¿Qué es GPT Researcher?
GPT Researcher, iniciado por Assaf Elovic en mayo de 2023, es un agente de investigación de código abierto. Un planificador divide la pregunta en preguntas de investigación y unos agentes de ejecución buscan, extraen y resumen fuentes para cada una. Después, un redactor escribe un informe con citas, a menudo de más de 2.000 palabras, exportado a Markdown, PDF o Word. Funciona como servidor FastAPI con un front end NextJS, como stack de Docker Compose o como el paquete de Python gpt-researcher. Los documentos locales (PDF, Word, Excel, PowerPoint, CSV, Markdown, texto) pueden sustituir o complementar a las fuentes web, y se pueden añadir servidores MCP como recuperadores.
El repositorio tiene unas 30.400 estrellas en GitHub. GitHub lo indica como Apache-2.0, aunque los metadatos del paquete en PyPI dicen MIT. La v3.7.0 se publicó el 26 de septiembre de 2026 junto con PyPI 0.16.1, que tuvo unas 6.700 descargas en los últimos siete días. El stack por defecto necesita una clave de OpenAI y una clave de búsqueda de Tavily; cualquier endpoint compatible con OpenAI puede sustituir a OpenAI. El servidor MCP del proyecto está ahora aparte, en assafelovic/gptr-mcp.
¿Merece la pena GPT Researcher?
GPT Researcher es la alternativa abierta más consolidada a los modos de investigación profunda de ChatGPT, Gemini y Perplexity, y la que más a menudo se integra en otros productos. Su valor está en el proceso más que en la interfaz: planificación de preguntas, extracción en paralelo, resúmenes por fuente con seguimiento de las fuentes y un informe largo con citas. Todo eso se puede llamar con tres líneas de Python. Un modo recursivo, Deep Research, explora subtemas en árbol. El README lo sitúa en unos cinco minutos y unos $0.40 por ejecución con o3-mini y esfuerzo de razonamiento alto.
Los costes son bajos, pero las cifras son del propio proyecto. El benchmark del filtro de contexto del README, ejecutado por los mantenedores sobre 28 tareas de investigación, sitúa un informe estándar en unos $0.115 con filtrado y $0.192 sin él. El filtro por defecto es Jev, un modelo de puntuación alojado de TypeSafe que necesita una TYPESAFE_API_KEY. Sin ella, recurre a una clasificación local por palabras clave BM25, así que no hace falta nada más, pero la cifra destacada de relevancia (73% de los pasajes conservados son relevantes, frente al 46% con embeddings) solo se aplica a la opción de pago.
Tal como viene, es menos autosuficiente de lo que parece. El quick start pide OPENAI_API_KEY y TAVILY_API_KEY, lo que significa que cada consulta va a dos terceros. Una investigación totalmente local exige configurar aparte los recuperadores y un servidor de modelos compatible con OpenAI. El README también repite mucho «unbiased». Su propio descargo de responsabilidad es más modesto: extrae muchos sitios y favorece la información más frecuente, lo que reduce algunos errores y repite los más extendidos.
Tiene mantenimiento activo, con versiones a lo largo de 2026 y sin avisos de seguridad publicados. Su principal competencia son ahora las funciones de investigación profunda integradas en los asistentes comerciales, que no necesitan configuración. GPT Researcher gana cuando necesitas que el informe se genere dentro de tu propia aplicación, sobre tus propios documentos o con un modelo que tú eliges.
Dónde se gana su sitio
Un ingeniero de producto en una startup B2B de inteligencia de mercado
Generar bajo demanda, dentro de la app, un informe de competidores con fuentes
pip install gpt-researcher, llama a conduct_research() y write_report() desde un worker y guarda el Markdown. A los cerca de $0.12 por informe del README, 1.000 informes al mes cuestan unos $120 en llamadas al modelo más las tarifas de búsqueda de Tavily.
Una analista de políticas públicas en un think tank con una carpeta de PDF y documentos de consulta
Redactar un resumen con citas de lo que dicen los documentos sobre una pregunta
Define DOC_PATH con la carpeta y elige local como fuente del informe, para que el agente investigue los archivos en lugar de la web. Apunta OPENAI_BASE_URL a un servidor de modelos local si los documentos no pueden salir del edificio.
