🔎 GPT Researcher

🔎 GPT Researcher

GPT Researcherは、あらゆるタスクについてウェブとローカルの両方を調査するために設計された、初のオープンなディープリサーチエージェントです。

このエージェントは、引用付きの詳細で事実に基づいた偏りのない調査レポートを作成します。GPT Researcherは、オーダーメイドで特定の分野に特化した調査エージェントを作成するための、幅広いカスタマイズオプションを提供します。GPT ResearcherはRAGの枠を大きく超えています。プランナーエージェントと実行エージェントが各タスクを調査の質問に分解し、判断モデルが回答に実際に役立つコンテキストだけを残します。マルチエージェントのワークフローが、計画から公開まで専門エージェントを連携させ、再帰的なディープリサーチがトピックを幅広く、深く掘り下げます。調査は並列で実行されるため、高速かつ安定して信頼性が高く、誤情報も削減できます。

私たちの使命は、AIを通じて、正確で偏りのない事実に基づく情報を個人や組織に提供することです。

GPT Researcherを選ぶ理由

• 手作業で客観的な結論を導くには、膨大なリソースと時間を要し、数週間かかることがあります。
• 古い情報で学習したLLMは幻覚を起こす可能性があり、最新の調査タスクでは役に立たなくなります。
• 現在のLLMにはトークン数の制限があり、長い調査レポートの生成には不十分です。
• 既存サービスではウェブソースが限られているため、誤情報や浅い結果につながります。
• 選別されたウェブソースは、調査タスクに偏りをもたらす可能性があります。

デモ

Claude Skillとしてインストール

GPT ResearcherをClaude Skillとしてインストールし、Claudeのディープリサーチ機能を拡張できます。

npx skills add assafelovic/gpt-researcher

インストールすると、Claudeは会話の中でGPT Researcherのディープリサーチ機能を直接活用できるようになります。

アーキテクチャ

基本的な考え方は、「プランナー」エージェントと「実行」エージェントを活用することです。プランナーが調査の質問を生成し、実行エージェントが関連情報を収集します。その後、パブリッシャーがすべての調査結果を包括的なレポートにまとめます。

手順：

• 調査クエリに基づいて、タスク固有のエージェントを作成します。
• タスクに対する客観的な意見を総合的に形成する質問を生成します。
• 各質問の情報を収集するために、クローラーエージェントを使用します。
• 各リソースを要約し、出典を追跡します。
• 要約を絞り込み、統合して最終的な調査レポートを作成します。

チュートリアル

• 仕組み
• インストール方法
• ライブデモ

機能

• 📝 ウェブやローカル文書を使って、詳細な調査レポートを生成します。
• 🖼️ レポート用のスマートな画像スクレイピングとフィルタリング。
• 🍌 Google Gemini（Nano Banana）を使用してAI 生成のインライン画像を作成し、視覚的な説明に活用します。
• 📜 2,000 語を超える詳細なレポートを生成します。
• 🌐 20 件を超える情報源を集約し、客観的な結論を導きます。
• 🎯 デフォルトでは API キーや埋め込み表現が不要な、Jev によるスマートなコンテキストフィルタリング。
• 🖥️ 軽量版（HTML/CSS/JS）と、本番環境に対応した版（NextJS + Tailwind）のフロントエンドを利用できます。
• 🔍 JavaScript に対応したウェブスクレイピング。
• 📂 調査中のメモリとコンテキストを維持します。
• 📄 レポートを PDF、Word などの形式でエクスポートします。

📖 ドキュメント

ドキュメントでは、以下をご確認いただけます。

• インストールとセットアップのガイド
• 設定とカスタマイズのオプション
• 使用方法の例
• API リファレンス一式

⚙️ はじめに

インストール

1. Python 3.12 以降をインストールします。ガイド。

2. プロジェクトをクローンし、ディレクトリに移動します。

   git clone https://github.com/assafelovic/gpt-researcher.git
   cd gpt-researcher
   

3. API キーを環境変数として設定するか、.env ファイルに保存します。

   export OPENAI_API_KEY={Your OpenAI API Key here}
   export TAVILY_API_KEY={Your Tavily API Key here}
   

