gpt-researcherGPT Researcher — 开源深度研究 Agent，planner + executor 双智能体架构， 并行抓取 20+ 来源，生成 2000+ 字带引用研究报告。支持 Deep Research 递归模式、 MCP Server 集成、本地文档研究。适用于投资分析、市场调研、技术咨询、学术综述。 Trigger keywords: deep research, 深度研究, GPT Researcher, 自动研究, 调研报告, 行业研究, 市场调研, 技术调研, 竞品分析, 投资分析, 学术综述, 文献调研, research report, 自动生成报告, 深度调研, gpt-researcher, 研究报告。
Independent GitHub snapshot · Automated classification · Original documentation governs
基于 GPT Researcher v3.5.1（28,000+ GitHub Stars），planner + executor 双 agent 架构的开源深度研究工具。并行抓取 20+ 来源，5 分钟生成 2000+ 字带引用研究报告。
用户提问 → Planner（拆解问题，生成研究方向）
↓
Executor（并行抓取 20+ 来源）
↓
Publisher（聚合、去重、引用，生成最终报告）
| Agent | 职责 |
|---|---|
| Planner | 拆解研究问题，生成一组研究方向/子问题 |
| Executor | 并行爬取每个子问题的相关资料（20+ 来源） |
| Publisher | 汇总、过滤、源追踪，聚合为最终研究报告 |
树形递归探索，可配置深度和广度：
pip install gpt-researcher
export OPENAI_API_KEY="sk-..."
export TAVILY_API_KEY="tvly-..."
可选：
export OPENAI_BASE_URL="http://your-custom-endpoint" # 自定义 LLM 端点
export RETRIEVER="tavily,duckduckgo" # 多检索器
export DOC_PATH="./my-docs" # 本地文档路径
所有研究报告必须输出到 D:\Projects\Dog\Dog-Research 目录，每次研究一个独立子文件夹。
D:\Projects\Dog\Dog-Research\
├── ai-agent-framework-comparison-2025\
│ ├── report.md # 研究报告正文
│ ├── report.pdf # PDF 版本（可选）
│ ├── report.docx # Word 版本（可选）
│ ├── sources.json # 来源列表
│ └── context.json # 研究上下文
├── llm-security-best-practices\
│ ├── report.md
│ └── ...
└── ...
"AI Agent 框架对比 2025" → ai-agent-framework-comparison-2025使用项目提供的 scripts/research.py 包装脚本，自动处理输出目录：
python scripts/research.py "什么是 LLM Agent 框架的最新进展" \
--report-type research_report \
--output-base "D:/Projects/Dog/Dog-Research"
import asyncio
from gpt_researcher import GPTResearcher
from pathlib import Path
import json
import re
async def deep_research(query: str, report_type: str = "research_report"):
# 创建输出目录
topic_slug = re.sub(r'[^a-z0-9]+', '-', query.lower().strip())[:60]
output_dir = Path("D:/Projects/Dog/Dog-Research") / topic_slug
output_dir.mkdir(parents=True, exist_ok=True)
researcher = GPTResearcher(
query=query,
report_type=report_type, # research_report | detailed_report | deep_research
report_source="web",
)
# 执行研究
research_result = await researcher.conduct_research()
# 生成报告
report = await researcher.write_report()
# 保存报告
(output_dir / "report.md").write_text(report, encoding="utf-8")
# 保存来源
sources = researcher.get_research_sources()
(output_dir / "sources.json").write_text(
json.dumps(sources, ensure_ascii=False, indent=2),
encoding="utf-8"
)
# 保存上下文
context = researcher.get_research_context()
(output_dir / "context.json").write_text(
json.dumps(context, ensure_ascii=False, indent=2),
encoding="utf-8"
)
print(f"✅ 研究报告已保存到: {output_dir}")
print(f" - report.md ({len(report)} 字符)")
print(f" - sources.json ({len(sources)} 个来源)")
return str(output_dir)
if __name__ == "__main__":
import sys
query = sys.argv[1] if len(sys.argv) > 1 else "Latest AI developments"
asyncio.run(deep_research(query))
git clone https://github.com/assafelovic/gptr-mcp.git
cd gptr-mcp
pip install -r requirements.txt
cp .env.example .env # 填入 API Keys
python server.py
MCP 工具：deep_research / quick_search / write_report / get_research_sources / get_research_context
| 类型 | 说明 | 适用场景 |
|---|---|---|
research_report | 综合分析 + 引用（默认） | 通用研究 |
detailed_report | 扩展深度报告 | 需要更详细分析 |
resource_report | 资源列表 + 链接 | 快速搜集资料 |
outline_report | 结构化大纲 | 研究前规划 |
deep_research | 递归树形探索 | 深度研究 |
支持将本地文档作为研究来源：
export DOC_PATH="./my-docs"
支持格式：PDF、Word、Excel、Markdown、PowerPoint、CSV、纯文本。
在 Python 中：report_source="local" 或 report_source="hybrid"（本地+网络）。
当用户提出研究类需求时，按以下流程执行：
scripts/research.py 或直接 Python APID:\Projects\Dog\Dog-Research/<topic-slug>/| 技能 | 定位 | 与本技能的关系 |
|---|---|---|
storm-research | Stanford STORM 方法论——用 4 个提示手动引导 Claude 深度研究 | 互补：STORM 是方法论框架，GPT Researcher 是自动化执行引擎 |
scientific-research | 科学研究助手——139 个科研技能 + 78 个数据库 | 不同场景：前者偏学术科研，本技能偏通用调研 |
last30days | 社交媒体舆情研究（Reddit/X/YouTube） | 不同来源：前者聚焦社交平台近期讨论，本技能聚焦全网深度信息 |
npx skills add assafelovic/gpt-researcher（Claude Code 官方 Skill）pip install gpt-researcher