GPT Researcher：自主深度研究报告智能体——2026 实战指南

引言 #

只要你用大语言模型（LLM）做过开发，多半都撞过同一堵墙：把一个问题变成一份资料扎实、有据可查的报告，是又慢又费人力的活儿。assafelovic/gpt-researcher 把这个环节自动化了。它是一个自主智能体，能联网搜索（也能读你本地的文件）、收集来源，并从一句查询出发写出一份带引用的研究报告。本指南将带你安装它、用 Python 跑起来，并把它接入真实工作流。

gpt-researcher 贡献者（来源：assafelovic/gpt-researcher 仓库，经 dibi8 分析）

GPT Researcher 是什么？ #

GPT Researcher 把自己定位为「首个面向联网与本地研究、可处理任意任务的开源深度研究智能体」。你给它一句查询，它会规划研究路径、执行多轮搜索、阅读并筛选结果，最后综合成一份带引用的报告。

该项目在 GitHub 上拥有超过 27,000 颗星，由 assafelovic 以 Apache-2.0 许可维护，默认分支为 master。

GPT Researcher 的工作原理 #

它底层跑的是一套「规划-执行」循环，而不是单次提示：

1. 规划：根据你的查询，智能体生成一组研究子问题，从多个角度覆盖整个主题。

2. 搜索与收集：针对每个子问题，它调用检索器（默认是 Tavily）进行查询并抓取结果页面，只保留相关段落作为上下文。

3. 撰写：它把汇总后的上下文回传给 LLM，生成报告——研究报告、资源清单、提纲，以及篇幅更长的详细报告都支持，此外还有一个会展开主题树的深度研究（Deep Research）模式。

配置通过环境变量和配置文件完成，而不是写死在代码里，因此你可以不动脚本就更换 LLM 和检索器。

gpt-researcher 星标历史（来源：assafelovic/gpt-researcher 仓库，经 dibi8 分析）

安装与配置 #

若要把 gpt-researcher 作为定时生产任务运行，你需要一台常开的机器——可以在 DigitalOcean 开一台（新账号有免费试用额度），或选 HTStack 的低延迟香港 VPS（与托管 dibi8.com 的是同一家 IDC）。

运行 GPT Researcher 常见有两种方式：作为 Python 包嵌入你自己的代码，或通过 Docker 跑完整应用（Python API 服务端 + Web 前端）。

使用 pip（Python 包） #

先确认已安装 Python：

python3 --version

然后安装该包：

pip install gpt-researcher

通过 .env 配置 API 密钥 #

GPT Researcher 需要一个 LLM（默认 OpenAI）和一个搜索检索器（默认 Tavily）。在项目根目录创建 .env 文件，填入两个密钥：

OPENAI_API_KEY=your_openai_key_here
TAVILY_API_KEY=your_tavily_key_here

如果你指向的是兼容 OpenAI 的自定义端点，还要设置 OPENAI_BASE_URL。首次运行最常见的错误就是缺少密钥——若遇到鉴权或「API key not found」之类的报错，请检查 .env 文件是否存在、是否在调用研究器之前被正确加载。

使用 Docker（含前端的完整应用） #

要运行完整应用——FastAPI 服务端加 Web 界面——克隆仓库并使用 Docker Compose：

git clone https://github.com/assafelovic/gpt-researcher.git
cd gpt-researcher
docker-compose up --build

默认情况下，这会在 localhost:8000 启动 Python 服务端，在 localhost:3000 启动前端。

不用 Docker 直接启动服务端 #

你也可以直接启动 FastAPI 服务端：

python -m uvicorn main:app --reload

然后在浏览器中打开 http://localhost:8000。

核心用法 #

Python API 围绕 GPTResearcher 类构建。研究和撰写报告都是异步的，因此要在 async 函数内用 await 调用。

示例 1：一份基础研究报告 #

import asyncio
from gpt_researcher import GPTResearcher

async def main():
    query = "why is Nvidia stock going up?"
    researcher = GPTResearcher(query=query)
    # Conduct research: plan, search, scrape, and gather context
    research_result = await researcher.conduct_research()
    # Write the cited report from the gathered context
    report = await researcher.write_report()
    print(report)

asyncio.run(main())

示例 2：选择报告类型 #

GPTResearcher 接受一个 report_type 参数，让你不再只拿到默认的研究报告，而是可以要一份简短摘要、资源清单，或篇幅更长的详细报告：

import asyncio
from gpt_researcher import GPTResearcher

async def main():
    researcher = GPTResearcher(
        query="What are the latest advancements in natural language processing?",
        report_type="detailed_report",
    )
    await researcher.conduct_research()
    report = await researcher.write_report()
    print(report)

asyncio.run(main())

示例 3：查看收集到的来源 #

研究跑完后，你可以取出智能体所用的底层上下文和来源 URL——这对审核或自建引用清单很有用：

import asyncio
from gpt_researcher import GPTResearcher

async def main():
    researcher = GPTResearcher(query="How does AI impact society?")
    await researcher.conduct_research()
    report = await researcher.write_report()