   （任意）トレーシングとオブザーバビリティを強化するには、次の設定も行えます。

   # export LANGCHAIN_TRACING_V2=true
   # export LANGCHAIN_API_KEY={Your LangChain API Key here}
   

   カスタムの OpenAI 互換 API（ローカルモデルや他のプロバイダーなど）を使用する場合は、次の設定も行えます。

   export OPENAI_BASE_URL={Your custom API base URL here}
   

4. 依存関係をインストールして、サーバーを起動します。

   pip install -r requirements.txt
   python -m uvicorn main:app --reload
   

http://localhost:8000 にアクセスして開始します。

その他のセットアップ方法（Poetry や仮想環境など）については、はじめにのページをご確認ください。

PIP パッケージとして実行

pip install gpt-researcher

使用例：

...
from gpt_researcher import GPTResearcher

query = "why is Nvidia stock going up?"
researcher = GPTResearcher(query=query)
# Conduct research on the given query
research_result = await researcher.conduct_research()
# Write the report
report = await researcher.write_report()
...

その他の例や設定については、PIP ドキュメントのページをご覧ください。

🔧 MCP クライアント

GPT Researcher は MCP 統合に対応しており、GitHub リポジトリ、データベース、カスタム API などの専門的なデータソースに接続できます。これにより、ウェブ検索に加えて、データソースを使った調査も可能になります。

export RETRIEVER=tavily,mcp  # Enable hybrid web + MCP research

from gpt_researcher import GPTResearcher
import asyncio
import os

async def mcp_research_example():
    # Enable MCP with web search
    os.environ["RETRIEVER"] = "tavily,mcp"
    
    researcher = GPTResearcher(
        query="What are the top open source web research agents?",
        mcp_configs=[
            {
                "name": "github",
                "command": "npx",
                "args": ["-y", "@modelcontextprotocol/server-github"],
                "env": {"GITHUB_TOKEN": os.getenv("GITHUB_TOKEN")}
            }
        ]
    )
    
    research_result = await researcher.conduct_research()
    report = await researcher.write_report()
    return report

MCP の詳細なドキュメントと応用例については、MCP 統合ガイドをご覧ください。

🍌 インライン画像生成

GPT Researcher は、Google の Gemini モデル（Nano Banana）を使用して、AI が作成したイラストを調査レポートに自動生成して埋め込めます。

# Enable in your .env file
IMAGE_GENERATION_ENABLED=true
GOOGLE_API_KEY=your_google_api_key
IMAGE_GENERATION_MODEL=models/gemini-2.5-flash-image

有効にすると、システムは次の処理を行います。

1. 調査のコンテキストを分析し、視覚化できる箇所を特定します
2. 調査中に関連する画像を2～3枚事前生成します
3. レポートの作成に合わせて、画像をインラインで埋め込みます

画像は GPT Researcher の UI に合うダークモードのスタイルで生成され、ティールのアクセントを使ったプロフェッショナルなインフォグラフィックの美しさを備えています。

ドキュメントの画像生成について詳しくご覧ください。

✨ ディープリサーチ

GPT Researcher に、エージェントとして幅広く深く調査する、高度な再帰型リサーチワークフローであるディープリサーチが追加されました。この機能では、ツリー状の探索パターンを採用し、調査対象の全体像を保ちながらサブトピックを掘り下げます。

• 🌳 深さと幅を設定できるツリー状の探索
• ⚡️ 高速化を実現する並行処理
• 🤝 調査ブランチ間でのスマートなコンテキスト管理
• ⏱️ ディープリサーチ1回あたり約5分
• 💰 調査1回あたり約0.4ドル（reasoning effort を "high" に設定し、o3-mini を使用した場合）

