Was ist GPT Researcher?
GPT Researcher, im Mai 2023 von Assaf Elovic gestartet, ist ein Open-Source-Rechercheagent. Ein Planer zerlegt die Frage in Recherchefragen, und Ausführungsagenten suchen, scrapen und fassen für jede davon Quellen zusammen. Ein Publisher schreibt dann einen Bericht mit Quellenangaben, oft über 2.000 Wörter, exportiert als Markdown, PDF oder Word. Es läuft als FastAPI-Server mit NextJS-Frontend, als Docker-Compose-Stack oder als Python-Paket gpt-researcher. Lokale Dokumente (PDF, Word, Excel, PowerPoint, CSV, Markdown, Text) können Webquellen ersetzen oder ergänzen, und MCP-Server lassen sich als Retriever hinzufügen.
Das Repo hat rund 30.400 GitHub-Sterne. GitHub führt es als Apache-2.0, die Metadaten des PyPI-Pakets nennen jedoch MIT. v3.7.0 erschien am 26. September 2026 zusammen mit PyPI 0.16.1, das in den letzten sieben Tagen rund 6.700 Downloads hatte. Der Standard-Stack braucht einen OpenAI-Schlüssel und einen Tavily-Suchschlüssel; jeder OpenAI-kompatible Endpunkt kann OpenAI ersetzen. Der MCP-Server des Projekts liegt inzwischen separat in assafelovic/gptr-mcp.
Lohnt sich GPT Researcher?
GPT Researcher ist die etablierteste offene Alternative zu den Deep-Research-Modi von ChatGPT, Gemini und Perplexity und diejenige, die am häufigsten in andere Produkte eingebettet wird. Sein Wert liegt in der Pipeline, nicht in der Oberfläche: Fragenplanung, paralleles Scraping, Zusammenfassungen pro Quelle mit Quellenverfolgung und ein langer Bericht mit Quellenangaben. All das lässt sich mit drei Zeilen Python aufrufen. Ein rekursiver Deep-Research-Modus erkundet Unterthemen als Baum. Das README nennt dafür etwa fünf Minuten und etwa 0,40 $ pro Lauf mit o3-mini bei hohem Reasoning-Aufwand.
Die Kosten sind niedrig, aber die Zahlen stammen vom Projekt selbst. Der Kontextfilter-Benchmark im README, von den Maintainern auf 28 Rechercheaufgaben ausgeführt, beziffert einen Standardbericht auf etwa 0,115 $ mit Filterung und 0,192 $ ohne. Der Standardfilter ist Jev, ein gehostetes Bewertungsmodell von TypeSafe, das einen TYPESAFE_API_KEY braucht. Ohne ihn greift es auf lokales BM25-Keyword-Ranking zurück, es ist also nichts zusätzlich nötig, aber die herausgestellte Relevanzzahl (73% der behaltenen Passagen relevant gegenüber 46% mit Embeddings) gilt nur für die kostenpflichtige Option.
Im Auslieferungszustand ist es weniger eigenständig, als es aussieht. Der Quick Start verlangt OPENAI_API_KEY und TAVILY_API_KEY, jede Anfrage geht also an zwei Drittanbieter. Vollständig lokale Recherche erfordert zusätzliche Konfiguration der Retriever und eines OpenAI-kompatiblen Modellservers. Das README sagt außerdem oft „unbiased“. Sein eigener Haftungsausschluss ist bescheidener: Es scrapt viele Seiten und bevorzugt die häufigsten Informationen, was manche Fehler verringert und verbreitete wiederholt.
Es wird aktiv gepflegt, mit Releases durch 2026 hindurch und ohne veröffentlichte Security Advisories. Seine Hauptkonkurrenz sind inzwischen die in kommerzielle Assistenten eingebauten Deep-Research-Funktionen, die keine Einrichtung brauchen. GPT Researcher gewinnt, wenn der Bericht in deiner eigenen Anwendung entstehen soll, über deine eigenen Dokumente oder mit einem Modell deiner Wahl.
Wo es sich lohnt
Ein Produktentwickler bei einem B2B-Start-up für Marktanalysen
Auf Abruf in der App ein Wettbewerber-Briefing mit Quellen erzeugen
pip install gpt-researcher, conduct_research() und write_report() aus einem Worker aufrufen und das Markdown speichern. Bei den laut README rund 0,12 $ pro Bericht kosten 1.000 Briefings im Monat etwa 120 $ an Modellaufrufen plus Tavily-Suchgebühren.
Eine Politikanalystin in einem Thinktank mit einem Ordner voller PDFs und Konsultationspapiere
Eine Zusammenfassung mit Quellenangaben schreiben, was die Dokumente zu einer Frage sagen
DOC_PATH auf den Ordner setzen und local als Berichtsquelle wählen, damit der Agent die Dateien statt des Webs recherchiert. OPENAI_BASE_URL auf einen lokalen Modellserver richten, wenn die Dokumente das Haus nicht verlassen dürfen.
Ein selbstständiger Berater, der einen Kundenworkshop vorbereitet
Bis morgen ein fünf- bis sechsseitiges Briefing zu einer unbekannten Branche bekommen
Den Docker-Compose-Stack starten und im Browser den Deep-Research-Modus nutzen; laut README dauert ein Lauf etwa fünf Minuten und kostet 0,40 $ mit o3-mini. Prüfe die Quellenangaben, bevor du zitierst, da die Quellen automatisch gescrapt werden.
