GitHub Release Docker Image Version

🔎 GPT Researcher

GPT Researcher 是一个开源的深度研究代理，旨在为任何给定任务进行网络和本地研究。

该代理生成详细、事实准确且无偏见的研究报告，并附带引用。GPT Researcher 提供了一套完整的自定义选项，以创建量身定制和特定领域的研究代理。受最近的 Plan-and-Solve 和 RAG 论文的启发，GPT Researcher 通过并行化代理工作提供稳定的性能和更快的速度，解决了错误信息、速度、确定性和可靠性问题。

我们的使命是通过人工智能为个人和组织提供准确、无偏见和事实准确的信息。

为什么选择 GPT Researcher？

手动研究的客观结论可能需要数周时间，耗费大量资源和时间。
基于过时信息训练的 LLM 可能会产生幻觉，导致在当前研究任务中不相关。
当前的 LLM 存在令牌限制，不足以生成长篇研究报告。
现有服务中的有限网络来源导致错误信息和浅薄的结果。
选择性网络来源可能会在研究任务中引入偏见。

演示

https://github.com/user-attachments/assets/8fcaaa4c-31e5-4814-89b4-94f1433d139d

架构

核心思想是利用“规划器”和“执行”代理。规划器生成研究问题，而执行代理则收集相关信息。发布者将所有发现汇总成一份全面的报告。

步骤：

基于研究查询创建任务特定的代理。
生成问题，这些问题共同形成对任务的客观意见。
使用爬虫代理为每个问题收集信息。
总结并跟踪每个资源的来源。
过滤并汇总摘要，形成最终的研究报告。

教程

功能

📝 使用网络和本地文档生成详细的研究报告。
🖼️ 智能图像抓取和过滤，用于报告。
📜 生成超过 2,000 字的详细报告。
🌐 汇总超过 20 个来源，形成客观结论。
🖥️ 前端提供轻量级（HTML/CSS/JS）和生产就绪（NextJS + Tailwind）版本。
🔍 启用 JavaScript 的网络爬取。
📂 在研究过程中保持记忆和上下文。
📄 将报告导出为 PDF、Word 和其他格式。

📖 文档

查看文档了解：

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

⚙️ 入门指南

安装

安装 Python 3.11 或更高版本。指南。

克隆项目并导航到目录：

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

通过导出或存储在 .env 文件中设置 API 密钥。

export OPENAI_API_KEY={您的 OpenAI API 密钥}
export TAVILY_API_KEY={您的 Tavily API 密钥}

安装依赖项并启动服务器：

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

访问 http://localhost:8000 开始。

对于其他设置（例如 Poetry 或虚拟环境），请查看入门页面。

作为 PIP 包运行

pip install gpt-researcher

示例用法：

...
from gpt_researcher import GPTResearcher

query = "为什么英伟达股票在上涨？"
researcher = GPTResearcher(query=query)
# 对给定查询进行研究
research_result = await researcher.conduct_research()
# 撰写报告
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，以连接到 GitHub 仓库、数据库和自定义 API 等专门的数据源。这使得可以在网络搜索的同时从数据源进行研究。

export RETRIEVER=tavily,mcp  # 启用混合网络 + MCP 研究

from gpt_researcher import GPTResearcher
import asyncio
import os

async def mcp_research_example():
    # 启用 MCP 与网络搜索
    os.environ["RETRIEVER"] = "tavily,mcp"
    
    researcher = GPTResearcher(
        query="什么是顶级的开源网络研究代理？",
        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

有关全面的 MCP 文档和高级示例，请访问 MCP 集成指南。

✨ 深度研究

GPT Researcher 现在包括深度研究——一种高级的递归研究工作流程，以代理的深度和广度探索主题。此功能采用树状探索模式，深入研究子主题，同时保持对研究主题的全面视图。

🌳 可配置深度和广度的树状探索
⚡️ 并发处理以获得更快的结果
🤝 跨研究分支的智能上下文管理
⏱️ 每次深度研究大约需要 5 分钟
💰 每次研究成本约为 $0.4（使用 o3-mini 进行“高”推理努力）