ドキュメントのディープリサーチについて詳しくご覧ください。

🎯 Jev によるスマートなコンテキストフィルタリング

調査を1回実行するたびに数十ページをスクレイピングしますが、各ページの情報のうち、質問への回答に役立つのは一部だけです。LLM に情報を渡す前に、GPT Researcher が残す段落を選びます。デフォルトでは TypeSafe のモデルである Jev を使用します。このモデルは、単語や埋め込みの類似度ではなく、各段落が質問にどれほど役立つかをスコア化します。

Jev のコンテキストは、同じコストで埋め込みより59％関連性が高くなります（残された段落のうち関連性が高いものは73％、埋め込みでは46％）。28件の調査タスクで各オプションをベンチマークし、フィルターだけを変えて同じスクレイピング済みソースを再生しました。

コンテキストフィルター	残された関連性の高い段落	埋め込みとの直接比較	フィルター処理時間	レポートあたりのコスト	必要なもの
Jev（デフォルト）	73%	15勝 · 10引き分け · 3敗	1.7秒	$0.115	TYPESAFE_API_KEY
キーワード（フォールバック）	51%	14勝 · 8引き分け · 6敗	0.02秒	$0.116	不要
埋め込み	46%	—	1.0秒	$0.117	埋め込みプロバイダー
フィルターなし	—	13勝 · 11引き分け · 4敗	—	$0.192	不要

どのフィルターを使ってもレポートの作成には約45秒かかるため、実行時間全体への影響はフィルター処理の分だけです。フィルターを使わずすべてのページを渡すと、自由形式の質問では最も幅広いレポートを作成できますが、コストは65％増加します。

特別な設定は不要です。 TYPESAFE_API_KEY がある場合は Jev が使用されます。キーがない場合、または Jev の呼び出しに失敗した場合、GPT Researcher はキーワード（BM25）ランキングにフォールバックします。これは API キー、モデル、埋め込みを必要とせず、ローカルで実行されます。埋め込みも引き続きオプションとして利用できます。

export TYPESAFE_API_KEY=...   # use Jev (the default when a key is set)
export CONTEXT_FILTER=auto    # auto | jev | keyword | embeddings | none

方式、注意事項、再現方法については、コンテキストフィルターのドキュメントとベンチマーク全文をご覧ください。

Docker で実行する

手順 1 - Docker をインストールします。

手順 2 - 「.env.example」ファイルを複製し、複製したファイルに API キーを追加して、「.env」という名前で保存します。

手順 3 - docker-compose ファイル内で、Docker で実行しないサービスをコメントアウトします。

docker-compose up --build

うまくいかない場合は、ダッシュを付けずに実行してみてください。

docker compose up --build

手順 4 - デフォルトでは、docker-compose ファイル内のコメントを解除していない場合、このフローでは次の2つのプロセスが開始されます。

• localhost:8000 で実行される Python サーバー
  
• localhost:3000 で実行される React アプリ
  

任意のブラウザーで localhost:3000 にアクセスして、調査をお楽しみください！

📄 ローカルドキュメントの調査

ローカルドキュメントに基づいて調査タスクを実行するよう、GPT Researcher に指示できます。現在サポートされているファイル形式は、PDF、プレーンテキスト、CSV、Excel、Markdown、PowerPoint、Word ドキュメントです。

Step 1: ドキュメントが保存されているフォルダーを指す環境変数 DOC_PATH を追加します。

export DOC_PATH="./my-docs"

Step 2:

• localhost:8000 でフロントエンドアプリを実行している場合は、「Report Source」のドロップダウンから「My Documents」を選択するだけです。
• PIP package を使って GPT Researcher を実行している場合は、GPTResearcher クラスのインスタンスを作成するときに、report_source 引数に「local」を指定してください。コードサンプルはこちらをご覧ください。

🤖 MCP サーバー

MCP サーバーを専用のリポジトリ gptr-mcp に移しました。

GPT Researcher MCP Server を使うと、Claude などの AI アプリケーションで詳細な調査を実施できます。LLM アプリでは MCP を使用してウェブ検索ツールにアクセスできますが、GPT Researcher MCP は、より詳細で信頼性の高い調査結果を提供します。

