assafelovic/gpt-researcher

해결하는 문제

수동 연구는 종종 시간이 많이 걸리고 리소스 집약적입니다. 표준 LLM은 오래된 훈련 데이터로 인한 환각, 장문 보고를 방해하는 토큰 제한, 편향되거나 얕은 결과를 초래할 수 있는 제한된 웹 소스에 대한 의존으로 인해 자주 문제를 겪습니다.

작동 방식

GPT Researcher는 '플래너'와 '실행' 에이전트로 구성된 다중 에이전트 아키텍처를 사용합니다. 플래너는 연구 쿼리를 구체적인 연구 질문으로 분해하고, 실행 에이전트는 웹이나 로컬 문서를 크롤링하여 정보를 수집합니다. 그런 다음 퍼블리셔 에이전트가 이러한 결과를 종합하여 포괄적이고 인용된 보고서로 만듭니다.

품질을 보장하기 위해 하위 주제의 재귀적 탐색을 위한 '딥 리서치'와 LLM에 도달하기 전에 관련 없는 스크랩 콘텐츠를 버리기 위한 스마트 컨텍스트 필터링 시스템(Jev 또는 키워드 순위 사용)을 사용합니다. 또한 Model Context Protocol(MCP)과 통합하여 GitHub이나 데이터베이스와 같은 전문 데이터 소스에 액세스할 수 있습니다.

대상 사용자

복잡한 주제에 대해 수동 데이터 수집에 몇 주를 소비하지 않고 상세하고 사실적이며 편향되지 않은 연구 보고서가 필요한 개인 및 조직.

주요 특징

• 딥 리서치: 하위 주제를 깊이 탐구하는 재귀적 트리형 탐색 패턴.
• 포괄적 보고: 20개 이상의 소스에서 인용한 2,000단어 이상의 보고서 생성.
• 하이브리드 데이터 소스: 웹 스크래핑과 로컬 문서 연구(PDF, Word, Excel 등)를 모두 지원.
• 스마트 필터링: Jev를 사용하여 구절 관련성을 점수화하여 표준 임베딩보다 노이즈와 비용을 줄임.
• AI 비주얼: Google Gemini를 사용하여 전문적인 인라인 일러스트레이션을 자동 생성 및 삽입.
• 다중 에이전트 프레임워크: 전문 에이전트를 조정하기 위한 LangGraph 및 AG2 내장 지원.