GPT Researcher

这个 Agent 能做什么，适合哪些场景？

GPT Researcher 是一个面向网页和本地资料研究的开源深度研究代理。它采用规划器与执行代理的流程：先围绕查询生成研究问题，再由爬虫代理收集资料、生成摘要并追踪来源，最后由发布环节汇总为报告。该项目提供 Python 包中的 GPTResearcher 类、FastAPI 服务，以及轻量静态前端和 NextJS 前端两种界面选择。它可处理网页研究与指定目录中的 PDF、文本、CSV、Excel、Markdown、PowerPoint 和 Word 文档，并支持导出 PDF、Word 等格式。项目也提供递归式 Deep Research 工作流、MCP 数据源接入及 LangSmith 可观测性配置。

通过 GPTResearcher(query=query) 创建研究任务后，调用 await researcher.conduct_research() 执行研究，再调用 await researcher.write_report() 生成报告。其架构会生成覆盖任务的研究问题，针对每个问题由 crawler agent 收集信息，对资源进行摘要和来源追踪，并过滤、聚合这些摘要形成最终报告。默认部署可用 pip install -r requirements.txt 后运行 python -m uvicorn main:app --reload；本地文档研究通过 DOC_PATH 指向资料目录。设置 RETRIEVER=tavily,mcp 后，可在 mcp_configs 中配置命令、参数和环境变量，把 GitHub、数据库或自定义 API 等 MCP 数据源与网页检索结合。

1. 需要针对当前议题撰写带引用长篇研究报告的分析师，可让系统从多个网页来源收集和汇总资料。
2. 拥有一组 PDF、Excel、Word 或 Markdown 文件的团队，可设置 DOC_PATH，对本地资料执行研究任务。
3. 需要把 GitHub 仓库或数据库内容与网页资料一并研究的开发者，可通过 RETRIEVER=tavily,mcp 和 mcp_configs 接入 MCP 数据源。
4. 希望从浏览器界面发起研究并查看实时进度的用户，可部署 FastAPI 服务及静态或 NextJS 前端。
5. 需要递归探索复杂主题的研究人员，可使用 Deep Research 的可配置深度和广度进行树状研究。

这个 Agent 有哪些优点和局限？

如何安装或部署这个 Agent？

准备 Python 3.11 或更高版本，克隆仓库后设置 API 密钥：

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

然后安装并启动：

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

服务默认访问 http://localhost:8000。也可安装包：

pip install gpt-researcher

如何使用这个 Agent？

Python 包的最小调用方式为：

from gpt_researcher import GPTResearcher

query = "why is Nvidia stock going up?"
researcher = GPTResearcher(query=query)
research_result = await researcher.conduct_research()
report = await researcher.write_report()

进行本地资料研究时，先设置 export DOC_PATH="./my-docs"；使用前端时选择 “My Documents”，或创建 GPTResearcher 时传入 report_source="local"。需要 MCP 与网页检索混合时，设置 export RETRIEVER=tavily,mcp，并在 mcp_configs 中提供 MCP 服务配置。

常见问题