Bevor du dich festlegst
- Einrichtung
- pip install gpt-researcher unter Python 3.12+, oder klonen und docker compose up --build ausführen, für die API auf Port 8000 und die React-App auf Port 3000. Vorher OPENAI_API_KEY und TAVILY_API_KEY setzen. Minuten bis zum ersten Bericht.
- Integrationen
- OpenAI-kompatible LLM-Endpunkte, Tavily und andere Retriever, MCP-Server als Retriever, Multi-Agent-Workflows mit LangGraph und AG2, Tracing mit LangSmith, Bilderzeugung mit Gemini und ein MCP-Server im separaten Repo gptr-mcp.
- Daten und Datenschutz
- Anfragen gehen an deinen LLM-Anbieter und die Such-API, Seiten werden direkt gescrapt. Kontextfilterung geht nur an TypeSafe, wenn TYPESAFE_API_KEY gesetzt ist. Lokale Dokumente bleiben lokal, sofern sie nicht an ein gehostetes Modell gehen. Das README beschreibt keine Telemetrie, und auf GitHub sind keine Security Advisories veröffentlicht.
- Kosten im großen Maßstab
- Keine kostenpflichtige Edition. Laut dem eigenen Benchmark im README kostet ein Standardbericht etwa 0,115 $ mit Filterung und 0,192 $ ohne; Deep Research kostet etwa 0,40 $ pro Lauf mit o3-mini bei hohem Aufwand. Gebühren der Such-API kommen dazu.
- Grenzen
- Die Berichtsqualität hängt davon ab, was die Suche liefert und was sich sauber scrapen lässt. Nur Python 3.12+. Die Benchmark-Werte sind Eigenangaben auf 28 Aufgaben.
Was gut ist
- Python-Paket mit einer Recherche-und-Bericht-API in drei Zeilen
- Web, lokale Dokumente und MCP-Quellen in einem Lauf
- Niedrige Kosten pro Bericht laut eigenem Benchmark
- Regelmäßige Releases; keine Security Advisories veröffentlicht
Was nicht
- Die Standardeinrichtung braucht Schlüssel für OpenAI und Tavily
- Der beste Kontextfilter ist eine kostenpflichtige Drittanbieter-API
- Lizenz weicht zwischen GitHub (Apache-2.0) und PyPI (MIT) ab
- Häufigkeitsbasierte Quellenwahl kann verbreitete Fehler wiederholen
Am besten für
Entwickler, die Recherche oder Berichtserstellung in ihr eigenes Produkt einbauen, und Analysten, die Deep Research über ihre eigenen Dokumente mit einem Modell ihrer Wahl wollen.
Alternativen zu GPT Researcher
GPT Researcher: häufige Fragen
- Lohnt sich GPT Researcher?
- Der offene Deep-Research-Agent mit der längsten Erfolgsbilanz, günstig pro Bericht und leicht einzubetten, wenn du akzeptierst, dass sein Standard-Stack auf zwei kostenpflichtigen APIs läuft. Wir bewerten es mit 4.1 von 5.
- Was kostet GPT Researcher?
- Kostenlos und Open Source (Apache-2.0 auf GitHub). Du bezahlst die LLM- und Such-APIs, die es aufruft.
- Welche Nachteile hat GPT Researcher?
- Die Standardeinrichtung braucht Schlüssel für OpenAI und Tavily; Der beste Kontextfilter ist eine kostenpflichtige Drittanbieter-API; Lizenz weicht zwischen GitHub (Apache-2.0) und PyPI (MIT) ab; Häufigkeitsbasierte Quellenwahl kann verbreitete Fehler wiederholen.
- Für wen eignet sich GPT Researcher?
- Entwickler, die Recherche oder Berichtserstellung in ihr eigenes Produkt einbauen, und Analysten, die Deep Research über ihre eigenen Dokumente mit einem Modell ihrer Wahl wollen.
- Was kostet GPT Researcher für ein Team oder im Produktivbetrieb?
- Keine kostenpflichtige Edition. Laut dem eigenen Benchmark im README kostet ein Standardbericht etwa 0,115 $ mit Filterung und 0,192 $ ohne; Deep Research kostet etwa 0,40 $ pro Lauf mit o3-mini bei hohem Aufwand. Gebühren der Such-API kommen dazu.
- Ist GPT Researcher sicher für Firmendaten?
- Anfragen gehen an deinen LLM-Anbieter und die Such-API, Seiten werden direkt gescrapt. Kontextfilterung geht nur an TypeSafe, wenn TYPESAFE_API_KEY gesetzt ist. Lokale Dokumente bleiben lokal, sofern sie nicht an ein gehostetes Modell gehen. Das README beschreibt keine Telemetrie, und auf GitHub sind keine Security Advisories veröffentlicht.
- Was sind die besten Alternativen zu GPT Researcher?
- Die nächsten Alternativen, die wir getestet haben, sind smolagents, LangGraph, CrewAI und notebooklm-py.
Antworten geprüft am 31. Okt. 2026.