🔎 GPT Researcher

GPT Researcher 是一款开源的深度研究代理，专为任何任务的网络和本地研究而设计。

该代理能够生成详细、基于事实且无偏见的研究报告，并附有引用来源。GPT Researcher 提供了全套的自定义选项，以创建量身定制的领域特定研究代理。受近期 Plan-and-Solve 和 RAG 论文启发，GPT Researcher 通过并行化代理工作，提供稳定的性能和更高的速度，从而解决虚假信息、效率、确定性和可靠性等问题。

我们的使命是通过人工智能，为个人和组织提供准确、公正、基于事实的信息。

为什么选择 GPT Researcher？

• 对于人工研究而言，得出客观结论可能需要数周时间，耗费大量资源和精力。
• 基于过时信息训练的语言模型可能会产生幻觉，使其无法满足当前的研究需求。
• 现有的语言模型存在 token 数量限制，难以生成较长的研究报告。
• 现有服务中的网络资源有限，容易导致错误信息和浅层结果。
• 选择性地使用网络资源可能会给研究任务带来偏差。

演示

作为 Claude Skill 安装

通过将 GPT Researcher 作为 Claude Skill 安装，扩展 Claude 的深度研究能力：

npx skills add assafelovic/gpt-researcher

安装完成后，Claude 就可以在对话中直接利用 GPT Researcher 的深度研究功能。

架构

核心思想是利用“规划者”和“执行者”两个代理。规划者生成研究问题，而执行者则收集相关信息。随后，发布者会将所有发现汇总成一份全面的研究报告。

步骤：

• 根据研究查询创建特定任务的代理。
• 生成一系列问题，这些问题共同构成对任务的客观看法。
• 使用爬虫代理为每个问题收集信息。
• 对每条资源进行总结并追踪来源。
• 过滤并汇总这些摘要，形成最终的研究报告。

教程

• 工作原理
• 安装方法
• 现场演示

特性

• 📝 利用网络和本地文档生成详细的研究报告。
• 🖼️ 智能图像抓取与过滤功能，用于研究报告。
• 🍌 AI生成的内嵌图片，使用 Google Gemini（Nano Banana）进行视觉说明。
• 📜 生成超过2,000字的详细报告。
• 🌐 聚合超过20个来源，以得出客观结论。
• 🖥️ 提供轻量级（HTML/CSS/JS）和生产就绪版（NextJS + Tailwind）前端。
• 🔍 支持JavaScript的网页抓取。
• 📂 在整个研究过程中保持记忆和上下文。
• 📄 可将报告导出为PDF、Word等格式。

📖 文档

请参阅 文档 了解：

• 安装与设置指南
• 配置与自定义选项
• 操作示例
• 完整的API参考

⚙️ 开始使用

安装

1. 安装 Python 3.11 或更高版本。教程。

2. 克隆项目并进入目录：

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

3. 设置 API 密钥，可以通过导出或将其存储在 .env 文件中来完成。

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

   （可选）为了增强跟踪和可观ability，您还可以设置：

   # export LANGCHAIN_TRACING_V2=true
   # export LANGCHAIN_API_KEY={您的 LangChain API 密钥}
   

   对于自定义的 OpenAI 兼容 API（例如本地模型或其他提供商），您也可以设置：

   export OPENAI_BASE_URL={您的自定义 API 基础 URL}
   

4. 安装依赖并启动服务器：

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

访问 http://localhost:8000 即可开始使用。

对于其他设置方式（例如 Poetry 或虚拟环境），请查看 入门页面。

以 PIP 包运行

pip install gpt-researcher

示例用法：

...
from gpt_researcher import GPTResearcher

query = "为什么英伟达股价上涨？"
researcher = GPTResearcher(query=query)

# 对给定的查询进行研究
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，可连接到 GitHub 仓库、数据库和自定义 API 等专业数据源。这使得研究不仅可以通过网页搜索进行，还可以从这些数据源中获取信息。

export RETRIEVER=tavily,mcp  # 启用混合式网页 + MCP 研究

from gpt_researcher import GPTResearcher
import asyncio
import os

async def mcp_research_example():
    # 启用 MCP 与网页搜索
    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

