 후 maru-deep-pro-search update --with-setup (또는 setup --repair) → setup --check로 확인

---

⚡ 10초 설치

macOS / Linux — 권장 (uv 자동 설치):

curl -sSL https://raw.githubusercontent.com/claudianus/maru-deep-pro-search/main/scripts/install.sh | bash

Windows (PowerShell):

irm https://raw.githubusercontent.com/claudianus/maru-deep-pro-search/main/scripts/install.ps1 | iex

수동 (pip, Python ≥3.10):

python3 -m pip install --user maru-deep-pro-search && maru-deep-pro-search setup

시맨틱 랭킹(sentence-transformers + ibm-granite/granite-embedding-97m-multilingual-r2)은 기본 포함입니다. install.sh / setup이 Hugging Face 모델을 사전 다운로드해 첫 deep_research 콜드스타트를 줄입니다.

권장 (uv):

uv tool install --python 3.12 git+https://github.com/claudianus/maru-deep-pro-search.git

PyPI: uv tool install --python 3.12 maru-deep-pro-search

설정 마법사가 AI 에이전트를 자동 감지하고, 기존 설정을 백업한 뒤 MCP 설정을 주입하고, 리서치 우선 규칙을 강제합니다.

---

🚀 시작하기

1. 설치 확인

maru-deep-pro-search --version
# 예: 0.20.0 (PyPI 최신)

2. 에이전트 설정

maru-deep-pro-search setup

설치된 에이전트(Claude, Cursor 등)를 자동 감지하고 MCP 설정을 주입합니다.

업그레이드(이미 설치한 경우) — pip install -U만 하면 에이전트 설정은 자동으로 바뀌지 않습니다.

pip install -U maru-deep-pro-search
maru-deep-pro-search update --with-setup
# 또는: maru-deep-pro-search setup --repair
maru-deep-pro-search setup --check    # 진단만

프로토콜이 중복되거나 훅 문구가 낡았을 때 setup --repair를 권장합니다. SKILL 파일까지 덮어쓰려면 setup --repair --repair-skills.

3. Claude Code용 MCP 설정 예시

~/.claude/settings.json에 추가:

{
  "mcpServers": {
    "maru-deep-pro-search": {
      "command": "python3",
      "args": ["-m", "maru_deep_pro_search.server"]
    }
  }
}

4. 첫 리서치

에이전트에게 *「갤럭시 중고폰 최신 시세」*처럼 일반 질문이면 answer()가, *「FastAPI vs Django 2025 아키텍처 비교」*처럼 기술·깊은 조사면 deep_research()가 먼저 호출된 뒤 인용이 있는 답을 만듭니다.

5. 프로젝트 하네스 (팀·로컬 데이터만)

작업 중인 저장소에 프로젝트 전용 .maru/knowledge.db, .maru/harness.yaml, 선택적 AGENTS.md만 만들려면:

maru-deep-pro-search init

에이전트(MCP·규칙·스킬)는 저장소 안에 쓰지 않습니다. 각 개발 머신에서 한 번 maru-deep-pro-search setup으로 전역(홈 등) 에만 설정합니다. MCP와 동일한 단위입니다.

워킹 카피에는 .maru/와 선택적 AGENTS.md만 두고 커밋 정책은 팀에 맡기면 됩니다.

6. 검색 쿼리·엄격 게이트

검색 툴은 키워드형(제품/라이브러리·주제·연도 등 3–12어절) 쿼리를 선호하지만, 일반 영어/한국어 질문은 가능한 한 먼저 검색용 키워드로 정규화합니다. 예: *「갤럭시 중고폰 최신 시세 추천」*은 거절하지 않고 최신 시세 검색으로 바꿉니다.

• 거절 끄기(최적화만): export MARU_STRICT_QUERY=0
• answer / deep_research 이후 영수증은 ~/.maru/receipts/에 저장됩니다. 드리프트는 hard(pyproject.toml 등)와 soft(락파일만)로 구분됩니다 — soft만 바뀌면 재조사 경고가 뜨지 않습니다. 웹 없이 확인: drift_status.
• 팀 캐시 공유: maru-deep-pro-search-knowledge export -o bundle.json / import bundle.json

deep_research에서 한글·중문 쿼리는 네이버/바이두 로컬 하네스로 보강됩니다.