在我们的文档中了解更多关于深度研究的信息。

使用 Docker 运行

步骤 1 - 安装 Docker

步骤 2 - 克隆 '.env.example' 文件，将您的 API 密钥添加到克隆的文件中，并将文件保存为 '.env'

步骤 3 - 在 docker-compose 文件中注释掉您不想使用 Docker 运行的服务。

docker-compose up --build

如果不起作用，请尝试不带破折号运行：

docker compose up --build

步骤 4 - 默认情况下，如果您没有在 docker-compose 文件中取消注释任何内容，此流程将启动 2 个进程：

运行在 localhost:8000 的 Python 服务器
运行在 localhost:3000 的 React 应用

在任何浏览器中访问 localhost:3000 并开始研究！

📄 基于本地文档的研究

您可以指示 GPT Researcher 基于您的本地文档运行研究任务。当前支持的文件格式包括：PDF、纯文本、CSV、Excel、Markdown、PowerPoint 和 Word 文档。

步骤 1：添加指向文档所在文件夹的环境变量 DOC_PATH。

export DOC_PATH="./my-docs"

步骤 2：

如果您在 localhost:8000 上运行前端应用，只需从“报告来源”下拉选项中选择“我的文档”。
如果您使用 PIP 包运行 GPT Researcher，请在实例化 GPTResearcher 类时将 report_source 参数传递为“local”代码示例在此。

🤖 MCP 服务器

我们已将 MCP 服务器移至专用仓库：gptr-mcp。

GPT Researcher MCP 服务器使 Claude 等 AI 应用程序能够进行深度研究。虽然 LLM 应用程序可以通过 MCP 访问网络搜索工具，但 GPT Researcher MCP 提供了更深层次、更可靠的研究结果。

功能：

AI 助手的深度研究能力
通过优化上下文使用获得更高质量的信息
综合结果，为 LLM 提供更好的推理
Claude 桌面集成

有关详细的安装和使用说明，请访问官方仓库。

👪 多智能体助手

随着人工智能从提示工程和RAG发展到多智能体系统，我们很高兴推出基于LangGraph构建的全新多智能体助手。

通过使用LangGraph，研究过程的深度和质量可以显著提升，这得益于多个具备专业技能的智能体的协同工作。受近期STORM论文的启发，该项目展示了AI智能体团队如何从规划到发布，共同完成对给定主题的研究。

平均每次运行会生成一份5-6页的研究报告，支持PDF、Docx和Markdown等多种格式。

点击这里查看，或访问我们的文档获取更多信息。

🖥️ 前端应用

GPT-Researcher现在提供了一个增强的前端，以提升用户体验并简化研究流程。该前端提供以下功能：

用于输入研究查询的直观界面
研究任务的实时进度跟踪
研究结果的交互式展示
可自定义设置，打造个性化的研究体验

提供两种部署选项：

由FastAPI提供的轻量级静态前端
功能丰富的NextJS应用，支持更高级的功能

有关详细设置说明和前端功能的更多信息，请访问我们的文档页面。

🚀 贡献

我们非常欢迎贡献！如果您有兴趣，请查看贡献指南。

如果您有兴趣加入我们的使命，请查看我们的路线图页面，并通过Discord社区联系我们。

✉️ 支持 / 联系我们

社区Discord
作者邮箱：assaf.elovic@gmail.com

🛡 免责声明

本项目GPT Researcher是一个实验性应用，按“原样”提供，不提供任何明示或暗示的保证。我们根据Apache 2许可证共享代码，仅供学术目的。此处内容并非学术建议，也不推荐用于学术或研究论文。

我们对无偏见研究的看法：

GPT Researcher的主要目标是减少错误和有偏见的事实。如何实现？我们假设抓取的网站越多，错误数据的可能性就越低。通过每次研究抓取多个网站并选择最常见的信息，所有信息都错误的可能性极低。
我们的目标不是消除偏见，而是尽可能减少偏见。我们作为一个社区，致力于探索最有效的人机交互方式。
在研究中，人们也容易倾向于偏见，因为大多数人对他们研究的主题已有自己的观点。该工具抓取了许多观点，并会均衡地解释多样化的观点，而这些观点可能是一个有偏见的人从未阅读过的。

⬆️ 返回顶部