gpt-researcher

🔎 GPT Researcher
GPT Researcher는 주어진 어떤 작업에 대해서도 웹과 로컬 리서치를 모두 수행하도록 설계된 최초의 오픈 딥 리서치 에이전트입니다.

이 에이전트는 인용이 포함된 상세하고 사실에 기반하며 편향되지 않은 리서치 보고서를 생성합니다. GPT Researcher는 맞춤형 도메인 특화 리서치 에이전트를 만들 수 있는 완전한 커스터마이징 옵션 제품군을 제공합니다. GPT Researcher는 RAG를 훨씬 뛰어넘습니다. 플래너와 실행 에이전트가 각 작업을 리서치 질문으로 분해하고, 의사결정 모델은 질문에 답하는 데 실제로 유용한 컨텍스트만 유지하며, 멀티 에이전트 워크플로가 계획부터 발행까지 전문화된 에이전트들을 조율하고, 재귀적 딥 리서치가 주제를 폭과 깊이 양면에서 탐구합니다. 리서치는 병렬로 실행되어 빠르고 안정적이며 신뢰할 수 있고, 잘못된 정보를 줄입니다.

우리의 미션은 AI를 통해 개인과 조직에 정확하고 편향되지 않으며 사실에 기반한 정보를 제공하는 것입니다.

GPT Researcher가 필요한 이유

수동 리서치의 객관적인 결론은 몇 주가 걸릴 수 있으며, 막대한 자원과 시간이 필요합니다.
구식 정보로 학습된 LLM은 환각을 일으킬 수 있어 현재의 리서치 작업에는 부적합합니다.
현재 LLM은 토큰 제한이 있어 긴 리서치 보고서를 생성하기에 불충분합니다.
기존 서비스의 제한된 웹 소스는 잘못된 정보와 얕은 결과로 이어집니다.
선별된 웹 소스는 리서치 작업에 편향을 도입할 수 있습니다.

데모

Claude Skill로 설치
GPT Researcher를 Claude Skill로 설치하여 Claude의 딥 리서치 역량을 확장하세요:

npx skills add assafelovic/gpt-researcher
설치가 완료되면 Claude는 대화 내에서 GPT Researcher의 딥 리서치 역량을 직접 활용할 수 있습니다.

아키텍처
핵심 아이디어는 '플래너'와 '실행' 에이전트를 활용하는 것입니다. 플래너는 리서치 질문을 생성하고, 실행 에이전트는 관련 정보를 수집합니다. 그런 다음 발행자가 모든 발견 사항을 종합하여 포괄적인 보고서로 만듭니다.

단계:

리서치 쿼리를 기반으로 작업 특화 에이전트를 생성합니다.
작업에 대한 객관적인 의견을 종합적으로 형성하는 질문들을 생성합니다.
각 질문에 대한 정보를 수집하기 위해 크롤러 에이전트를 사용합니다.
각 리소스를 요약하고 출처를 추적합니다.
요약을 필터링하고 집계하여 최종 리서치 보고서로 만듭니다.

튜토리얼

작동 방식
설치 방법
라이브 데모

기능

📝 웹과 로컬 문서를 사용하여 상세한 리서치 보고서를 생성합니다.
🖼️ 보고서를 위한 스마트 이미지 스크래핑 및 필터링.
🍌 시각적 일러스트를 위한 Google Gemini(Nano Banana)를 사용한 AI 생성 인라인 이미지.
📜 2,000단어를 초과하는 상세 보고서를 생성합니다.
🌐 객관적인 결론을 위해 20개 이상의 소스를 집계합니다.
🎯 Jev를 사용한 스마트 컨텍스트 필터링으로, 기본적으로 API 키나 임베딩이 필요하지 않습니다.
🖥️ 경량(HTML/CSS/JS) 및 프로덕션 준비(NextJS + Tailwind) 버전의 프론트엔드를 제공합니다.
🔍 JavaScript가 활성화된 웹 스크래핑.
📂 리서치 전반에 걸쳐 메모리와 컨텍스트를 유지합니다.
📄 보고서를 PDF, Word 및 기타 형식으로 내보냅니다.

