GPT Researcher：AI深度研究自动化智能体安装与使用指南

官方信息

项目背景

OpenAI Deep Research 和 Gemini Deep Research 发布后，"给一个主题，AI 自动上网检索几十篇资料、交叉验证、最后输出一份带引用的研究报告"成了新宠。但官方版数据要经过它们的服务器，对隐私敏感的用户和企业来说并不友好。GPT Researcher 就是这个方向上最老牌、最活跃的开源替代品。

项目由 Aviv Assafelovic 发起，在 GitHub 上已斩获 20k+ Star，采用 Python 编写。它的核心思路是 Plan-and-Execute + RAG：先让大模型把你的问题拆成若干个子研究问题，再派出爬虫代理并行搜索网页、学术论文、社交媒体，对每篇结果做摘要并保留来源链接，最后由一个"撰写者"智能体把所有素材汇总成结构化报告。

它支持 OpenAI、Anthropic、Google、DeepSeek、Ollama、本地 vLLM 等几乎所有主流 LLM，搜索后端支持 Tavily、Google、Serper、DuckDuckGo、Wikipedia 等，可以完全私有化跑起来，适合做行业调研、文献综述、竞品分析、周报素材收集。

核心特性

• 自主拆解研究计划：自动把大问题拆成 5-10 个子问题，并行检索。
• 多源搜索：网页、学术论文（ArXiv）、社交媒体、新闻、YouTube 全覆盖。
• 带引用的报告：每段结论都标注来源链接，可追溯、可核查。
• 多种输出格式：Markdown、PDF、Word、JSON，支持提纲、详细报告、短摘要。
• 多 LLM 后端：OpenAI、Claude、Gemini、DeepSeek、Ollama、本地模型均可。
• Web UI 与 API：既有可视化界面，也提供 REST API 嵌入业务系统。
• 深度/广度可调：通过 report_type、depth、breadth 参数控制耗时和覆盖范围。
• MCP 与 CrewAI 集成：可作为工具挂到其他智能体框架里。

环境要求

• Python 3.10 - 3.12（推荐 3.11/3.12）。
• 至少一个 LLM API Key（OpenAI 最省事；也可用 Ollama 本地模型）。
• 推荐配置：2 核 4G 内存；用本地大模型则需 GPU。
• 可选：Tavily API Key（官方推荐搜索后端，免费额度足够个人用）。

详细部署步骤

方式一：pip 快速安装（命令行体验）

# 创建虚拟环境
python3.11 -m venv venv
source venv/bin/activate   # Windows: venv\Scripts\activate

# 安装
pip install --upgrade gpt-researcher

# 配置 API Key
export OPENAI_API_KEY="sk-你的key"
export TAVILY_API_KEY="tvly-你的tavily key"   # 可选，强烈推荐

# 直接跑一次研究
gpt-researcher "2026年大模型推理框架对比：vLLM vs SGLang vs TensorRT-LLM"

运行后会在终端输出研究进度，最终报告保存在当前目录的 outputs/ 下。

方式二：源码部署 Web UI（推荐）

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

python3.11 -m venv venv
source venv/bin/activate

# 安装依赖
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env
nano .env

在 .env 中至少配置：

OPENAI_API_KEY=sk-你的key
TAVILY_API_KEY=tvly-你的key
# 如果用 DeepSeek：
# FAST_LLM=deepseek/deepseek-chat
# SMART_LLM=deepseek/deepseek-reasoner
# STRATEGIC_LLM=deepseek/deepseek-reasoner
# OPENAI_API_BASE=http://你的deepseek中转/v1
# 如果用 Ollama 本地模型：
# FAST_LLM=ollama/llama3.1
# SMART_LLM=ollama/llama3.1
# OPENAI_API_BASE=http://localhost:11434/v1

启动 Web UI：

streamlit run gpt_researcher/web/streamlit/app.py

浏览器访问 http://localhost:8501 即可看到可视化界面。

方式三：Docker Compose 部署（服务器推荐）

git clone https://github.com/assafelovic/gpt-researcher.git
cd gpt-researcher
cp .env.example .env
# 编辑 .env 填入 API Key
docker compose up -d

启动后访问 http://服务器IP:8080（具体端口以 compose 文件为准）。

关键参数说明

• report_type：research_report（标准报告）、detailed_report（详细）、outline_report（仅提纲）、resource_report（仅资源列表）。
• depth：研究深度，1=快，2=深（默认），越大越慢越全。
• breadth：每次搜索的并行子问题数量，默认 3。
• FAST_LLM / SMART_LLM / STRATEGIC_LLM：分别负责快速总结、日常推理、战略规划三个层级的模型，省钱可把 FAST 配成小模型。

使用方法示例

from gpt_researcher import GPTResearcher

async def main():
    researcher = GPTResearcher(
        query="对比 2026 年主流开源 RAG 框架：RAGFlow、Dify、FastGPT",
        report_type="research_report",
        depth=2,
        breadth=4,
    )
    await researcher.conduct_research()
    report = await researcher.write_report()
    print(report)

import asyncio
asyncio.run(main())

常见问题（FAQ）

Q1：没有 Tavily Key 能用吗？
A：可以，但需要在 .env 里把 SEARCH_API 换成 duckduckgo、google 或 serper，搜索质量和稳定性不如 Tavily。个人用 Tavily 免费额度（每月 1000 次）基本够。

Q2：可以完全本地跑、不调用外部 LLM 吗？
A：可以，配合 Ollama 跑 Qwen2.5、Llama3.1 等模型，搜索后端用 DuckDuckGo，全程数据不出本机。但报告质量会比 GPT-4o/Claude 差不少。

Q3：跑一次研究要花多少钱？
A：默认 depth=2、breadth=3，一次报告大约消耗 5-15 万 token，用 GPT-4o 大概 0.3-1 美元；换成 DeepSeek 大约几毛钱人民币。

Q4：报告能导出 PDF 吗？
A：可以，安装 weasyprint 后调用 researcher.write_report() 后用 output_formatter 导出 pdf/docx。

跳转链接

• GitHub 仓库：https://github.com/assafelovic/gpt-researcher
• 官方文档：https://docs.gptr.dev/
• 在线体验：https://app.gptr.dev/
• PyPI：gpt-researcher