English | 中文 | 日本語 | 한국어

🔎 GPT Researcher

GPT Researcher — первый открытый глубокий исследовательский агент, разработанный как для веб-, так и для локальных исследований по любой заданной задаче.

Агент генерирует подробные, фактические и объективные исследовательские отчеты со ссылками. GPT Researcher предоставляет полный набор опций настройки для создания пользовательских и специализированных исследовательских агентов. Вдохновлённый недавними работами по Plan-and-Solve и RAG, GPT Researcher решает проблемы дезинформации, скорости, детерминированности и надёжности, обеспечивая стабильную производительность и повышенную скорость за счёт параллелизованной работы агентов.

Наша миссия — наделить людей и организации точной, объективной и фактической информацией с помощью ИИ.

Зачем нужен GPT Researcher?

• Объективные выводы вручную могут занять недели, требуя огромных ресурсов и времени.
• LLM, обученные на устаревшей информации, могут галлюцинировать, становясь непригодными для актуальных исследовательских задач.
• Текущие LLM имеют ограничения на количество токенов, недостаточное для генерации длинных исследовательских отчетов.
• Ограниченные веб-источники в существующих сервисах приводят к дезинформации и поверхностным результатам.
• Избирательный выбор веб-источников может вносить предвзятость в исследовательские задачи.

Демо

Установка как навык Claude

Расширьте возможности глубокого исследования Claude, установив GPT Researcher как навык Claude:

npx skills add assafelovic/gpt-researcher

После установки Claude сможет использовать возможности глубокого исследования GPT Researcher непосредственно в ваших разговорах.

Архитектура

Основная идея — использование агентов «планировщика» и «исполнителя». Планировщик генерирует исследовательские вопросы, а агенты-исполнители собирают соответствующую информацию. Затем издатель агрегирует все результаты в исчерпывающий отчёт.

Шаги: * Создание агента, специфичного для задачи, на основе исследовательского запроса. * Генерация вопросов, которые в совокупности формируют объективное мнение по задаче. * Использование агента-скрапера для сбора информации по каждому вопросу. * Резюмирование и отслеживание источников для каждого ресурса. * Фильтрация и агрегация резюме в итоговый исследовательский отчёт.

Учебники

• Как это работает
• Как установить
• Живая демонстрация

Возможности

• 📝 Генерация подробных исследовательских отчетов с использованием веб- и локальных документов.
• 🖼️ Умный скрапинг и фильтрация изображений для отчетов.
• 🍌 Генерация встроенных изображений с помощью ИИ с использованием Google Gemini (Nano Banana) для визуальной иллюстрации.
• 📜 Генерация подробных отчетов длиной более 2 000 слов.
• 🌐 Агрегация более 20 источников для объективных выводов.
• 🖥️ Интерфейс доступен в легковесной (HTML/CSS/JS) и готовой к продакшену (NextJS + Tailwind) версиях.
• 🔍 Веб-скрапинг с поддержкой JavaScript.
• 📂 Сохранение памяти и контекста на протяжении всего исследования.
• 📄 Экспорт отчетов в PDF, Word и другие форматы.

📖 Документация

Смотрите Документацию для: - Руководств по установке и настройке - Вариантов конфигурации и кастомизации - Примеров использования - Полных справочников по API

⚙️ Начало работы

Установка

1. Установите Python 3.11 или более поздней версии. Руководство.

2. Клонируйте проект и перейдите в каталог:

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

3. Настройте ключи API, экспортируя их или сохранив в файл .env.

   bash export OPENAI_API_KEY={Сюда вставьте ваш ключ OpenAI API} export TAVILY_API_KEY={Сюда вставьте ваш ключ Tavily API}

   (Необязательно) Для расширенной отслеживаемости и наблюдаемости можно также установить:

   ```bash

   export LANGCHAIN_TRACING_V2=true

   export LANGCHAIN_API_KEY={Сюда вставьте ваш ключ LangChain API}

   ```

   Для пользовательских API, совместимых с OpenAI (например, локальных моделей, других провайдеров), можно также установить:

   bash export OPENAI_BASE_URL={Сюда вставьте ваш пользовательский базовый URL API}

4. Установите зависимости и запустите сервер:

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

Перейдите по адресу http://localhost:8000 для запуска.