📖 문서
다음을 위해 문서를 참조하세요:

설치 및 설정 가이드
구성 및 커스터마이징 옵션
How-To 예제
전체 API 레퍼런스

⚙️ 시작하기
설치

Python 3.12 이상을 설치하세요. 가이드 .

프로젝트를 클론하고 디렉터리로 이동합니다:

git clone https://github.com/assafelovic/gpt-researcher.git
cd gpt-researcher

API 키를 내보내거나 .env 파일에 저장하여 설정합니다.

export OPENAI_API_KEY={Your OpenAI API Key here}
export TAVILY_API_KEY={Your Tavily API Key here}
(선택 사항) 향상된 추적 및 관찰성을 위해 다음도 설정할 수 있습니다:

# export LANGCHAIN_TRACING_V2=true
# export LANGCHAIN_API_KEY={Your LangChain API Key here}
커스텀 OpenAI 호환 API(예: 로컬 모델, 다른 제공자)의 경우 다음도 설정할 수 있습니다:

export OPENAI_BASE_URL={Your custom API base URL here}

의존성을 설치하고 서버를 시작합니다:

pip install -r requirements.txt
python -m uvicorn main:app --reload

http://localhost:8000 을 방문하여 시작하세요.

다른 설정(예: Poetry 또는 가상 환경)은 시작하기 페이지를 확인하세요.

PIP 패키지로 실행
pip install gpt-researcher

사용 예시:
...
from gpt_researcher import GPTResearcher

query = "why is Nvidia stock going up?"
researcher = GPTResearcher ( query = query )
# Conduct research on the given query
research_result = await researcher . conduct_research ()
# Write the report
report = await researcher . write_report ()
...
더 많은 예시와 구성은 PIP 문서 페이지를 참조하세요.

🔧 MCP 클라이언트
GPT Researcher는 GitHub 저장소, 데이터베이스, 커스텀 API와 같은 전문화된 데이터 소스와 연결하기 위한 MCP 통합을 지원합니다. 이를 통해 웹 검색과 함께 데이터 소스로부터 리서치가 가능합니다.

export RETRIEVER=tavily,mcp # Enable hybrid web + MCP research
from gpt_researcher import GPTResearcher
import asyncio
import os

async def mcp_research_example ():
# Enable MCP with web search
os . environ [ "RETRIEVER" ] = "tavily,mcp"

researcher = GPTResearcher (
query = "What are the top open source web research agents?" ,
mcp_configs = [
{
"name" : "github" ,
"command" : "npx" ,
"args" : [ "-y" , "@modelcontextprotocol/server-github" ],
"env" : { "GITHUB_TOKEN" : os . getenv ( "GITHUB_TOKEN" )}
}
]
)

research_result = await researcher . conduct_research ()
report = await researcher . write_report ()
return report

포괄적인 MCP 문서와 고급 예시는 MCP 통합 가이드 를 방문하세요.

🍌 인라인 이미지 생성
GPT Researcher는 Google의 Gemini 모델(Nano Banana)을 사용하여 리서치 보고서에 AI가 생성한 일러스트를 자동으로 생성하고 삽입할 수 있습니다.

# Enable in your .env file
IMAGE_GENERATION_ENABLED=true
GOOGLE_API_KEY=your_google_api_key
IMAGE_GENERATION_MODEL=models/gemini-2.5-flash-image
활성화되면 시스템은:

리서치 컨텍스트를 분석하여 시각화 기회를 식별합니다
리서치 단계에서 관련 이미지 2-3개를 미리 생성합니다
보고서가 작성되는 동안 인라인으로 삽입합니다

이미지는 GPT Researcher UI와 일치하는 다크 모드 스타일로 생성되며, 틸 액센트가 있는 전문적인 인포그래픽 미학을 특징으로 합니다.

이미지 생성에 대해 문서에서 더 알아보세요.