Un consultor independiente que prepara un taller con un cliente
Conseguir para mañana un informe de cinco o seis páginas sobre un sector desconocido
Ejecuta el stack de Docker Compose y usa el modo Deep Research en la interfaz del navegador; el README sitúa una ejecución en unos cinco minutos y $0.40 con o3-mini. Comprueba las citas antes de citarlas, porque las fuentes se extraen automáticamente.
Antes de decidirte
- Puesta en marcha
- pip install gpt-researcher en Python 3.12+, o clona y ejecuta docker compose up --build para la API en el puerto 8000 y la app React en el puerto 3000. Define antes OPENAI_API_KEY y TAVILY_API_KEY. Minutos hasta el primer informe.
- Integraciones
- Endpoints de LLM compatibles con OpenAI, Tavily y otros recuperadores, servidores MCP como recuperadores, flujos multiagente con LangGraph y AG2, trazas con LangSmith, generación de imágenes con Gemini y un servidor MCP en el repositorio aparte gptr-mcp.
- Datos y privacidad
- Las consultas van a tu proveedor de LLM y a la API de búsqueda, y las páginas se extraen directamente. El filtrado de contexto va a TypeSafe solo si se define TYPESAFE_API_KEY. Los documentos locales se quedan en local salvo que se envíen a un modelo alojado. El README no describe telemetría y no hay avisos de seguridad publicados en GitHub.
- Coste a escala
- Sin edición de pago. Según el propio benchmark del README, un informe estándar cuesta unos $0.115 con filtrado y $0.192 sin él; Deep Research cuesta unos $0.40 por ejecución con o3-mini y esfuerzo alto. Las tarifas de la API de búsqueda van aparte.
- Límites
- La calidad del informe depende de lo que devuelva la búsqueda y de lo que se extraiga limpiamente. Solo Python 3.12+. Las cifras del benchmark son declaradas por el proyecto sobre 28 tareas.
Lo bueno
- Paquete de Python con una API de investigación e informe de tres líneas
- Web, documentos locales y fuentes MCP en una sola ejecución
- Bajo coste por informe según su propio benchmark
- Versiones regulares; sin avisos de seguridad publicados
Lo malo
- La configuración por defecto necesita claves de OpenAI y Tavily
- El mejor filtro de contexto es una API de pago de un tercero
- La licencia difiere entre GitHub (Apache-2.0) y PyPI (MIT)
- Elegir fuentes por frecuencia puede repetir errores extendidos
Ideal para
Desarrolladores que integran investigación o generación de informes en su propio producto, y analistas que quieren investigación profunda sobre sus propios documentos con un modelo que eligen.
Alternativas a GPT Researcher
GPT Researcher: preguntas frecuentes
- ¿Merece la pena GPT Researcher?
- El agente abierto de investigación profunda con más trayectoria, barato por informe y fácil de integrar, si aceptas que su stack por defecto funciona con dos API de pago. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta GPT Researcher?
- Gratuito y de código abierto (Apache-2.0 en GitHub). Pagas las API de LLM y de búsqueda a las que llama.
- ¿Qué inconvenientes tiene GPT Researcher?
- La configuración por defecto necesita claves de OpenAI y Tavily; el mejor filtro de contexto es una API de pago de un tercero; la licencia difiere entre GitHub (Apache-2.0) y PyPI (MIT); elegir fuentes por frecuencia puede repetir errores extendidos.
- ¿Para quién es GPT Researcher?
- Desarrolladores que integran investigación o generación de informes en su propio producto, y analistas que quieren investigación profunda sobre sus propios documentos con un modelo que eligen.
- ¿Cuánto cuesta GPT Researcher para un equipo o en producción?
- Sin edición de pago. Según el propio benchmark del README, un informe estándar cuesta unos $0.115 con filtrado y $0.192 sin él; Deep Research cuesta unos $0.40 por ejecución con o3-mini y esfuerzo alto. Las tarifas de la API de búsqueda van aparte.
- ¿Es GPT Researcher seguro para los datos de la empresa?
- Las consultas van a tu proveedor de LLM y a la API de búsqueda, y las páginas se extraen directamente. El filtrado de contexto va a TypeSafe solo si se define TYPESAFE_API_KEY. Los documentos locales se quedan en local salvo que se envíen a un modelo alojado. El README no describe telemetría y no hay avisos de seguridad publicados en GitHub.
- ¿Cuáles son las mejores alternativas a GPT Researcher?
- Las alternativas más cercanas que hemos analizado son smolagents, LangGraph, CrewAI y notebooklm-py.
Respuestas comprobadas el 31 oct 2026.