---

name: gpt-researcher description: > GPT 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。 metadata: category: thinking source: https://github.com/assafelovic/gpt-researcher version: "3.5.1" license: Apache-2.0 stars: 28000

GPT Researcher — 开源深度研究 Agent

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。

架构

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

Deep Research 模式

树形递归探索，可配置深度和广度：

• 递归深入子问题，每层自动发现新的研究方向
• 并发处理不同研究分支
• 跨分支智能上下文管理
• 单次约 5 分钟，成本约 $0.40（o3-mini high 模式）

前置条件

• Python 3.11+
• OpenAI API Key — https://platform.openai.com/api-keys
• Tavily API Key — https://tavily.com/（免费额度可用）

pip install gpt-researcher

环境变量

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

输出目录规则（重要）

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
│   └── ...
└── ...

文件夹命名规则

• 使用英文小写 + 连字符
• 取研究主题的前 3-5 个关键词
• 示例："AI Agent 框架对比 2025" → ai-agent-framework-comparison-2025

使用方式

方式 1：Python 脚本（推荐）

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"

方式 2：直接 Python API

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))

方式 3：MCP Server（接入 Claude Desktop / Cursor）

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

报告类型

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

本地文档研究

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）。

工作流指南

当用户提出研究类需求时，按以下流程执行：

1. 需求澄清

• 确认研究主题和范围
• 确定报告类型（快速概览 vs 深度研究）
• 确认是否需要本地文档作为来源

2. 执行研究

• 使用 scripts/research.py 或直接 Python API
• 报告自动保存到 D:\Projects\Dog\Dog-Research/<topic-slug>/

3. 结果呈现

• 告知用户报告保存位置
• 提供核心发现的摘要
• 列出关键来源

触发示例

• "帮我做一份 LLM Agent 框架的深度调研报告"
• "调研 2025 年 AI 安全最佳实践"
• "对比分析 LangChain vs LlamaIndex vs Haystack"
• "做一份新能源汽车行业的投资分析报告"
• "帮我调研 RAG 技术的最新进展，输出研究报告"
• "Deep research on quantum computing breakthroughs in 2025"
• "用 GPT Researcher 做市场调研：企业级 AI 助手赛道"
• "快速研究一下 WebAssembly 在边缘计算的應用"

与其他研究技能的关系

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

参考

• GitHub: https://github.com/assafelovic/gpt-researcher
• 文档: https://docs.gptr.dev
• MCP Server: https://github.com/assafelovic/gptr-mcp
• 安装: npx skills add assafelovic/gpt-researcher（Claude Code 官方 Skill）
• PIP: pip install gpt-researcher