---

🏆 다른 도구와 비교

항목	maru-deep-pro-search	Tavily MCP	Perplexity MCP
비용	영구 $0	무료 티어 / 검색당 유료	최소 $5/월
엔진	9 스크래퍼 + 폴오버	API 1종	API 1종
셀프호스팅	✅	❌	❌
오프라인	✅ (캐시)	❌	❌
인용	네이티브 [N]	있음	있음
리서치 강제	3계층 기술 게이트	❌	❌
프롬프트 인젝션 방어	72패턴 + 시맨틱	기본	기본
에이전트 어댑터	21개	범용	범용
딥리서치 UI	Trace·Insights·Clusters	❌	❌

---

🛠️ 18개 MCP 툴

자주 쓰는 3개

툴	한 줄 설명	예시 질문
answer	일반 웹 질문 — 랭킹된 출처 + 인용 패킷	갤럭시 중고 시세, 추천
deep_research	다중 엔진 깊은 조사(기본 30소스) + Trace·Insights·Clusters	라이브러리 비교, CVE, 아키텍처
fetch_page	찾은 URL 본문 읽기(정제·방어 적용)	공식 문서 링크 하나만 열기

아래 표는 고급·진단 툴입니다. 대부분의 작업은 위 세 가지와 에이전트 대화만으로 충분합니다.

리서치 코어 (고급)

툴	용도	언제 사용
answer	Perplexity 스타일 answer-engine 패킷 + 랭킹 소스 + 페치 근거	일반 웹 질문, 시세, 추천, 한국어 소비자 검색
deep_research	쿼리 확장 + 다중 엔진 + BM25 랭킹 + 품질 점수 + 자동 페치	코드, 아키텍처, 보안, 복잡한 리서치 전
parallel_search	동시 다각도 검색 + 비교 모드	다각도 분석 (예: "A vs B")
web_search	스크래핑 + 랭킹 + 인용 결과 반환	추가 타겟 소스 수집
search_with_citations	학술 작성용 사전 번호 소스	논문, 엄격한 인용 필요 시

페치 & 추출 (고급)

툴	용도	언제 사용
fetch_page	단일 URL에서 깨끗한 콘텐츠 추출 (403 자동 스텔스 폴백)	리서치로 찾은 문서 읽기
fetch_bulk	중복 제거가 포함된 병렬 페치	2–10개 URL 동시 읽기
stealthy_fetch	보호된 사이트용 안티봇 우회	Cloudflare/DataDome 차단 시 (최후 수단)

검증 & 강제 (고급)

툴	용도	언제 사용
generate_code	코드 검증 게이트 — 인용 없는 코드 차단	리서치 후 — 코드가 인용에 기반하는지 확인
session_state	세션 리서치 상태, 툴 기록, 인용 확인	툴이 차단된 이유 디버깅
drift_status	마지막 리서치 이후 매니페스트/에러 드리프트 (웹 검색 없음)	의존성·에러 패턴 변경 후
query_knowledge	지식 저장소에서 과거 리서치 검색	웹 재검색 없이 리서치 재사용
export_research	현재 세션 리서치를 마크다운 파일로 내보내기	리서치 결과 저장/공유

엔진 & 인프라 (진단)

툴	용도	언제 사용
list_engines	신뢰도 및 지연 시간 메타데이터와 함께 모든 검색 엔진 나열	적합한 엔진 선택
engine_health	실시간 서킷 브레이커 상태	검색 실패 진단
cache_stats	인메모리 캐시 적중/실패 통계	성능 모니터링
clear_caches	모든 인메모리 캐시 초기화	신선한 결과 강제
version	버전 및 업데이트 확인	설치 상태 확인

툴 선택 가이드:

사용자 요청?
├── 일반 웹 질문 / 최신 시세 / 추천? → answer(query, mode="balanced")
├── 코드 / 보안 / 아키텍처 / 깊은 조사? → deep_research(query, auto_fetch=3)
│   ├── 기본 max_sources=30; 빠른 작업은 10–15로 낮추기
    ├── 다각도 분석? → parallel_search
    ├── 특정 URL 읽기? → fetch_page / fetch_bulk
    ├── 사이트 차단? → stealthy_fetch (최후 수단)
    ├── 과거 리서치 재사용? → query_knowledge
    ├── 리서치 신선도 확인? → session_state / drift_status
    └── 느린 검색 진단? → cache_stats / engine_health

---

🤖 21개 AI 에이전트 — 확장 메커니즘 매트릭스

한 번의 설정으로 모든 에이전트의 확장 표면에 리서치 우선 규칙을 주입합니다 — hooks, commands, plugins, cron, permissions 등.