    # Access the sources and context behind the report
    sources = researcher.get_research_sources()
    context = researcher.get_research_context()
    print(f"Used {len(sources)} sources")
    print(report)

asyncio.run(main())

这些示例只是起点。由于 LLM 和检索器都通过配置设定，同一份代码无需改动即可跑在不同的提供商上。

集成 #

GPT Researcher 能轻松嵌入现有的 Python 工作流，因为它本质上就是一个纯异步库，外加一个可选的 HTTP 服务。

更换 LLM 提供商与检索器 #

你并不会被锁死在 OpenAI 或 Tavily 上。默认 LLM 是 OpenAI、默认检索器是 Tavily，但两者都可通过环境变量和配置文件更换。例如，要把默认的联网搜索与基于 MCP 的来源结合，可设置检索器列表：

export RETRIEVER=tavily,mcp

这种混合配置让智能体既能从通用网络搜索取材，也能通过模型上下文协议（MCP）接入专门的数据源。

在 notebook 或服务中使用 #

由于这套 API 只需两次 await 调用，你可以把 GPT Researcher 直接放进 Jupyter notebook、后台任务，或一个 FastAPI 端点里：

import asyncio
from gpt_researcher import GPTResearcher

async def research(topic: str) -> str:
    researcher = GPTResearcher(query=topic)
    await researcher.conduct_research()
    return await researcher.write_report()

report = asyncio.run(research("current trends in AI ethics"))
print(report)

面对更复杂的流水线，该仓库还附带了一套基于 LangGraph 和 AG2 构建的多智能体方案，由多个专职智能体协同来产出更长的报告。

基准测试与真实使用 #

真实使用场景 #

GPT Researcher 主要用于把研究和写报告中最慢的环节自动化：

1. 自动化研究简报：针对某个主题或产品想法生成初稿报告，并附上来源，替代手动联网搜索。

2. 文献与市场扫描：跨大量页面快速收集并归纳材料，让人去审阅综合结论，而不必逐篇阅读每个来源。

3. 内部工具：把异步 API 包装成内部服务，让非技术同事也能从一句查询拿到带来源的报告。

社区信号 #

README 没有公布正式的准确率基准，因此对于任何关于性能的说法，都应放到你自己的任务上去验证。可验证的是社区热度：超过 27,473 颗 GitHub 星标和活跃的 issue 列表，说明它持续被采用和维护。在用于生产之前，先拿一个有代表性的查询跑一遍。

与替代方案的对比 #

另见我们对相关开源工具的报道。

GPT Researcher 属于「自主研究智能体」这一类。与其编造竞品数字，不如这样诚实地对照：

为什么选 GPT Researcher？ #

• 端到端的报告，而非单条答案：它返回的是结构化、带引用的报告，而不是一句聊天回复。
• 可配置的技术栈：LLM 和检索器都可更换，无需重写代码。
• 既是库也是应用：可以在自己的代码里用异步 API，也可以跑它自带的服务端和 Web 界面。

局限与客观评估 #

GPT Researcher 很能干，但要清楚它的取舍：

1. API 成本与延迟：每次运行都会扩散成多次 LLM 调用与页面抓取，因此深度或详细报告可能既慢又消耗较多 token 和搜索 API 费用。
2. 配置面较大：要让非默认的 LLM、检索器或多智能体流水线跑起来，需要花时间读文档、调配置。
3. 依赖联网：联网研究需要网络访问和可用的搜索 API；离线只能用本地文档模式，功能有限。
4. 质量随模型与来源浮动：输出的好坏取决于底层 LLM 和它抓到的页面，因此报告在被你依赖前仍需人工核查。
5. 学习曲线：异步 API 本身简单，但弄懂报告类型、检索器和多智能体流程需要一点上手时间。

对于一个要编排大量 LLM 与搜索调用的智能体来说，这些都是正常的取舍——在接入生产流水线前值得心里有数。

结语 #

assafelovic/gpt-researcher 通过编排规划、联网搜索、抓取与 LLM 撰写，把一句查询变成一份有来源、有结构的报告，而这一切都藏在一套小巧的异步 API 背后。凭借 27,000+ 星标、Apache-2.0 许可、可配置的 LLM/检索器技术栈以及自带的 Web 应用，它是研究自动化里一块实用的基石。下一步：设好你的两个 API 密钥，拿一个真实问题跑一遍基础 Python 示例，并在扩大规模前先查看来源。

大规模抓取需要轮换代理——WebShare 是业界常用之选。

• 加入 dibi8 英文 Telegram 群，获取开源 AI 工具速递。
• 延伸阅读：dibi8 相关指南。

来源与延伸阅读：

• GitHub 仓库：https://github.com/assafelovic/gpt-researcher
• 官方文档 / README：https://github.com/assafelovic/gpt-researcher#readme

以上部分链接为联盟链接。若你通过它们注册，dibi8.com 可能获得一笔佣金，而你不会因此多付任何费用。这有助于维持网站运营、保持内容免费。