gpt researcher

英语| 中文| 日本语| 한국어

gpt researcher

gpt researcher是一位开放的深入研究代理，专为任何给定任务的Web和本地研究设计。

该代理商生产带有引用的详细，事实和公正的研究报告。 gpt researcher提供了一套全套自定义选项，以创建量身定制的制造商和特定领域的研究代理。 gpt researcher受到最新计划和解决论文的启发，通过提供稳定的性能和通过并行化的代理工作提高速度，解决了错误的信息，速度，确定性和可靠性。

我们的使命是通过AI授权个人和组织以准确，公正和事实信息。

为什么gpt researcher ？

• 手动研究的客观结论可能需要数周的时间，需要大量的资源和时间。
• 经过过时的信息培训的LLM会幻觉，与当前的研究任务无关。
• 当前的LLM具有令牌限制，不足以生成长期的研究报告。
• 现有服务中的网络来源有限导致错误信息和浅层结果。
• 选择性网络来源可以将偏见引入研究任务。

演示

建筑学

核心想法是利用“计划者”和“执行”代理。计划者会产生研究问题，而执行代理会收集相关信息。然后，出版商将所有调查结果汇总到一份综合报告中。

步骤：

• 根据研究查询创建特定于任务的代理。
• 产生有关该任务的客观意见的问题。
• 使用爬行者代理为每个问题收集信息。
• 总结和来源跟踪每个资源。
• 过滤和汇总到最终研究报告中。

教程

• 它如何工作
• 如何安装
• 现场演示

特征

• 使用Web和本地文档生成详细的研究报告。
• ?️智能图像刮擦和过滤报告。
• 生成超过2,000个单词的详细报告。
• 总体上有20多个来源来实现客观结论。
• 轻巧（HTML/CSS/JS）和生产准备版本（NextJS + Tailwind）版本可提供前端。
• ?启用JavaScript的Web刮擦。
• 在整个研究中保持记忆和环境。
• ?向PDF，Word和其他格式导出报告。

文档

请参阅以下文档：

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

入门

安装

1. 安装Python 3.11或更高版本。指导。

2. 克隆项目并导航到目录：

   git clone https://*g*ith*ub.com/assafelovic/gpt-researcher.git
   cd gpt-researcher

3. 通过导出或将其存储在.env文件中来设置API键。

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

4. 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（例如诗歌或虚拟环境），请检查“入门”页面。

作为PIP软件包运行

pip install gpt-researcher

示例用法：

...
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 ()
...

有关更多示例和配置，请参阅“ PIP文档”页面。

?MCP客户端

gpt researcher支持MCP集成，以与GitHub存储库，数据库和自定义API等专业数据源连接。这可以通过网络搜索从数据源进行研究。

 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

有关全面的MCP文档和高级示例，请访问MCP集成指南。

深入研究

gpt researcher现在包括深入研究 – 一种先进的递归研究工作流，该工作流探索具有代理深度和广度的主题。此功能采用了类似树状的探索模式，更深入地研究了子主题，同时保持对研究主题的全面看法。

• ?具有可构型深度和宽度的树状探索
• ⚡️并发处理以获得更快的结果
• ?跨研究部门的智能上下文管理
• ⏱️每次深入研究需要5分钟
• ?每项研究成本约为$ 0.4（使用“高”推理工作的O3-Mini）

在我们的文档中了解有关深入研究的更多信息。

与Docker一起运行

步骤1-安装Docker

步骤2-克隆\’.env.example\’文件，将API键添加到克隆文件中，然后将文件保存为\’.ENV\’

步骤3-在Docker -Compose文件注释中，您不想使用Docker运行的服务。

docker-compose up --build

如果那不起作用，请在没有破折号的情况下运行它：

docker compose up --build

步骤4-默认情况下，如果您没有在Docker -Compose文件中删除任何内容，则此流将启动2个进程：

• 在Localhost上运行的Python服务器：8000
• 在Local主机上运行的React应用程序：3000

访问Localhost：在任何浏览器上3000，并享受研究！

?对当地文件的研究

您可以指示gpt researcher根据本地文档执行研究任务。当前支持的文件格式是：PDF，纯文本，CSV，Excel，Markdown，PowerPoint和Word Documents。

步骤1：添加指向文档所在的文件夹的ENV变量Doc_path。

 export DOC_PATH= \" ./my-docs \"

步骤2：

• 如果您正在运行Localhost：8000上的前端应用程序，请从“报告源”下拉选项中选择“我的文档”。
• 如果您使用PIP软件包运行gpt researcher ，请在此处实例化GPTRESEARCHER类代码示例时将report_source参数作为“本地”传递。

?MCP服务器

我们已经将MCP服务器移至专用存储库：GPTR-MCP。

gpt researcher MCP服务器使Claude这样的AI应用程序能够进行深入的研究。尽管LLM应用程序可以使用MCP访问Web搜索工具，但gpt researcher MCP可提供更深入，更可靠的研究结果。

特征：

• AI助手的深入研究能力
• 具有优化上下文使用的更高质量信息
• 全面的结果，对LLM的推理更好
• Claude桌面集成

有关详细的安装和使用说明，请访问官方存储库。

?多机构助手

随着AI从迅速的工程和抹布演变为多代理系统，我们很高兴能介绍使用Langgraph构建的新的多代理助手。

通过使用Langgraph，通过利用具有专业技能的多个代理商，可以显着改善研究过程。受到最近的风暴纸的启发，该项目展示了一个AI代理团队如何共同努力，从计划到出版物进行有关特定主题的研究。

平均运行以多种格式产生5-6页研究报告，例如PDF，DOCX和MARKDOWN。

在此处查看或转到我们的文档以获取更多信息。

前端应用

GPT研究人员现在具有增强的前端，以改善用户体验并简化研究过程。前端提供：

• 用于输入研究查询的直观界面
• 实时进度跟踪研究任务
• 研究结果的互动显示
• 可定制的设置，用于量身定制的研究经验

有两个部署选项可用：

1. Fastapi提供的轻巧的静态前端
2. 高级功能的功能丰富的NextJS应用程序

有关详细的设置说明和有关前端功能的更多信息，请访问我们的文档页面。

贡献

我们非常欢迎捐款！如果您有兴趣，请查看贡献。

如果您有兴趣加入我们的任务，请查看我们的路线图页面，并通过我们的Discord社区与我们联系。

✉️支持 /联系我们

• 社区不和谐
• 作者电子邮件：assaf.elovic@gmail.com

?免责声明

该项目是gpt researcher ，是一个实验应用程序，并提供了“ AS-IS”，而无需任何明示或暗示的保修。我们正在根据Apache 2许可证共享出于学术目的的代码。这里没有什么是学术建议，而不是用于学术或研究论文中的建议。

我们对无偏研究主张的看法：

1. gpt researcher的主要目标是减少不正确和偏见的事实。如何？我们假设我们刮擦错误数据的机会越多。通过每个研究刮擦多个站点，并选择最常见的信息，它们都错了的机会极低。
2. 我们不打算消除偏见；我们的目标是尽可能减少它。我们在这里是一个社区，可以找出最有效的人类/LLM互动。
3. 在研究中，人们也倾向于偏见，因为大多数人已经对他们研究的主题有意见。该工具抓住了许多意见，并将平均解释有偏见的人永远不会读过的各种观点。

⬆️回到顶部