AI自动写深度研究报告:28K星开源 GPT Researcher,5分钟全网搜完写好,成本只要/usr/bin/bash.4

你说，有没有一种工具，丢一个问题给它，它自己去全网搜资料、抓网页、对比信息，然后交给你一份带来源引用的完整报告？

以前我会说：醒醒，那是实习生干的活。

现在我会说：有。

GPT Researcher^[1] 是一个自主深度研究 Agent ，目前在 GitHub 拿下 28.8K 星。你只需要输入一个问题——比如「 Llama-4 和 GPT-5 的上下文窗口对比」——它就能在 5 分钟内，自动搜索 20+ 个来源，爬取网页内容，汇总成一份带引用、可导出 PDF 的研究报告。

关键是，它不只是搜——它会先规划再执行。先拆解研究问题为子问题，再并行搜索，然后汇总。每一个结论都带着来源链接，你可以追溯验证。

我实测了一个有说服力的场景：让它调研「 2026 年开源 LLM 推理框架的显存效率对比」。全程没碰键盘， 5 分钟后拿到一份 8 页的 PDF 报告，引用了 23 个来源。

它不是搜索引擎，是一个研究流水线

GPT Researcher 的底层逻辑很简单：规划师（ Planner ）+ 执行员（ Execution ）+ 出版人（ Publisher ）。

整个流程的核心设计来自两篇论文的融合：Plan-and-Solve^[2] 论文的「先规划再执行」思路，加上 RAG^[3] 论文的「检索增强」思想。所以它不是把搜索结果拼接了一下——它是真的理解研究题目，拆解，验证，再聚合。

这和 ChatGPT 直接回答有本质区别： ChatGPT 靠训练数据里的记忆， GPT Researcher 靠实时搜索+多源验证。所以你问「 2026 年 7 月最新发布的 AI 模型」， ChatGPT 可能编造， GPT Researcher 会真的去搜、去读、去交叉验证。

30 秒跑起来

最快的方式是用 Docker 一键部署：

git clone https://github.com/assafelovic/gpt-researcher.git
cd gpt-researcher
# 创建 .env 文件，填入 API key
cp .env.example .env
# 编辑 .env，至少填入 OPENAI_API_KEY 和 TAVILY_API_KEY
docker compose up --build

浏览器打开 localhost:3000，输入研究题目，点开始。

如果你不想建前端，也可以 pip 安装，直接在 Python 里调用：

pip install gpt-researcher

from gpt_researcher import GPTResearcher
import asyncio

query = "What are the top open source web research agents?"
researcher = GPTResearcher(query=query)
research_result = await researcher.conduct_research()
report = await researcher.write_report()
print(report)

6 行代码，调用 conduct_research() 开始研究，write_report() 拿到完整报告。报告默认是 Markdown 格式，可选导出 PDF 或 Word 。

要用本地模型？也支持。设置 OPENAI_BASE_URL 指向 Ollama 或 vLLM 即可：

export OPENAI_BASE_URL=http://localhost:11434/v1

这样搜索过程完全离线，数据不出本地——适合处理敏感的公司内部文档。

比手动调研快在哪

我自己平时调研一个技术选题，流程是： Google 搜索 → 打开 10 个 tab → 逐个阅读 → 整理笔记 → 写成文档。整个过程少则 40 分钟，多则半天。

GPT Researcher 做同样的事，流程是：拆解问题 → 并行搜索 20+ 来源 → 抓取内容 → 交叉验证 → 生成报告。下面是我实测的几个对比：

它还会在报告里自动生成图表（用 Gemini 模型生成内嵌图片），让数据更直观。

不过有句实话——可能得罪人——它给出的是初稿，不是终稿。 报告结构清晰、来源可追溯，但深度取决于你的提示词质量和原始信息的可用性。说难听点，如果你丢个含糊的问题进去，它返回的就是一份包装精美的废话合集。我自己的做法是：用它生成初稿 → 人工复核关键数据和结论 → 补充你自己的专业判断 → 定稿。这样能把一次半天的工作压到 15-20 分钟。不核对的后果我试过一次——它把 Claude 3.5 的上下文窗口数据写到了 Claude 4 上，差点发出去。