機能：

• AI アシスタント向けの詳細な調査機能
• コンテキストの使用を最適化し、情報の品質を向上
• LLM 向けに、より優れた推論による包括的な結果を提供
• Claude Desktop との統合

インストール方法と使用方法の詳細については、公式リポジトリをご覧ください。

👪 マルチエージェントアシスタント

AI がプロンプトエンジニアリングや RAG からマルチエージェントシステムへと進化するなか、LangGraph と AG2 で構築されたマルチエージェントアシスタントをご紹介できることを嬉しく思います。

マルチエージェントフレームワークを利用すると、専門的なスキルを持つ複数のエージェントを活用でき、調査プロセスの深さと品質を大幅に向上できます。このプロジェクトでは、AI エージェントのチームが計画から公開まで、与えられたトピックの調査に協力して取り組む方法を紹介しています。

通常の実行では、PDF、Docx、Markdown など複数の形式で、5～6 ページの調査レポートが生成されます。

こちらでご確認いただくか、詳しい情報については、LangGraph と AG2 のドキュメントをご覧ください。

🔍 可観測性

GPT Researcher は、トレース機能と可観測性を強化する LangSmith をサポートしており、複雑なマルチエージェントワークフローのデバッグと最適化を容易にします。

トレースを有効にするには：

1. 次の環境変数を設定します。

   export LANGCHAIN_TRACING_V2=true
   export LANGCHAIN_API_KEY=your_api_key
   export LANGCHAIN_PROJECT="gpt-researcher"
   

2. 通常どおり調査タスクを実行します。LangGraph ベースのエージェント間のやり取りはすべて自動的にトレースされ、LangSmith ダッシュボードに表示されます。

🖥️ フロントエンドアプリケーション

GPT-Researcher では、ユーザーエクスペリエンスを向上させ、調査プロセスを効率化するために、フロントエンドを強化しました。フロントエンドでは、次の機能を利用できます。

• 調査クエリを入力するための直感的なインターフェース
• 調査タスクのリアルタイムな進捗追跡
• 調査結果のインタラクティブな表示
• 個別の調査体験に合わせてカスタマイズできる設定

次の 2 つのデプロイ方法を利用できます。

1. FastAPI が配信する軽量な静的フロントエンド
2. 高度な機能を備えた、多機能な NextJS アプリケーション

セットアップ手順とフロントエンド機能の詳細については、ドキュメントページをご覧ください。

🚀 貢献

皆さまからの貢献を心より歓迎します！参加に関心がある方は、貢献ガイドをご覧ください。

ロードマップをご確認のうえ、私たちのミッションへの参加に関心がある方は、Discord コミュニティからお気軽にご連絡ください。

✉️ サポート／お問い合わせ

• コミュニティ Discord
• 作者のメールアドレス：[email protected]

🛡 免責事項

このプロジェクト GPT Researcher は実験的なアプリケーションであり、明示または黙示を問わず、いかなる保証もなく「現状のまま」提供されます。学術目的で、Apache 2 ライセンスの下にコードを公開しています。ここに記載されている内容は学術的な助言ではなく、学術論文や研究論文での使用を推奨するものでもありません。

偏りのない調査に関する私たちの見解：

1. GPT Researcher の主な目標は、不正確で偏った事実を減らすことです。どのように実現するのでしょうか？スクレイピングするサイトが多いほど、データが不正確である可能性が低くなると考えています。1 回の調査で複数のサイトをスクレイピングし、最も頻繁に見られる情報を選ぶことで、それらすべてが間違っている可能性は非常に低くなります。
2. 偏りをなくすことではなく、可能な限り減らすことを目指しています。私たちはコミュニティとして、人間と LLM の最も効果的な対話方法を見つけるために取り組んでいます。
3. 調査において、人々も偏りがちです。調査対象について、すでに意見を持っている人が多いためです。このツールはさまざまな意見を収集し、偏った人が読まなかったであろう多様な見解を公平に説明します。

---

⬆️ トップに戻る