에이전트	MCP	Hooks	Commands	Agents/Cron/Plugins	규칙 / 프롬프트	Skills	기타 표면
Claude Code	✅	4개 라이프사이클 훅	ask.md search.md compare.md research.md verify.md	—	CLAUDE.md + hooks	~/.claude/skills/ nested	권한 deny 패턴
Cursor	✅	—	ask.json search.json compare.json research.json verify.json	—	.cursor/rules/*.md	~/.cursor/rules/ flat	autoEnableTools
Kimi	✅	PreToolUse (TOML)	—	—	config.toml system_prompt	~/.kimi/skills/ nested	default_yolo=false
Cline	✅	PreToolUse.py	—	maru-research-gate.md 에이전트 + .cron.md	.clinerules/*.md	~/.cline/skills/ flat	—
Continue	✅	—	ask search compare research verify	—	system_message + .continue/rules/	~/.continue/rules/ flat	—
Windsurf	✅	3개 Cascade 훅	—	—	.windsurf/rules/*.md + AGENTS.md	~/.windsurf/rules/ flat	.codeiumignore
Zed	✅	—	—	—	.rules + assistant.md	—	tool_permissions
JetBrains	⚠️	—	—	—	.idea/ai-assistant-rules/*.md	.idea/ai-assistant-rules/ flat	—
Cody	⚠️	—	—	—	.cody/prompts.md	—	—
Devin	⚠️	—	—	—	.devin/rules.md	—	—
Amazon Q	⚠️	—	—	—	.amazonq/rules/*.md	.amazonq/rules/ flat	—
Tabnine	⚠️	—	—	—	.tabnine/guidelines/*.md	.tabnine/guidelines/ flat	—
Codeium	⚠️	—	—	—	.codeium/system-prompt.md	—	—
Copilot	⚠️	—	—	—	.github/copilot-instructions.md	—	—
Aider	⚠️	—	—	—	CONVENTIONS.md + .aider.conf.yml	—	Lint-cmd gate, architect mode
Codex	✅	codex_hooks	—	—	AGENTS.md + developer_instructions	—	approval_policy
Kilo	✅	—	—	—	kilo.jsonc systemPrompt + instructions	~/.config/kilo/rules/ flat	experimental.codebase_search
OpenCode	✅	—	—	maru-research-gate 에이전트	AGENTS.md + opencode.json agents	—	—
AntiGravity	✅	—	—	—	~/.gemini/antigravity/config.json	—	—
Hermes	✅	Gateway + Shell 훅	—	maru-research-gate 플러그인 + cron	SOUL.md + config.yaml	~/.hermes/skills/ flat	플러그인 시스템
Supermaven	⚠️	—	—	—	.supermaven/rules.md	—	—

범례: ✅ = 전체 MCP 지원 · ⚠️ = 규칙 주입만 (네이티브 MCP 없음)

Hooks = PreToolUse / PostToolUse / SessionStart / pre_write_code / pre_mcp_tool_use / pre_user_prompt / 등
Commands = 슬래시 커맨드 또는 에이전트 설정에 등록된 커스텀 커맨드
Agents/Cron/Plugins = 커스텀 에이전트, 크론 스펙, 또는 플러그인 시스템
Skills = nested = skills/<name>/SKILL.md · flat = rules/<name>.md

