¿Qué es hyperresearch?
hyperresearch, de Jordan Gibbs, convierte Claude Code (y, más recientemente, OpenAI Codex) en un agente de investigación profunda. Un solo prompt lanza un pipeline de hasta 16 pasos: descomponer la pregunta, oleadas paralelas de búsqueda de fuentes, mapa de contradicciones, tres borradores, cuatro críticos adversariales, un corrector con herramientas bloqueadas que solo puede hacer ediciones quirúrgicas y una verificación de citas antes de entregar el informe. Cada fuente que lee se guarda en un almacén de Markdown y SQLite en el que las ejecuciones posteriores buscan primero.
Se instala con pip install hyperresearch y hyperresearch install, o como plugin de Claude Code o Codex. La búsqueda académica cubre OpenAlex, Crossref, CORE, DOAB, ClinicalTrials.gov, SEC EDGAR y FRED, y busca copias legales en acceso abierto de artículos de pago. Un servidor MCP expone el almacén a otros clientes.
El repositorio tiene licencia MIT y unas 4.200 estrellas en GitHub; el paquete de PyPI está en la 0.13.0 (27 de octubre de 2026). El autor también vende una versión alojada en hyperresearch.ai, con precio por informe.
¿Merece la pena hyperresearch?
hyperresearch es el arnés abierto de investigación profunda más riguroso del que hemos leído, y se lo gana por su mecanismo, no por su marketing. Los modos de investigación comerciales devuelven un informe fluido y te piden que confíes en las citas. Este pipeline está hecho para desconfiar de sí mismo: el texto citado debe aparecer literalmente en una fuente guardada o el informe no se entrega, citar un artículo retractado sin decirlo es un error grave, un control de independencia cuenta cinco reproducciones de una misma nota de prensa como una sola fuente, y las pasadas finales de edición están limitadas a Read y Edit para que no puedan reescribir el borrador en silencio. Las páginas obtenidas se envuelven como datos no fiables, una defensa sensata contra la inyección de prompts desde cientos de páginas que el agente no eligió.
La afirmación principal necesita un matiz. El README lo sitúa primero en el benchmark de investigación profunda DRACO con 77,7, por delante de Claude Research con 73,0 y de ChatGPT deep research con 55,2, pero es una ejecución de 10 tareas publicada por el propio proyecto, y la versión para Codex no se ha evaluado en absoluto. Tómalo como señal de que el pipeline va en serio, no como una clasificación definitiva.
El coste es tiempo y tokens. Una ejecución ligera tarda unos 30 a 40 minutos, el nivel completo por defecto unas 1,5 a 2,5 horas y el nivel superior de 3 a 5. Cada ejecución lanza muchos subagentes, así que con una suscripción de Claude consume límites y con una clave de API cuesta dinero real; run init --budget limita el gasto estimado y bloquea la ejecución en lugar de dejar que se pase. El almacén es la recompensa a largo plazo: las fuentes se acumulan y la siguiente pregunta en el mismo campo parte de lo que ya hay.
Es un proyecto joven, creado en abril de 2026 y en la versión 0.13, con un autor principal y un nivel experimental de tesis cuyos objetivos aún no están conectados. El README deja claro que el filtro de lint detecta fallos estructurales, no factuales. Frente a la versión alojada a 9 $ o 49 $ por informe, ejecutarlo tú mismo cambia dinero por instalación y supervisión; frente al modo de investigación de un producto de chat, cambia velocidad por un rastro de auditoría que de verdad puedes comprobar.
Dónde se gana su sitio
Un analista de renta variable en un pequeño fondo que cubre software para restaurantes
Elaborar un análisis de competidores a partir de documentos de la SEC con cada afirmación rastreable
Ejecuta /hyperresearch en Claude Code con un tope de presupuesto; trae los documentos de EDGAR al almacén, redacta, critica y verifica las citas. Cuenta con 1,5 a 2,5 horas en el nivel completo, o 49 $ por un informe Deep en la versión alojada.
Una doctoranda que escribe una revisión bibliográfica en política sanitaria
Reunir artículos y ensayos, incluidos los de pago, sin citar resúmenes como si los hubiera leído
La búsqueda académica consulta OpenAlex, Crossref, CORE y ClinicalTrials.gov, y la recuperación en acceso abierto obtiene textos completos legales indicando la sustitución. El almacén conserva cada fuente para el siguiente capítulo.
