assafelovic/gpt-researcher

解決する課題

手動での調査は、時間とリソースを大量に消費することがよくあります。標準的なLLMは、古いトレーニングデータによる幻覚、長文レポートを妨げるトークン制限、偏りや浅い結果をもたらす可能性のある限られたウェブソースへの依存などにより、しばしば問題を抱えています。

仕組み

GPT Researcherは、「プランナー」と「実行」エージェントからなるマルチエージェントアーキテクチャを採用しています。プランナーは調査クエリを具体的な調査質問に分解し、実行エージェントはウェブやローカルドキュメントをクロールして情報を収集します。その後、パブリッシャーエージェントがこれらの調査結果を包括的な引用付きレポートにまとめます。

品質を確保するために、サブトピックの再帰的探索には「ディープリサーチ」を、LLMに到達する前に関連性のないスクレイピングコンテンツを破棄するにはスマートコンテキストフィルタリングシステム（Jevまたはキーワードランキングを使用）を採用しています。また、Model Context Protocol（MCP）と統合して、GitHubやデータベースなどの専門的なデータソースにアクセスすることもできます。

対象ユーザー

複雑なトピックについて、詳細で事実に基づいた偏りのない調査レポートを、手動でのデータ収集に数週間を費やすことなく必要とする個人や組織。

主な特徴

• ディープリサーチ：サブトピックに深く入り込む再帰的なツリー状の探索パターン。
• 包括的なレポート：20以上のソースからの引用を含む2,000語を超えるレポートを生成。
• ハイブリッドデータソース：ウェブスクレイピングとローカルドキュメント調査（PDF、Word、Excelなど）の両方をサポート。
• スマートフィルタリング：Jevを使用してパッセージの関連性をスコアリングし、標準的な埋め込みと比較してノイズとコストを削減。
• AIビジュアル：Google Geminiを使用してプロフェッショナルなインラインイラストを自動生成し埋め込み。
• マルチエージェントフレームワーク：専門エージェントを調整するためのLangGraphとAG2の組み込みサポート。