✨ 딥 리서치
GPT Researcher는 이제 Deep Research를 포함합니다. 이는 에이전트적 깊이와 폭으로 주제를 탐구하는 고급 재귀적 리서치 워크플로입니다. 이 기능은 트리 형태의 탐구 패턴을 사용하여 리서치 주제에 대한 포괄적인 시각을 유지하면서 하위 주제로 더 깊이 들어갑니다.

🌳 구성 가능한 깊이와 폭을 가진 트리 형태 탐구
⚡️ 더 빠른 결과를 위한 동시 처리
🤝 리서치 분기 전반의 스마트 컨텍스트 관리
⏱️ 딥 리서치당 약 5분 소요
💰 리서치당 약 $0.4 비용("high" 추론 노력으로 o3-mini 사용)

딥 리서치에 대해 문서에서 더 알아보세요.

🎯 Jev를 사용한 스마트 컨텍스트 필터링
모든 리서치 실행은 수십 개의 페이지를 스크래핑하며, 각 페이지 중 일부만 질문에 답하는 데 도움이 됩니다. 어떤 것이 LLM에 도달하기 전에 GPT Researcher는 어떤 구절을 유지할지 결정합니다. 기본적으로 TypeSafe의 Jev를 사용하는데, 이는 단어나 임베딩이 얼마나 유사한지가 아니라 각 구절이 질문에 얼마나 유용한지를 점수화하는 모델입니다.

Jev의 컨텍스트는 동일한 비용으로 임베딩보다 59% 더 관련성이 높습니다(유지된 구절의 73%가 관련성 있음 vs 46%). 우리는 28개의 리서치 작업에서 모든 옵션을 벤치마킹했으며, 동일한 스크래핑 소스를 재생하여 필터만 변경했습니다:

컨텍스트 필터
유지된 관련 구절
임베딩 대비 직접 비교
필터 시간
보고서당 비용
필요 사항

Jev (기본값)
73%
15승 · 10무 · 3패
1.7s
$0.115
TYPESAFE_API_KEY

키워드 (폴백)
51%
14승 · 8무 · 6패
0.02s
$0.116
없음

임베딩
46%
—
1.0s
$0.117
임베딩 제공자

필터 없음
—
13승 · 11무 · 4패
—
$0.192
없음

보고서 작성은 어떤 필터를 사용하든 약 45초가 걸리므로, 실행의 총 시간은 필터 단계에 의해서만 변합니다. 모든 페이지를 필터링 없이 전달하면 개방형 질문에서 가장 광범위한 보고서를 작성하지만 65% 더 많은 비용이 듭니다.

아무것도 필요하지 않습니다. TYPESAFE_API_KEY 가 있으면 Jev가 사용됩니다. 키가 없거나 Jev 호출이 실패하면 GPT Researcher는 API 키, 모델 또는 임베딩 없이 로컬에서 실행되는 키워드(BM25) 순위로 폴백합니다. 임베딩은 옵션으로 계속 사용할 수 있습니다.

export TYPESAFE_API_KEY=... # use Jev (the default when a key is set)
export CONTEXT_FILTER=auto # auto | jev | keyword | embeddings | none
방법, 주의 사항 및 재현 방법은 컨텍스트 필터 문서와 전체 벤치마크를 참조하세요.

Docker로 실행

1단계 - Docker 설치

2단계 - '.env.example' 파일을 클론하고, 클론한 파일에 API 키를 추가한 후 '.env'로 저장합니다

3단계 - docker-compose 파일 내에서 Docker로 실행하고 싶지 않은 서비스를 주석 처리합니다.

docker-compose up --build
작동하지 않으면 대시 없이 실행해 보세요:

docker compose up --build

4단계 - 기본적으로 docker-compose 파일에서 아무것도 주석 해제하지 않았다면, 이 흐름은 2개의 프로세스를 시작합니다:

localhost:8000에서 실행되는 Python 서버

localhost:3000에서 실행되는 React 앱

아무 브라우저에서 localhost:3000을 방문하여 리서치를 즐기세요!