如需全面的 MCP 文档及高级示例，请访问 MCP 集成指南。

🍌 内联图像生成

GPT Researcher 可以使用 Google 的 Gemini 模型（Nano Banana）自动为您的研究报告生成并嵌入 AI 创作的插图。

# 在 .env 文件中启用
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. 分析您的研究背景以识别可视化机会
2. 在研究阶段预先生成 2–3 张相关图像
3. 在撰写报告时将其内联嵌入

生成的图像采用与 GPT Researcher UI 匹配的暗色模式设计，具有青蓝色点缀的专业信息图美学风格。

在我们的文档中了解更多关于图像生成的信息。

✨ 深度研究

GPT Researcher 现已包含深度研究功能——一种先进的递归研究工作流，能够以智能体式的深度和广度探索主题。此功能采用树状探索模式，在深入子主题的同时保持对研究主题的全面视角。

• 🌳 可配置深度和广度的树状探索
• ⚡️ 并发处理以加快结果生成
• 🤝 跨研究分支的智能上下文管理
• ⏱️ 每次深度研究约需 5 分钟
• 💰 每次研究成本约 0.4 美元（使用 o3-mini 模型，设置为“高”推理强度）

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 密钥添加到克隆后的文件中，并将其保存为 .env 文件。

步骤 3 - 在 docker-compose 文件中，注释掉您不想通过 Docker 运行的服务。

docker-compose up --build

如果上述命令不起作用，请尝试不带破折号运行：

docker compose up --build

步骤 4 - 默认情况下，如果您未取消注释 docker-compose 文件中的任何内容，该流程将启动两个进程：

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

在任意浏览器中访问 localhost:3000，尽情享受研究的乐趣吧！

📄 基于本地文档的研究

您可以指示 GPT Researcher 根据您的本地文档执行研究任务。目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：添加环境变量 DOC_PATH，指向存放您文档的文件夹。

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，则在实例化 GPTResearcher 类时，将 report_source 参数设置为“local” 代码示例在此。

🤖 MCP 服务器

我们已将 MCP 服务器迁移到专用仓库：gptr-mcp。

GPT Researcher 的 MCP 服务器使像 Claude 这样的 AI 应用程序能够进行深度研究。虽然大型语言模型应用程序可以通过 MCP 访问网页搜索工具，但 GPT Researcher 的 MCP 服务器能够提供更深入、更可靠的研究结果。

特点：

• 为 AI 助手提供深度研究能力
• 优化上下文使用，提升信息质量
• 为大型语言模型提供更全面、更具推理能力的结果
• 支持 Claude Desktop 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 AI 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 和 AG2 构建的多智能体助手。

通过使用多智能体框架，可以利用多个具备专业技能的智能体显著提升研究的深度和质量。受近期 STORM 论文启发，该项目展示了由一组 AI 智能体如何协同工作，从规划到发表，共同完成一项研究任务。

一次平均运行可生成 5–6 页的研究报告，并支持 PDF、Docx 和 Markdown 等多种格式。

请在此处查看：https://github.com/assafelovic/gpt-researcher/tree/master/multi_agents，或前往我们的文档，了解关于 LangGraph 和 AG2 的更多信息。

🔍 可观测性

GPT Researcher 支持 LangSmith，以增强跟踪和可观ability，从而更轻松地调试和优化复杂的多智能体工作流。

要启用跟踪：

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. 正常运行您的研究任务。所有基于 LangGraph 的智能体交互都将自动被跟踪，并在您的 LangSmith 仪表板上可视化。

🖥️ 前端应用

GPT-Researcher 现在配备了增强的前端界面，以提升用户体验并简化研究流程。前端提供了：

• 直观的研究查询输入界面
• 研究任务的实时进度跟踪
• 研究成果的交互式展示
• 可自定义的设置，以满足个性化的研究需求

目前提供两种部署方式：

1. 由 FastAPI 提供服务的轻量级静态前端
2. 具备丰富功能的 Next.js 应用程序

如需详细的安装说明及更多关于前端功能的信息，请访问我们的文档页面。

🚀 贡献

我们非常欢迎各位的贡献！如果您感兴趣，请查看贡献指南。

请浏览我们的路线图页面，并通过我们的Discord 社区与我们联系，加入我们的使命吧。

✉️ 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 属于实验性应用，按“原样”提供，不提供任何明示或暗示的担保。我们依据 Apache 2 许可证将代码分享用于学术目的。本文档内容不构成学术建议，亦不建议将其用于学术或研究论文中。