Для других вариантов установки (например, Poetry или виртуальные среды) см. страницу Начало работы.

Запуск как PIP-пакет

pip install gpt-researcher

Пример использования:

...
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()
...

Больше примеров и вариантов конфигурации смотрите на странице документации PIP.

🔧 Клиент MCP

GPT Researcher поддерживает интеграцию MCP для подключения к специализированным источникам данных, таким как репозитории GitHub, базы данных и пользовательские API. Это позволяет проводить исследования из источников данных наряду с веб-поиском.

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

Для исчерпывающей документации по MCP и расширенных примеров посетите Руководство по интеграции MCP.

🍌 Генерация встроенных изображений

GPT Researcher может автоматически генерировать и встраивать иллюстрации, созданные ИИ, в ваши исследовательские отчеты с использованием моделей Google Gemini (Nano Banana).

# 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

При включении этой функции система будет: 1. Анализировать ваш исследовательский контекст для выявления возможностей визуализации 2. Предварительно генерировать 2-3 релевантных изображения на этапе исследования 3. Встраивать их в текст по мере написания отчета

Изображения генерируются в стилистике тёмного режима, соответствующей интерфейсу GPT Researcher, с профессиональной эстетикой инфографики и акцентами цвета тил.

Узнайте больше о генерации изображений в нашей документации.

✨ Глубокое исследование

GPT Researcher теперь включает «Глубокое исследование» — продвинутый рекурсивный исследовательский процесс, который изучает темы с агентской глубиной и широтой. Эта функция использует древовидный паттерн исследования, углубляясь в подтемы при сохранении всеобъемлющего обзора исследуемого предмета.

• 🌳 Древовидное исследование с настраиваемой глубиной и широтой
• ⚡️ Параллельная обработка для более быстрых результатов
• 🤝 Умное управление контекстом между ветвями исследования
• ⏱️ ~5 минут на глубокое исследование
• 💰 ~$0.4 за исследование (при использовании o3-mini с "высоким" уровнем рассуждений)

Узнайте больше о глубоком исследовании в нашей документации.

Запуск с помощью Docker

Шаг 1 - Установите Docker

Шаг 2 - Скопируйте файл '.env.example', добавьте ваши API-ключи в скопированный файл и сохраните файл как '.env'

Шаг 3 - В файле docker-compose закомментируйте сервисы, которые вы не хотите запускать с помощью Docker.

docker-compose up --build

Если это не сработает, попробуйте запустить без тире:

docker compose up --build

Шаг 4 - По умолчанию, если вы ничего не раскомментировали в вашем файле docker-compose, этот процесс запустит 2 процесса: - Python-сервер, работающий на localhost:8000
- React-приложение, работающее на localhost:3000

Перейдите на localhost:3000 в любом браузере и наслаждайтесь исследованиями!

📄 Исследование на локальных документах

Вы можете указать GPT Researcher выполнять исследовательские задачи на основе ваших локальных документов. В настоящее время поддерживаются следующие форматы файлов: PDF, обычный текст, CSV, Excel, Markdown, PowerPoint и документы Word.

Шаг 1: Добавьте переменную окружения DOC_PATH, указывающую на папку, в которой находятся ваши документы.

export DOC_PATH="./my-docs"

Шаг 2: - Если вы запускаете фронтенд-приложение на localhost:8000, просто выберите "My Documents" в выпадающем списке "Report Source". - Если вы запускаете GPT Researcher с помощью PIP-пакета, передайте аргумент report_source как "local" при создании экземпляра класса GPTResearcher пример кода здесь.

🤖 MCP-сервер

Мы перенесли наш MCP-сервер в отдельный репозиторий: gptr-mcp.

MCP-сервер GPT Researcher позволяет приложениям на базе ИИ, таким как Claude, проводить глубокие исследования. Хотя ИИ-приложения могут получать доступ к инструментам веб-поиска через MCP, GPT Researcher MCP обеспечивает более глубокие и надежные результаты исследований.