📄 로컬 문서 리서치
GPT Researcher에게 로컬 문서를 기반으로 리서치 작업을 실행하도록 지시할 수 있습니다. 현재 지원되는 파일 형식은 PDF, 일반 텍스트, CSV, Excel, Markdown, PowerPoint, Word 문서입니다.

1단계: 문서가 위치한 폴더를 가리키는 DOC_PATH 환경 변수를 추가합니다.

export DOC_PATH= " ./my-docs "
2단계:

localhost:8000에서 프론트엔드 앱을 실행 중이라면, "Report Source" 드롭다운 옵션에서 "My Documents"를 선택하기만 하면 됩니다.
PIP 패키지로 GPT Researcher를 실행 중이라면, GPTResearcher 클래스를 인스턴스화할 때 report_source 인자를 "local"로 전달하세요. 코드 샘플은 여기 .

🤖 MCP 서버
MCP 서버를 전용 저장소로 이동했습니다: gptr-mcp .

GPT Researcher MCP 서버는 Claude와 같은 AI 애플리케이션이 딥 리서치를 수행할 수 있게 합니다. LLM 앱이 MCP로 웹 검색 도구에 접근할 수 있지만, GPT Researcher MCP는 더 깊고 신뢰할 수 있는 리서치 결과를 제공합니다.

기능:

AI 어시스턴트를 위한 딥 리서치 역량
최적화된 컨텍스트 사용으로 더 높은 품질의 정보
LLM을 위한 더 나은 추론을 갖춘 포괄적인 결과
Claude Desktop 통합

자세한 설치 및 사용 지침은 공식 저장소를 방문하세요.

👪 멀티 에이전트 어시스턴트
AI가 프롬프트 엔지니어링과 RAG에서 멀티 에이전트 시스템으로 진화함에 따라, LangGraph와 AG2로 구축된 멀티 에이전트 어시스턴트를 소개하게 되어 기쁩니다.

멀티 에이전트 프레임워크를 사용하면 전문화된 기술을 가진 여러 에이전트를 활용하여 리서치 프로세스의 깊이와 품질을 크게 향상시킬 수 있습니다. 이 프로젝트는 AI 에이전트 팀이 계획부터 발행까지 주어진 주제에 대한 리서치를 수행하기 위해 어떻게 협력할 수 있는지 보여줍니다.

평균 실행은 PDF, Docx, Markdown과 같은 여러 형식으로 5-6페이지의 리서치 보고서를 생성합니다.

여기에서 확인하거나 LangGraph 및 AG2에 대한 자세한 정보는 문서를 참조하세요.

🔍 관찰성
GPT Researcher는 향상된 추적 및 관찰성을 위해 LangSmith를 지원하여 복잡한 멀티 에이전트 워크플로를 더 쉽게 디버깅하고 최적화할 수 있습니다.

추적을 활성화하려면:

다음 환경 변수를 설정합니다:
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=your_api_key
export LANGCHAIN_PROJECT= " gpt-researcher "

평소처럼 리서치 작업을 실행합니다. 모든 LangGraph 기반 에이전트 상호작용은 LangSmith 대시보드에서 자동으로 추적되고 시각화됩니다.

🖥️ 프론트엔드 애플리케이션
GPT-Researcher는 이제 사용자 경험을 개선하고 리서치 프로세스를 간소화하기 위한 향상된 프론트엔드를 제공합니다. 프론트엔드는 다음을 제공합니다:

리서치 쿼리 입력을 위한 직관적인 인터페이스
리서치 작업의 실시간 진행 상황 추적
리서치 결과의 대화형 표시
맞춤형 리서치 경험을 위한 커스터마이징 가능한 설정

두 가지 배포 옵션을 사용할 수 있습니다:

FastAPI가 제공하는 경량 정적 프론트엔드
고급 기능을 위한 풍부한 기능의 NextJS 애플리케이션

자세한 설정 지침 및 추가 정보는…