GPT Researcher

Introdução

GPT Researcher é um agente de pesquisa autônomo de código aberto que recebe uma pergunta, planeja um conjunto de subperguntas de pesquisa, coleta informações de várias fontes simultaneamente e, em seguida, escreve um relatório longo com citações inline. Ele resolve uma limitação comum dos grandes modelos de linguagem: responder perguntas complexas com respostas rasas, de passagem única, e sem fontes verificáveis. Ao encadear planejamento, recuperação em paralelo, filtragem de contexto e redação de relatórios, o GPT Researcher produz documentos fundamentados, nos quais cada afirmação pode ser rastreada até uma fonte.

O projeto é de código aberto desde 2023 e licenciado sob MIT, disponível como pacote Python no PyPI, como servidor self-hosted, como imagem Docker e como servidor Model Context Protocol (MCP) para integração com ferramentas como Claude Desktop, Cursor e n8n. É desenvolvido por uma comunidade de pesquisadores e engenheiros, liderada pelo criador Assaf Elovic, e já foi citado em vários artigos acadêmicos, incluindo o estudo de benchmark DeepResearchGym da Carnegie Mellon University.

Principais Recursos

• Planejamento de pesquisa em paralelo: Um planejador divide uma pergunta em várias subperguntas de pesquisa e executa um pesquisador para cada uma ao mesmo tempo, em vez de fazer uma única passagem sequencial.
• Mais de 20 recuperadores e qualquer LLM: Funciona com provedores de busca como Tavily, Google, Bing, Exa, arXiv, PubMed e DuckDuckGo, e conecta-se a qualquer LLM, incluindo OpenAI, Anthropic, Groq, DeepSeek e modelos locais via Ollama.
• Pesquisa em documentos locais e híbridos: Os usuários podem pesquisar em seus próprios arquivos e documentos internos, ou combinar fontes locais e da web em uma única execução de pesquisa.
• Filtragem de contexto: A filtragem baseada em Jev, BM25 ou embeddings mantém apenas os trechos relevantes para a pergunta antes que o conteúdo chegue ao LLM, reduzindo ruído e custo.
• Relatórios longos e exportação flexível: Gera relatórios que ultrapassam os limites típicos de tokens dos LLMs (mais de 2.000 palavras) e exporta para Markdown, PDF, Word, JSON, CSV e outros formatos.
• Modo de pesquisa profunda (deep research): As descobertas geram perguntas de acompanhamento, de modo que uma execução explora uma árvore de subtemas em profundidade configurável, em vez de parar após uma única passagem.
• Suporte a MCP e multiagentes: O servidor gptr-mcp expõe ferramentas como deep_research, quick_search e write_report para Claude, ChatGPT, Cursor e n8n, e o agente pode integrar-se a equipes de agentes colaborativos.

Destaques

• Preços: Gratuito sob a Licença MIT; os usuários hospedam o GPT Researcher por conta própria e pagam apenas pelos seus próprios provedores de LLM e APIs de busca. A página de preços do projeto observa que uma execução típica de pesquisa profunda, com as configurações padrão de OpenAI mais Tavily, custa de alguns centavos a alguns dólares em consumo dos provedores.
• Resultados de benchmark: O GPT Researcher ficou em primeiro lugar no benchmark DeepResearchGym da Carnegie Mellon (maio de 2025), alcançando a maior pontuação entre os sistemas avaliados em qualidade de citações, qualidade do relatório e cobertura de informações.
• Requisitos: Python 3.11 ou superior, além de pelo menos uma chave de API de LLM e uma chave de API de busca; opções de busca gratuitas como DuckDuckGo e SearXNG são suportadas.
• Compensação de velocidade: Execuções de pesquisa profunda normalmente levam de 30 a 60 segundos por consulta — o custo de obter resultados fundamentados e multifonte.

Para Quem É

O GPT Researcher é ideal para analistas, consultores e investidores que precisam de dossiês de due diligence com fontes e pesquisas de mercado, bem como para acadêmicos que realizam revisões de literatura. Profissionais de marketing de conteúdo e jornalistas podem usá-lo para produzir pesquisa de pano de fundo com citações verificáveis, enquanto desenvolvedores podem incorporá-lo como uma subferramenta de pesquisa dentro de agentes, IDEs e fluxos de trabalho automatizados por meio de seu servidor MCP e API. Organizações que precisam manter seus dados em sua própria infraestrutura podem combinar LLMs locais com coleções privadas de documentos.