Gratuito É a Pergunta Errada
Deep research open source não é uma versão mais barata do ChatGPT ou do Google. É uma categoria de produto diferente: uma capacidade montada em vez de um botão de assinatura.
Olhe primeiro para o lado pago. O ChatGPT Deep Research oferece aos usuários gratuitos cinco consultas por mês, aos usuários Plus 25, e apenas o plano Pro de US$ 200 por mês libera 250. O deep research do Google vive dentro do Gemini Advanced e Ultra, com limites de cota no plano gratuito. Esses produtos empacotam todo o pipeline de pesquisa em uma caixa preta, e você paga pelo pacote inteiro mesmo quando usa apenas uma fatia.
O open source inverte essa lógica. O software é gratuito; o que você paga é o uso medido de API (modelo mais busca) e o seu próprio tempo de configuração. Nada é de um clique, mas tudo é substituível: o planejador, a camada de busca, o modelo, até as fontes de dados.
Então a pergunta certa não é “qual é gratuito”. É: você precisa de um resultado de um clique, ou de uma capacidade de pesquisa que você possa integrar a um fluxo de trabalho?
O Cenário Open Source: Quatro Caminhos para Um Objetivo
No último ano, a comunidade decomposing deep research em pelo menos quatro caminhos open source reproduzíveis.
GPT Researcher é o mais maduro. Ele roda um pipeline planejador-executores-publicador: divide seu prompt em subperguntas, rastreia e resume fontes em paralelo e, então, monta um relatório longo e com citações. Ele traz um modo de deep research em estilo de árvore — cerca de cinco minutos e aproximadamente US$ 0,40 por execução no o3-mini com esforço de raciocínio alto. Na avaliação DeepResearchGym da Carnegie Mellon com 1.000 consultas complexas, ficou em primeiro lugar sobre Perplexity, OpenAI e Hugging Face em qualidade de citações, qualidade do relatório e cobertura.
Hugging Face Open Deep Research segue a abordagem oposta: o CodeAgent do smolagents transforma ações em código em vez de chamadas de função, mais próximo de um pesquisador de verdade clicando em um navegador. Sua vantagem é o baixo atrito — uma demo pública no Hugging Face Spaces roda apenas com uma chave de API e sem assinatura.
LangChain Open Deep Research é construído sobre LangGraph e vence em personalizabilidade: traga suas próprias fontes de dados, troque qualquer LLM, conecte servidores MCP. Se você quer deep research embutido em um produto de agentes existente, este é o caminho mais suave.
Por fim, há o grupo local-first: Ollama Deep Researcher, Zilliz DeepSearcher e Feynman rodam na sua máquina, então os documentos nunca saem dela. O custo é a configuração e o gerenciamento de modelos por sua conta.
Entre esses caminhos, a diferença real nunca é “consegue replicar o deep research”. É como três camadas são montadas: a camada de busca, a camada de modelo e a camada de execução (chamadas de função versus ações em código). Os produtos pagos mantêm as três como caixa preta; o open source permite trocar cada uma.
Um Framework de Escolha: Resultados, Controle ou Privacidade
Listar ferramentas torna a escolha mais difícil, não mais fácil. Colapse tudo em um framework de três polos: o que importa mais para você — resultados, controle ou privacidade?
Apenas resultados — pesquisa pontual de marketing, análise de concorrentes, verificação de fatos. Rode a demo do Open Deep Research no Hugging Face Spaces, ou o GPT Researcher com um start de um comando no Docker. Digite a pergunta, espere o relatório, pague centavos por execução.
Controle e integração — você quer a pesquisa integrada a um fluxo de trabalho de equipe ou a um produto. Escolha o servidor MCP do GPT Researcher (conecta direto em agentes de nível Claude) ou o LangChain Open Deep Research, e torne a pesquisa uma etapa de um pipeline. Para adicionar busca ao vivo, nosso artigo irmão sobre adicionar busca web ao vivo ao DeepSeek Harness mostra um caminho de dois comandos.
Privacidade e offline — documentos internos, ambientes com forte exigência de compliance. Implante o Ollama Deep Researcher ou o DeepSearcher localmente; dados e modelos nunca saem da rede.
O framework funciona porque traduz “qual ferramenta” em “qual restrição”. Ferramentas ficam ultrapassadas; restrições não.
A Matemática Real do Custo: Centavos por Execução vs. US$ 200 por Mês
O segundo mito é que open source significa custo zero. Significa custo zero em exatamente uma linha: a licença.
Aqui está a estrutura honesta. O GPT Researcher documenta cerca de US$ 0,40 por execução no o3-mini; o Hugging Face Open Deep Research cobra pelo modelo de API que você conectar; as opções locais custam sua GPU, energia e tempo. Contra os US$ 200 por mês do ChatGPT Pro por 250 consultas de deep research, uma equipe que roda de 30 a 50 por mês pode gastar de US$ 12 a US$ 20 em API medida — uma ordem de grandeza a menos. Usuários intensos, porém, precisam vigiar a conta de tokens por conta própria.
Três custos ocultos nunca aparecem no preço de destaque. Um é a configuração e o debug de chaves de API. Dois é a manutenção: atualizações de modelos, upgrades de dependências. Três é que uma stack montada por você precisa de uma camada de busca própria — que é exatamente por que plugins da comunidade importam; o padrão do DeepSeek Harness com AnySearch é, no fundo, uma forma aberta de também ser dono dessa camada.
A matemática se resolve em uma regra simples: volume baixo e sensível a custo, vá de open source por execução; volume alto e sensível a tempo, mantenha a assinatura; sujeito a compliance, vá de local.
O Que Fazer: Onboarding para Três Tipos de Pessoas
Termine com ações — três caminhos concretos por perfil.
Marketing e pesquisa, não técnicos: valide primeiro com a demo do Hugging Face Spaces, nada para instalar. Quando funcionar, faça a equipe subir uma instância do GPT Researcher em Docker. Não comece pela CLI.
Desenvolvedores e times de produto: trate a pesquisa como um módulo, não um destino. Integre via GPT Researcher MCP ou LangChain Open Deep Research; adicione uma camada de busca ao vivo com o truque de dois comandos do AnySearch; no lado do raciocínio, combine com um agente leve como o Reasonix para DeepSeek, e experimente o DeepTeam para cenários de colaboração em equipe.
Times limitados por compliance e privacidade: implante o Ollama Deep Researcher ou o DeepSearcher localmente para que dados e modelos fiquem dentro da rede; valide a qualidade das citações em um pequeno dataset antes de ir para produção.
Uma frase para guardar: deep research está virando infraestrutura, e o ponto do open source não são os US$ 200 que você economiza — é ser dono da capacidade. Resultados, controle e privacidade: garanta pelo menos um antes de discutir sobre gratuidade.