---

🏛️ 아키텍처

MCP 클라이언트 (Claude, Cursor, Kimi, Windsurf, ...)
        │ JSON-RPC 2.0 / stdio
        ▼
┌──────────────────────────────────────────────────────────────┐
│  maru-deep-pro-search MCP 서버                               │
│  ├─ 18개 툴 (검색, 페치, 인용, 검증, 인트로스펙션)           │
│  ├─ 9엔진 폴오버 + SERP 단위 RRF 융합 (기본 30소스 · 7서브쿼리) │
│  ├─ 하이브리드 랭킹 (RRF + BM25 + 시맨틱 + 커버리지/접근성)   │
│  ├─ 3계층 강제 + 리서치 품질 점수 (A-F)                        │
│  ├─ 72시그니처 정제 + 제로폭 문자 방어                         │
│  ├─ SQLite 지식 저장소 (정확일치 → FTS → 시맨틱)             │
│  ├─ 인메모리 TTL 캐시 (검색 5분 / 페치 10분)                   │
│  └─ 자동 세션 정리 + 감사 로깅                                 │
└──────────────────────────────────────────────────────────────┘

3계층 강제 아키텍처

1. MCP 프롬프트 주입 — always_research_first() 프롬프트가 일반 질문은 answer, 코드·보안·깊은 조사는 deep_research를 유도
2. 세션 게이트 — 서버 SessionEnforcer가 연구 의존 툴을 차단하고, generate_code()가 research_id·인용을 검증
3. 에이전트 규칙 — setup이 홈 등 전역 경로의 설정 파일에 리서치 프로토콜을 주입(저장소 루트의 .cursor/ 등에는 쓰지 않음)

서버에 생성형 LLM은 없습니다. 추론·종합은 에이전트의 LLM이 담당하고, 서버는 검색 품질·랭킹·추출에 집중합니다.

기술 심화 내용은 docs/engine_insights.md, 운영 교훈은 docs/lessons_learned.md를 참고하세요.

KnowledgeStore

SQLite 기반 연구 캐시 (./.maru/knowledge.db):

• 중복 제거 — 동일 쿼리는 query_hash 기준 UPSERT (access_count 증가)
• 3단계 검색 — 정확 일치 → FTS5 전문 검색 → 시맨틱 유사도 (로컬 Granite 97M R2, 384-dim)
• 도메인 통계 — 도메인별 성공률·평균 응답 시간
• 정리(Prune) — 30일 이상 항목 자동 삭제

maru-deep-pro-search stats로 조회합니다.

v0.22+ 임베딩 변경: 기본 모델이 Granite 97M R2로 바뀌면 기존 .maru/knowledge.db 시맨틱 벡터는 무효합니다. rm .maru/knowledge.db 후 재검색하거나 그대로 두면 exact/FTS만 쓰다가 새 항목부터 재임베딩됩니다.

---

📋 출력 예시

deep_research — 다중 엔진 랭킹 결과

## Research: FastAPI vs Django 2025
_engines: duckduckgo_lite, bing, yahoo_
quality: 87 (A)

### Research Trace
_deep research: 28 sources analyzed | 7 steps complete | 22 open-access candidates_
1. Query intent normalized and expanded into 5 orthogonal searches
2. 28 deduplicated sources analyzed across 3 engines
...

### Insights
- [1] **FastAPI Documentation** (official docs) — FastAPI is a modern, high-performance web framework...
- [2] **Django 5.1 Release Notes** (official docs) — Django 5.1 adds async ORM improvements...

### Evidence Clusters
- official docs: [1], [2] (avg coverage 82%)
- community: [3], [4] (avg coverage 61%)

### Sources
#### [1] FastAPI Documentation — fastapi.tiangolo.com
_score: 0.92 | [OFFICIAL-DOCS] | engines: 2 | coverage: 0.89 | access: open

### Answer Blueprint
- Start with a direct recommendation/answer in the first paragraph.
- Primary anchors to cite first: [1], [2]

answer — Perplexity 스타일 직접 답변

## Answer: What is the best Python web framework in 2025?

**FastAPI** is the dominant choice for API-first services, while **Django** remains king for full-stack applications with admin needs.

**Key differences:**
- Performance: FastAPI is ~3× faster due to async native design [1]
- Ecosystem: Django has 15+ years of plugins and battle-tested ORM [2]
- Learning curve: FastAPI is simpler for API developers; Django requires more upfront investment [3]

**When to choose which:**
- API / microservices → FastAPI
- Full-stack with admin → Django

generate_code — 검증 게이트(리서치 없는 코드 차단)

❌ CODE GENERATION BLOCKED — Research validation failed

Research query: Python asyncio best practices
Research age: 42s

Citations found in your code:
  (none)

ACTION REQUIRED:
1. Run deep_research() on your topic
2. Include [N] citations from research in your code
3. Call generate_code() again with validated code

---

🔒 보안

가져온 콘텐츠는 72패턴 방어 계층을 거쳐 LLM에 전달됩니다.