我们对无偏见研究的立场如下：

1. GPT Researcher 的主要目标是减少错误和有偏见的事实。如何实现？我们认为，抓取的网站越多，出现错误数据的可能性就越小。通过为每次研究抓取多个网站，并选择出现频率最高的信息，这些信息全部出错的概率极低。
2. 我们并不旨在完全消除偏见，而是力求尽可能地降低其影响。我们作为一个社区，共同探索最有效的人机协作方式。
3. 在研究过程中，人们往往也会带有自身的偏见，因为大多数人在研究特定主题时早已形成了自己的观点。而这款工具会抓取大量不同的观点，并均衡地呈现多元化的看法，这正是那些带有偏见的研究者通常不会接触到的内容。

---

⬆️ 返回顶部

GPT Researcher 快速上手指南

GPT Researcher 是一款开源的深度研究智能体，专为网络和本地文档研究设计。它能生成详细、客观且带有引用的研究报告，通过并行化代理工作解决信息幻觉、速度慢和可靠性低等问题。

环境准备

在开始之前，请确保满足以下系统要求和前置依赖：

• 操作系统：Linux, macOS 或 Windows (WSL 推荐)
• Python 版本：Python 3.11 或更高版本
• API 密钥：
  • OpenAI API Key (或其他兼容 OpenAI 格式的模型密钥)
  • Tavily API Key (用于网络搜索，注册可得免费额度)
  • (可选) Google API Key (如需启用 AI 内联图片生成功能)
  • (可选) LangChain API Key (如需启用追踪和可观测性)

安装步骤

1. 克隆项目并进入目录

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

2. 配置环境变量

你可以选择导出变量或创建 .env 文件。推荐创建 .env 文件以持久化配置：

cp .env.example .env

编辑 .env 文件，填入你的密钥：

OPENAI_API_KEY=你的_OpenAI_API_Key
TAVILY_API_KEY=你的_Tavily_API_Key

# (可选) 自定义 API 基础地址 (适用于本地模型或其他提供商)
# OPENAI_BASE_URL=你的自定义_API_地址

# (可选) 启用图片生成
# IMAGE_GENERATION_ENABLED=true
# GOOGLE_API_KEY=你的_Google_API_Key

# (可选) 启用 LangChain 追踪
# LANGCHAIN_TRACING_V2=true
# LANGCHAIN_API_KEY=你的_LangChain_API_Key

或者直接导出环境变量：

export OPENAI_API_KEY=你的_OpenAI_API_Key
export TAVILY_API_KEY=你的_Tavily_API_Key

3. 安装依赖并启动服务

使用 pip 安装依赖：

pip install -r requirements.txt

启动后端服务器：

python -m uvicorn main:app --reload

启动成功后，访问 http://localhost:8000 即可在浏览器中使用图形界面进行研究。

提示：如果你更倾向于使用 Docker，只需确保已安装 Docker，配置好 .env 文件后运行 docker-compose up --build 即可同时启动后端和前端服务。

基本使用

除了网页版，你也可以将 gpt-researcher 作为 Python 包直接在代码中调用。

1. 安装 PIP 包

pip install gpt-researcher

2. 代码示例

以下是最简单的使用示例，演示如何发起研究并生成报告：

from gpt_researcher import GPTResearcher
import asyncio

async def get_report(query: str) -> str:
    # 初始化研究者
    researcher = GPTResearcher(query=query)
    
    # 执行研究过程
    research_result = await researcher.conduct_research()
    
    # 撰写报告
    report = await researcher.write_report()
    
    return report

if __name__ == "__main__":
    query = "why is Nvidia stock going up?"
    report = asyncio.run(get_report(query))
    print(report)

3. 进阶功能简述

• 本地文档研究：设置 DOC_PATH 环境变量指向你的文档文件夹，并在初始化时指定 report_source="local"，即可基于 PDF、Word、Markdown 等本地文件进行研究。
• 深度研究 (Deep Research)：启用树状探索模式，可深入挖掘子主题，适合复杂课题（需在配置中开启相关选项）。
• MCP 集成：支持连接 GitHub、数据库等专用数据源，实现混合网络与本地数据的深度研究。

更多详细配置和高级用法，请参考官方文档：https://docs.gptr.dev