Un ingeniero de plataforma que da a los agentes de un equipo una memoria de investigación compartida
Permitir que Cursor o Claude Desktop consulten fuentes reunidas en ejecuciones anteriores
pip install hyperresearch[mcp] y ejecuta hyperresearch mcp; 13 herramientas, entre ellas search_notes, read_note y fetch_url, trabajan sobre el mismo almacén. Gratis salvo el uso de modelos.
Antes de decidirte
- Puesta en marcha
- Python 3.11 a 3.14, luego pip install hyperresearch y hyperresearch install en el proyecto (--target codex para Codex), o instala el plugin de Claude Code. Las sesiones de Codex necesitan escritura en el espacio de trabajo y acceso a la red activados.
- Integraciones
- Claude Code y OpenAI Codex; proveedores web builtin, crawl4ai, Exa, Tavily, Parallel y Serply; embeddings opcionales de Voyage u OpenAI; un servidor MCP con 13 herramientas para Claude Desktop, Cursor y otros.
- Datos y privacidad
- Se ejecuta en local y guarda las fuentes como Markdown y SQLite en tu proyecto; el contenido de las páginas va al proveedor de modelos de tu agente y a cualquier API de búsqueda que configures. El texto obtenido se aísla como entrada no fiable. Licencia MIT.
- Coste a escala
- Sin coste de licencia; cada ejecución consume muchas llamadas a subagentes, así que un uso intensivo implica un plan de Claude superior o gasto en API, limitado por ejecución con --budget. La versión alojada cobra 9 $ por informe Light y 49 $ por informe Deep.
- Límites
- No puede leer contenidos de pago en los que no hayas iniciado sesión salvo que exista una copia legal en acceso abierto; el lint comprueba la estructura, no la verdad; el nivel de tesis es experimental; en Codex no hay vía de navegador y los bloqueos de herramientas son solo instrucciones.
Lo bueno
- Las comprobaciones de citas literales, retractaciones y referencias impiden entregar un informe
- Almacén local persistente que reutilizan las ejecuciones posteriores y que se expone por MCP
- Ocho fuentes académicas y de registros consultadas en una sola búsqueda
- Tope de gasto y ejecuciones reanudables para trabajos de varias horas
Lo malo
- Las ejecuciones completas tardan de 1,5 a 2,5 horas y muchas llamadas a subagentes
- La ventaja en benchmark es autodeclarada sobre 10 tareas
- La versión para Codex es nueva, no está evaluada y carece de bloqueos de herramientas
- Un solo mantenedor principal; versiones 0.x que cambian rápido
Ideal para
Analistas e investigadores que ya usan Claude Code, necesitan informes con citas que puedan auditar y están dispuestos a esperar horas por ellos.
Alternativas a hyperresearch
hyperresearch: preguntas frecuentes
- ¿Merece la pena hyperresearch?
- Investigación profunda con verdaderos filtros de verificación en lugar de un resumen pulido, a cambio de horas de tiempo de agente y de un pipeline que depende de que un solo mantenedor lo mantenga funcionando. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta hyperresearch?
- Gratuito y de código abierto (MIT); pagas el uso de Claude Code o Codex que consume. Versión alojada: pago por uso, 9 $ por informe Light y 49 $ por informe Deep; Enterprise bajo petición.
- ¿Qué inconvenientes tiene hyperresearch?
- Las ejecuciones completas tardan de 1,5 a 2,5 horas y muchas llamadas a subagentes; la ventaja en benchmark es autodeclarada sobre 10 tareas; la versión para Codex es nueva, no está evaluada y carece de bloqueos de herramientas; un solo mantenedor principal; versiones 0.x que cambian rápido.
- ¿Para quién es hyperresearch?
- Analistas e investigadores que ya usan Claude Code, necesitan informes con citas que puedan auditar y están dispuestos a esperar horas por ellos.
- ¿Cuánto cuesta hyperresearch para un equipo o en producción?
- Sin coste de licencia; cada ejecución consume muchas llamadas a subagentes, así que un uso intensivo implica un plan de Claude superior o gasto en API, limitado por ejecución con --budget. La versión alojada cobra 9 $ por informe Light y 49 $ por informe Deep.
- ¿Es hyperresearch seguro para los datos de la empresa?
- Se ejecuta en local y guarda las fuentes como Markdown y SQLite en tu proyecto; el contenido de las páginas va al proveedor de modelos de tu agente y a cualquier API de búsqueda que configures. El texto obtenido se aísla como entrada no fiable. Licencia MIT.
- ¿Cuáles son las mejores alternativas a hyperresearch?
- Las alternativas más cercanas que hemos analizado son notebooklm-py, Agent Reach y Crawl4AI.
Respuestas comprobadas el 31 oct 2026.