• 제로폭 문자 제거 (\u200b, \u200c, \u200d)
• 채팅 토큰 중화 (Human:, Assistant: → [REDACTED])
• MCP 특정 공격 탐지 (툴 포이즈닝, 럭 풀, 섀도잉)
• 시맨틱 유사도 기반 인젝션 탐지 (Granite 임베딩)

모든 툴 호출은 .maru/audit.db에 기록되며, 급발사·과대 결과·의심 파라미터 등 이상 징후를 탐지합니다.

보고 정책은 SECURITY.md를 참고하세요.

---

⚙️ 설정

환경 변수는 모두 선택입니다. 검색·타임아웃·기본 엔진/한도는 src/maru_deep_pro_search/config.py의 SearchConfig.from_env() → DEFAULT_CONFIG로 읽히며, MCP 툴(server.py 시그니처 + tools.py)과 SERP용 with_retry가 이를 사용합니다. (pydantic-settings를 쓰지 않습니다.)

환경 변수	기본값	적용 범위
MARU_SEARCH_ENGINE	duckduckgo_lite	MCP web_search / search_with_citations / answer / parallel_search / deep_research 기본 엔진
MARU_SEARCH_MAX_RESULTS	10	검색 툴의 max_results 기본값. answer는 모드별 기본 소스 수를 사용
MARU_DEEP_MAX_SOURCES	30	deep_research 기본 max_sources
MARU_DEEP_MAX_SUBQUERIES	7	deep_research 쿼리 확장 상한
MARU_SERP_PER_ENGINE_CAP	50	엔진당 SERP 파싱 상한
MARU_ANSWER_BALANCED_MAX_SOURCES	14	answer(mode="balanced") 내부 리서치 최소 소스 수
MARU_ANSWER_DEEP_MAX_SOURCES	30	answer(mode="deep") 내부 리서치 최소 소스 수
MARU_ANSWER_DEEP_FETCH_COUNT	6	answer(mode="deep") 자동 본문 확인 수
MARU_WRAPPER_TIER	tiered	tiered(SERP 경량 래퍼) 또는 full
MARU_ENABLE_STARTPAGE	(미설정)	1이면 Playwright 기반 Startpage를 자동 엔진 추천에 포함
MARU_KNOWLEDGE_REUSE_MAX_CHARS	4000	KnowledgeStore 캐시 히트 응답 상한
MARU_RESEARCH_CONTEXT_MAX_CHARS	8000	enforcer 세션 research 누적 상한
MARU_SEARCH_MAX_CONCURRENT	5	fetch_bulk의 max_concurrent 기본값
MARU_SEARCH_RETRIES	3	Bing/Yahoo 등 SERP with_retry 최대 시도 횟수
MARU_SEARCH_TIMEOUT	30.0	SERP 스크레이프 (web_search, search_with_citations), 초
MARU_FETCH_HTTP_TIMEOUT	20.0	fetch_page / fetch_bulk URL당, 초
MARU_DEEP_RESEARCH_TIMEOUT	60.0	deep_research 파이프라인, 초
MARU_DEEP_SERP_RUN_TIMEOUT	10.0	deep_research 내부 하위 검색 1회당, 초
MARU_ANSWER_TIMEOUT	60.0	answer 툴, 초
MARU_AUTO_FETCH_TIMEOUT	8.0	deep_research의 auto_fetch 안 nested fetch, 초
MARU_EMBEDDING_MODEL	ibm-granite/granite-embedding-97m-multilingual-r2	로컬 시맨틱 랭킹·KnowledgeStore·보안 탐지용 Hugging Face 모델 ID
(수동 워밍)	—	maru-deep-pro-search-setup warmup-embeddings
MARU_SKIP_UPDATE_CHECK	(미설정)	값이 비어 있지 않으면 시작 시 PyPI 업데이트 알림 생략
MARU_DEBUG	(미설정)	1/true/yes이면 MCP 서버 로그를 DEBUG로

그 외: 엄격 쿼리 게이트는 MARU_STRICT_QUERY, Hermes/Aider 세션 TTL은 MARU_RESEARCH_TTL — 본문 앞쪽·에이전트 문서를 참고하세요.

