🔎 GPT Researcher

🔎 GPT Researcher

GPT Researcher 是首个开源深度研究 Agent，专为任何给定任务的网络和本地研究而设计。

该 Agent 可生成详尽、准确且公正的研究报告，并附有引用。GPT Researcher 提供一整套自定义选项，可创建量身定制、面向特定领域的研究 Agent。GPT Researcher 远超 RAG：规划与执行 Agent 会将每项任务拆解为研究问题，决策模型只保留回答这些问题真正有用的上下文，多 Agent工作流会协调专用 Agent，从规划到发布全程协作，而递归深度研究则会从广度和深度两个维度探索主题。研究以并行方式运行，因而速度快、稳定可靠，并能减少错误信息。

我们的使命是通过 AI 为个人和组织提供准确、公正、可靠的信息。

为什么选择 GPT Researcher？

• 人工研究要得出客观结论可能需要数周时间，并耗费大量资源。
• 使用过时信息训练的大模型可能产生幻觉，无法满足当前研究任务的需求。
• 当前大模型存在令牌限制，难以生成长篇研究报告。
• 现有服务的网络来源有限，容易导致错误信息和浅层结果。
• 选择性网络来源可能给研究任务带来偏见。

演示

安装为 Claude 技能

将 GPT Researcher 安装为 Claude 技能，扩展 Claude 的深度研究能力：

npx skills add assafelovic/gpt-researcher

安装后，Claude 可在对话中直接利用 GPT Researcher 的深度研究能力。

架构

核心思路是使用“规划” Agent 和“执行” Agent。规划 Agent 会生成研究问题，而执行 Agent 会收集相关信息。随后，发布者会汇总所有发现，生成一份全面的报告。

步骤：

• 根据研究查询创建一个任务专用 Agent。
• 生成一组问题，共同形成对任务的客观看法。
• 使用爬虫 Agent 收集每个问题的相关信息。
• 总结每项资源并追踪其来源。
• 筛选并汇总摘要，形成最终研究报告。

教程

• 工作原理
• 如何安装
• 在线演示

功能

• 📝 利用网页和本地文档生成详细的研究报告。
• 🖼️ 智能抓取并筛选报告图片。
• 🍌 使用 Google Gemini（Nano Banana）生成 AI 内嵌图片，用于视觉说明。
• 📜 生成超过 2,000 字的详细报告。
• 🌐 汇总 20 多个来源，得出客观结论。
• 🎯 使用 Jev 智能筛选上下文，默认无需 API 密钥或嵌入。
• 🖥️ 提供轻量版（HTML/CSS/JS）和适用于生产环境的版本（NextJS + Tailwind）前端。
• 🔍 支持 JavaScript 的网页抓取。
• 📂 在整个研究过程中保留记忆和上下文。
• 📄 将报告导出为 PDF、Word 和其他格式。

📖 文档

请参阅文档，了解：

• 安装和设置指南
• 配置和自定义选项
• 操作示例
• 完整的 API 参考

⚙️ 快速开始

安装

1. 安装 Python 3.12 或更高版本。指南。

2. 克隆项目并进入目录：

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

3. 通过导出 API 密钥或将其存储在 .env 文件中进行设置。

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

   （可选）如需增强追踪和可观测性，也可以设置：

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

   如需使用自定义的 OpenAI 兼容 API（例如本地模型或其他服务提供商），也可以设置：

   export OPENAI_BASE_URL={Your custom API base URL here}
   

4. 安装依赖并启动服务：

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

访问 http://localhost:8000 即可开始使用。

有关其他设置方式（例如 Poetry 或虚拟环境），请参阅快速开始页面。

作为 PIP 包运行

pip install gpt-researcher

使用示例：

...
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()
...