怎么用它处理你自己的文档

GPT Researcher 不只是搜互联网。它也能基于你自己的本地文档做研究。

把 PDF 、 Excel 、 Word 、 Markdown 文件扔到一个文件夹，设置环境变量 DOC_PATH 指向它：

export DOC_PATH="./my-docs"

然后在界面里选择「 My Documents 」作为报告源，它就会基于你自己的文档去做分析。

对我自己的一个真实场景：我把 30 篇公众号文章放到 ./my-docs 里，让它分析「哪些选题的阅读量最高？标题公式有什么规律？」——5 分钟后拿到一份分析报告，直接省掉自己翻后台数据的时间。

还支持混合模式——同时搜互联网和你自己的文档。对公司来说，这意味着可以让 AI 基于内部知识库直接生成市场分析报告。

深度研究 vs 快速研究：什么时候用哪个

GPT Researcher 提供了两种模式：标准模式和深度研究模式。

标准模式适合快速调研——一个问题， 5 分钟，一份报告。成本约 $0.01-0.05/次（取决于用的模型）。

深度研究模式采用树状探索算法：
- 从主题出发，拆出 N 个子方向
- 每个子方向再递归拆解
- 最终聚合所有分支的成果

效果是报告深度明显提升，但代价是时间约 5 分钟，成本约 $0.4/次（使用 o3-mini 高推理模式）。

和 STORM^[4]（斯坦福开源的同类研究工具， 20K 星）相比， GPT Researcher 的优势在于用户交互和前端体验——它有一个可直接使用的 Web UI ，而 STORM 偏向 Python API 调用。

和 Open Deep Research^[5]（ LangChain 出品， 9K 星）相比， GPT Researcher 的搜索来源更广（支持 Tavily 、 Google 、 Bing 等多搜索引擎），且内置了 JavaScript 渲染的网页抓取——能抓动态加载的页面，不是只读静态 HTML 。

两个关键的坑

第一， API 费用不是零。 GPT Researcher 本身开源免费，但它依赖 LLM API （ OpenAI/DeepSeek 等）和搜索 API （ Tavily/Google ）。用 gpt-4o-mini 的话每次标准研究约 $0.01-0.02 ，用 o3-mini 深度研究约 $0.4 。如果你一天用 10 次深度研究，月费约 $120 。用本地模型跑可以省掉 LLM 费用，但推理速度和报告质量会打折扣。

第二，它不能完全替代人工判断。 GPT Researcher 对「事实性」问题效果好（如技术对比、产品参数），但对「观点性」问题（如行业趋势判断、竞争战略分析）只能提供素材，不能给洞察。而且，如果搜索结果被 SEO 内容污染（低质文章的聚合），报告的深度会受影响——它只能吃到网上已有的东西，没法创造新知识。

还有一个细节：它默认用的是 Tavily 搜索 API ， Tavily 免费额度是 1000 次/月。超过后要付费。如果你想要完全零成本的方案，可以考虑先用它搭起来，然后切换成 Bing Web Search API （ Azure 有免费额度）。

成本核算

最低门槛：你手里可能已经有了需要的服务器——它跑在 Docker 里，一台 2 核 4GB 的云服务器够用。 LLM API 你在其他工具里已经在用了，搜索 API （ Tavily ）有免费额度。所以从零到跑通，硬件成本 = 0 元。

不适合什么人和什么场景

如果你符合上面任何一条， GPT Researcher 可能不是最优方案。直接用搜索引擎可能更快。

但如果你需要频繁写调研报告、竞品分析、技术调研、行业趋势分析——这个工具能让你的研究效率提升 5-10 倍。

项目地址：https://github.com/assafelovic/gpt-researcher^[1]

参考链接

[1] GPT Researcher: https://github.com/assafelovic/gpt-researcher

[2] Plan-and-Solve: https://arxiv.org/abs/2305.04091

[3] RAG: https://arxiv.org/abs/2005.11401

[4] STORM: https://github.com/stanford-oval/storm

[5] Open Deep Research: https://github.com/langchain-ai/open_deep_research