---

💻 CLI 명령어

# MCP 서버 (stdio 전송)
maru-deep-pro-search

# AI 에이전트 설정 + 스킬 파일 설치
maru-deep-pro-search setup
maru-deep-pro-search setup --check
maru-deep-pro-search setup --repair
maru-deep-pro-search setup --list
maru-deep-pro-search setup --restore
maru-deep-pro-search update --with-setup
# 업그레이드 후: maru-deep-pro-search setup --check

# 프로젝트 하네스 초기화 (.maru만; 에이전트 설정은 하지 않음)
maru-deep-pro-search init

# 헤드리스 딥 리서치 (CI/CD 지원)
maru-deep-pro-search research "FastAPI vs Django 2025" \
  --output report.md --max-sources 8

# 자동 업데이트
maru-deep-pro-search update
maru-deep-pro-search update --check

---

🐳 Docker

# 빌드
docker build -t maru-search .

# stdio 전송으로 실행
docker run --rm -i maru-search

# 지속적인 지식 저장소와 함께 실행
docker run --rm -i -v $(pwd)/.maru:/app/.maru maru-search

---

🆕 v0.20.0 하이라이트

• Research Trace / Insights / Evidence Clusters / Answer Blueprint — Perplexity Deep Research에 가까운 구조화 출력 (서버 LLM 없음)
• 출처 품질 시그널 — coverage, access, noise, missing 메타가 랭킹·receipt·출력에 반영
• 기본값 상향 — deep_research 30소스 · 7서브쿼리 · 엔진당 SERP 50 · answer(deep) 30소스/6 fetch
• SERP 단위 RRF + fuzzy dedupe — 동일 엔진 중복·구매가이드 노이즈 감소
• Stress benchmark — MARU_BENCHMARK_SUITE=stress로 한국어·Transformers·Apple Silicon 등 품질 스트레스 검증

트레이드오프: 다중 엔진 + 30소스는 품질이 올라가지만 응답 시간은 단일 엔진 대비 ~2배입니다. 빠른 작업은 max_sources=10 또는 web_search를 쓰세요.

---

🔍 검색 엔진 (9 + fetch)

엔진	용도
duckduckgo_lite	기본 SERP (가벼움)
duckduckgo	DDG 풀 버전
bing, yahoo, google, ecosia	글로벌 폴오버
naver, baidu	한·중 로케일 부스트
startpage	Playwright — MARU_ENABLE_STARTPAGE=1일 때만 자동 추천
duckduckgo_fetch	fetch 전용 (SERP 추천 제외)

---

📊 벤치마크

uv run python benchmark/search_quality_benchmark.py
MARU_BENCHMARK_SUITE=stress uv run python benchmark/search_quality_benchmark.py

다중 엔진 vs 단일 엔진 (TREC 표준, 10쿼리): Precision@5 +86% · NDCG@10 +36% · MRR +25%

---

🆘 문제 해결

검색 엔진에서 결과가 없음

MARU_SEARCH_ENGINE=bing maru-deep-pro-search

설정 마법사가 에이전트를 감지하지 못함

maru-deep-pro-search setup --agents cursor
maru-deep-pro-search setup --list

메모리 사용량 높음

MARU_SEARCH_MAX_RESULTS=5 maru-deep-pro-search

내 에이전트에서 SKILL.md가 "미지원"으로 표시됨

스킬 디렉터리가 없는 에이전트(Copilot, JetBrains 등)에서는 정상입니다. 규칙은 해당 설정 파일로 주입됩니다. Cursor, Kimi, Claude, Cline, Continue, Windsurf, Kilo, Tabnine, Hermes 등에서 스킬 설치가 ✓로 표시됩니다.

---

🤝 기여하기

PR 환영합니다. 개발 환경, 엔진·어댑터 추가는 CONTRIBUTING.md를 보세요.

---

📄 라이선스

MIT — LICENSE 참조.