更多示例和配置，请参阅 PIP 文档页面。

🔧 MCP 客户端

GPT Researcher 支持 MCP 集成，可连接 GitHub 仓库、数据库和自定义 API 等专用数据源。这样便能在网页搜索之外，从这些数据源开展研究。

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

有关完整的 MCP 文档和高级示例，请参阅 MCP 集成指南。

🍌 行内图像生成

GPT Researcher 可以使用 Google 的 Gemini 模型（Nano Banana），自动生成并在研究报告中嵌入 AI 创建的插图。

# 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

启用后，系统将：

1. 分析研究上下文，找出适合可视化的内容
2. 在研究阶段预先生成 2-3 张相关图像
3. 在撰写报告时将图像嵌入正文

生成的图像采用与 GPT Researcher UI 相匹配的深色模式样式，呈现专业的信息图美学，并点缀青绿色。

请在我们的文档中了解图像生成的更多信息。

✨ 深度研究

GPT Researcher 现已支持深度研究——一种先进的递归研究工作流，可深入且广泛地探索主题。此功能采用树状探索模式，深入探究子主题，同时全面把握研究主题。

• 🌳 可配置深度和广度的树状探索
• ⚡️ 并发处理，提升速度
• 🤝 在各研究分支之间智能管理上下文
• ⏱️ 每次深度研究约需 5 分钟
• 💰 每次研究成本约为 $0.4（使用 o3-mini，推理力度设为 "high"）

请在我们的文档中了解深度研究的更多信息。

🎯 使用 Jev 智能筛选上下文

每次研究都会抓取数十个页面，而每个页面中只有部分内容有助于回答问题。在任何内容传递给大模型之前，GPT Researcher 都会决定保留哪些段落。默认情况下，它使用 TypeSafe 提供的模型 Jev，该模型会评估每个段落对问题的实用性，而不是判断其文字或嵌入向量的相似度。

Jev 的上下文相关性比嵌入向量高 59%，成本相同（保留的段落中，相关内容占 73%，而嵌入向量为 46%）。我们在 28 项研究任务上对每种方案进行了基准测试，使用相同的已抓取来源进行回放，确保只有筛选器不同：

上下文筛选器	保留的相关段落	与嵌入向量正面对比	筛选时间	每份报告成本	需求
Jev（默认）	73%	15 胜 · 10 平 · 3 负	1.7s	$0.115	TYPESAFE_API_KEY
关键词（备用方案）	51%	14 胜 · 8 平 · 6 负	0.02s	$0.116	无
嵌入向量	46%	—	1.0s	$0.117	嵌入服务提供商
不筛选	—	13 胜 · 11 平 · 4 负	—	$0.192	无

无论使用哪种筛选器，撰写报告都需要约 45s，因此一次运行的总耗时只会因筛选步骤而变化。在开放式问题上，不经筛选地写入所有页面内容能生成覆盖面最广的报告，但成本会高出 65%。

无需进行任何设置。 配置了 TYPESAFE_API_KEY 时会使用 Jev。未配置密钥或 Jev 调用失败时，GPT Researcher 会回退到关键词（BM25）排序，该方案在本地运行，无需 API 密钥、模型或嵌入向量。嵌入向量仍可作为一种选项使用。

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

请参阅上下文筛选器文档和完整基准测试，了解方法、注意事项以及如何复现。

使用 Docker 运行

步骤 1 - 安装 Docker

步骤 2 - 克隆 '.env.example' 文件，在克隆的文件中添加 API 密钥，并将文件保存为 '.env'

步骤 3 - 在 docker-compose 文件中，注释掉不想使用 Docker 运行的服务。

docker-compose up --build

如果不行，请尝试去掉连字符后运行：

docker compose up --build

步骤 4 - 默认情况下，如果你没有取消 docker-compose 文件中的任何注释，此流程将启动 2 个进程：

• 在 localhost:8000 上运行的 Python 服务
  
• 在 localhost:3000 上运行的 React 应用
  

在任意浏览器中访问 localhost:3000，尽情研究吧！

📄 本地文档研究

你可以指示 GPT Researcher 基于本地文档执行研究任务。目前支持的文件格式有：PDF、纯文本、CSV、Excel、Markdown、PowerPoint 和 Word 文档。

