GPT Researcher 实战指南3 个场景跑通自动调研附 3 个常见坑【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcherGPT Researcher 是一个开源的自动调研 agent给它一句问题它自己拆任务、并行搜集网页、汇总成带引用的完整研究报告你只管看结果。它到底帮你解决什么问题手工调研很慢。搜资料、读原文、做摘要、排引用一套下来按天算。LLM 直接问答有个老毛病训练语料有截止日期。问最近半年的事它容易一本正经地编。报告写不长也写不透。单次生成长文token 装不下、来源又太单一结论往往偏科。GPT Researcher 的思路是别让一个模型硬扛先把问题拆成子问题多路并行抓资料最后再汇总成文。速度、来源数量、引用可靠性都靠分工解决。五分钟跑通第一个调研装包然后配好密钥pip install gpt-researcherexport OPENAI_API_KEYsk-...注意默认检索器是 Tavily还要配TAVILY_API_KEY不想再多申请一个 key可以把检索器换成 DuckDuckGo见下文。最小可运行脚本五行核心代码from gpt_researcher import GPTResearcher import asyncio async def main(): r GPTResearcher(What are the latest LLM agent trends?, research_report) await r.conduct_research() print(await r.write_report()) asyncio.run(main())跑完拿到的是一份带引用的 markdown 报告。report_type还可以换成resource_report、detailed_report等控制报告形态。拆开看它内部怎么运转把它想象成一个临时拼的研究小组。一个planner规划者负责把你的问题拆成一组子问题多个 worker 各自带着自己的子问题去搜索、抓网页、写摘要互相不排队最后由 publisher 汇总所有素材过滤、去重、排引用产出终稿。代码里这条分工在 multi_agents/agents/ 下能看得更细researcher 管搜、writer 管写、reviewer 管审由 LangGraph 串起来跑所有可调参数集中在一个文件里gpt_researcher/config/variables/default.py。搜索用哪家RETRIEVER、规划/摘要/写作各用哪个模型STRATEGIC_LLM/FAST_LLM/SMART_LLM、并发抓多少个网页MAX_SCRAPER_WORKERS改这里就够了。三个实际用过的场景场景一市场趋势摸底。想快速了解一个方向用默认的research_report就行报告篇幅由配置里的TOTAL_WORDS控制默认 1200 词左右嫌长就调小不用改代码r GPTResearcher(AI 医疗影像赛道 2026 年动态, research_report)场景二只信特定来源的学术综述。综述论文最怕被营销内容带偏。query_domains参数能把搜索圈定在指定域名内下面的例子只会从 arxiv 上找资料GPTResearcher( LLM hallucination benchmarks 2025, detailed_report, query_domains[arxiv.org] )场景三本地文档 网络混合调研。资料不全在网上时把本地目录指给它。在.env或初始化配置里把DOC_PATH指向你的文档目录如./my-docsREPORT_SOURCE保持webagent 会优先用本地资料、缺的部分用网络补踩过的坑和调优经验现象搜索直接报错或结果为空。原因默认检索器 Tavily 需要单独的TAVILY_API_KEY没配就会在搜索这一步挂掉。 解决配 key或者在配置里改成RETRIEVER: duckduckgo零外部依赖。现象一份报告要等很久、token 花得不少。原因规划用的是推理模型STRATEGIC_LLM每轮都要想抓取默认 15 个 worker 并发子问题默认 3 个。 解决按需压低REASONING_EFFORT、MAX_ITERATIONS、MAX_SUBTOPICS深度和成本自己权衡。现象在普通同步代码里直接await报语法或运行错误。原因conduct_research和write_report都是异步方法。 解决入口用asyncio.run()包一层notebook 里先nest_asyncio.apply()参考 docs/docs/examples/pip-run.ipynb。想深入的话看这里docs/docs/官方文档目录安装、配置、检索器选择都在里面docs/docs/examples/可运行的示例代码含 notebookdocs/docs/reference/配置项与单例机制的参考multi_agents/LangGraph 多 agent 编排的源码先跑通第一篇报告再按需要去动检索器和 LLM 配置顺序别反过来。【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcher创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