Возможности: - Глубокие исследования для ИИ-ассистентов - Более качественная информация с оптимизированным использованием контекста - Комплексные результаты с лучшим рассуждением для LLM - Интеграция с Claude Desktop

Для получения подробных инструкций по установке и использованию, пожалуйста, посетите официальный репозиторий.

👪 Мультиагентный помощник

Поскольку ИИ развивается от инженерии промптов и RAG к мультиагентным системам, мы рады представить мультиагентных помощников, созданных с использованием LangGraph и AG2.

Используя мультиагентные фреймворки, процесс исследования может быть значительно улучшен по глубине и качеству за счет привлечения нескольких агентов со специализированными навыками. Вдохновленный недавней статьей STORM, этот проект демонстрирует, как группа ИИ-агентов может работать сообща для проведения исследований по заданной теме — от планирования до публикации.

Средний запуск генерирует исследовательский отчет на 5-6 страниц в различных форматах, таких как PDF, Docx и Markdown.

Ознакомьтесь здесь или перейдите к нашей документации по LangGraph и AG2 для получения дополнительной информации.

🔍 Наблюдаемость

GPT Researcher поддерживает LangSmith для расширенного отслеживания и наблюдаемости, что упрощает отладку и оптимизацию сложных мультиагентных рабочих процессов.

Для включения отслеживания: 1. Установите следующие переменные окружения: bash export LANGCHAIN_TRACING_V2=true export LANGCHAIN_API_KEY=your_api_key export LANGCHAIN_PROJECT="gpt-researcher" 2. Запускайте ваши исследовательские задачи как обычно. Все взаимодействия агентов на базе LangGraph будут автоматически отслеживаться и визуализироваться в вашей панели LangSmith.

🖥️ Фронтенд-приложения

GPT-Researcher теперь имеет улучшенный фронтенд для повышения удобства пользователя и оптимизации процесса исследований. Фронтенд предлагает:

• Интуитивно понятный интерфейс для ввода исследовательских запросов
• Отслеживание прогресса исследовательских задач в реальном времени
• Интерактивное отображение результатов исследований
• Настраиваемые параметры для индивидуального опыта исследований

Доступны два варианта развертывания: 1. Легковесный статический фронтенд, обслуживаемый FastAPI 2. Функционально насыщенное приложение NextJS для продвинутого функционала

Для получения подробных инструкций по настройке и дополнительной информации о возможностях фронтенда, пожалуйста, посетите нашу страницу документации.

🚀 Участие в разработке

Мы приветствуем вклад! Ознакомьтесь с руководством по участию, если вы заинтересованы.

Пожалуйста, ознакомьтесь с нашей дорожной картой и свяжитесь с нами через наше сообщество Discord, если вы заинтересованы в присоединении к нашей миссии.

✉️ Поддержка / Свяжитесь с нами

• Сообщество Discord
• Электронная почта автора: assaf.elovic@gmail.com

🛡 Отказ от ответственности

Этот проект, GPT Researcher, является экспериментальным приложением и предоставляется «как есть», без каких-либо гарантий, прямых или косвенных. Мы распространяем коды в академических целях по лицензии Apache 2. Ничего в данном документе не является академической консультацией и НЕ является рекомендацией к использованию в академических или исследовательских работах.

Наша позиция по непредвзятым исследовательским утверждениям: 1. Основная цель GPT Researcher — уменьшить количество ошибочных и предвзятых фактов. Как? Мы предполагаем, что чем больше сайтов мы анализируем, тем меньше вероятность получения неточных данных. Анализируя множество сайтов за одно исследование и выбирая наиболее часто встречающуюся информацию, вероятность того, что все они неверны, крайне мала. 2. Мы не стремимся устранить предвзятость; мы стремимся свести ее к минимуму. Мы здесь как сообщество, чтобы найти наиболее эффективные взаимодействия человека/LLM. 3. В исследованиях люди также склонны к предвзятости, так как у большинства уже есть собственное мнение по темам, которые они изучают. Этот инструмент анализирует множество точек зрения и объясняет разнообразные позиции, которые предвзятый человек никогда бы не прочитал.

⬆️ Вернуться наверх