步骤 1：添加环境变量 DOC_PATH，指向文档所在的文件夹。

export DOC_PATH="./my-docs"

步骤 2：

• 如果你在 localhost:8000 上运行前端应用，只需在“Report Source”下拉选项中选择“My Documents”。
• 如果你使用 PIP 软件包运行 GPT Researcher，则在实例化 GPTResearcher 类时，将 report_source 参数设为“local”。此处提供代码示例。

🤖 MCP 服务

我们的 MCP 服务已迁移至专用代码仓库：gptr-mcp。

GPT Researcher MCP Server 可让 Claude 等 AI 应用开展深度研究。虽然大模型应用可以通过 MCP 使用网页搜索工具，但 GPT Researcher MCP 能提供更深入、更可靠的研究结果。

功能：

• 为 AI 助手提供深度研究能力
• 通过优化上下文使用，提供更高质量的信息
• 为大模型提供更全面的结果和更强的推理能力
• 集成 Claude Desktop

如需详细的安装和使用说明，请访问官方代码仓库。

👪 多 Agent 助手

随着 AI 从提示词工程和 RAG 发展到多 Agent 系统，我们很高兴推出使用 LangGraph 和 AG2 构建的多 Agent 助手。

借助多 Agent 框架，研究流程可以利用多个具备专门技能的 Agent，在深度和质量上得到显著提升。本项目展示了一个 AI Agent 团队如何协同工作，针对给定主题开展研究，从规划到发布。

一次典型运行会生成一份 5-6 页的研究报告，支持 PDF、Docx 和 Markdown 等多种格式。

请在此处查看，或访问我们的 LangGraph 和 AG2 文档了解更多信息。

🔍 可观测性

GPT Researcher 支持 LangSmith，提供增强的追踪和可观测性，让复杂多 Agent 工作流的调试和优化更加轻松。

启用追踪：

1. 设置以下环境变量：

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

2. 按照常规方式运行研究任务。所有基于 LangGraph 的 Agent 交互都会自动追踪，并在 LangSmith 控制面板中可视化。

🖥️ 前端应用

GPT-Researcher 现在提供了增强版前端，以改善用户体验并简化研究流程。前端提供：

• 直观的界面，用于输入研究查询
• 实时跟踪研究任务进度
• 交互式展示研究结果
• 可自定义设置，打造个性化研究体验

提供两种部署选项：

1. 由 FastAPI 提供服务的轻量级静态前端
2. 功能丰富的 NextJS 应用，支持高级功能

如需详细的设置说明和更多前端功能信息，请访问我们的文档页面。

🚀 贡献

我们非常欢迎大家贡献！如果你有兴趣，请查看贡献指南。

请查看我们的路线图页面；如果你有兴趣加入我们的使命，欢迎通过Discord 社区联系我们。

✉️ 支持 / 联系我们

• 社区 Discord
• 作者邮箱：[email protected]

🛡 免责声明

本项目 GPT Researcher 是一款实验性应用，按“原样”提供，不附带任何明示或暗示的保证。我们依据 Apache 2 许可证分享代码，仅供学术用途。本文内容不构成学术建议，也不建议将其用于学术论文或研究论文。

我们对无偏研究的看法：

1. GPT Researcher 的主要目标是减少错误和带有偏见的事实。如何实现？我们认为，抓取的网站越多，获取错误数据的可能性就越低。每次研究都会抓取多个网站，并选取出现频率最高的信息，因此这些信息全部错误的可能性极低。
2. 我们的目标不是消除偏见，而是尽可能减少偏见。我们在此作为一个社区，共同探索人类与大模型互动的最有效方式。
3. 在研究中，人们也往往会带有偏见，因为大多数人对自己研究的主题早已有了看法。此工具会抓取众多观点，并平等地阐述不同看法，而带有偏见的人可能从未读过这些观点。

---

⬆️ 返回顶部