assafelovic/gpt-researcher

解决的问题

手动研究通常耗时且资源密集。标准的大型语言模型常因过时的训练数据而产生幻觉，加上 token 限制导致无法生成长篇报告，以及依赖有限的网络来源可能引入偏见或浅层结果。

运作方式

GPT Researcher 使用由「规划者」和「执行」代理组成的多代理架构。规划者将研究查询分解为具体的研究问题，执行代理则爬取网络或本地文档以收集信息。接着，发布代理将这些发现汇总成一份全面且附有引用的报告。

为确保质量，它采用「深度研究」对子主题进行递归探索，并使用智能上下文过滤系统（利用 Jev 或关键字排名）在内容到达 LLM 前丢弃不相关的爬取内容。它也可以与模型上下文协议（MCP）集成，以访问 GitHub 或数据库等专业数据源。

适用对象

需要针对复杂主题获取详细、事实准确且无偏见的研究报告的个人和组织，而无需花费数周时间进行手动数据收集。

重点特色

• 深度研究：递归的树状探索模式，深入子主题以获得更深的广度。
• 全面报告：生成超过 2,000 字的报告，引用超过 20 个来源。
• 混合数据源：支持网络爬取和本地文档研究（PDF、Word、Excel 等）。
• 智能过滤：使用 Jev 对段落相关性进行评分，与标准嵌入相比，减少噪声和成本。
• AI 视觉：使用 Google Gemini 自动生成并嵌入专业的嵌入式插图。
• 多代理框架：内置支持 LangGraph 和 AG2 以协调专业代理。