Qu’est-ce que GPT Researcher ?
GPT Researcher, lancé par Assaf Elovic en mai 2023, est un agent de recherche open source. Un planificateur décompose la question en questions de recherche, et des agents d'exécution cherchent, extraient et résument des sources pour chacune. Un rédacteur écrit ensuite un rapport sourcé, souvent de plus de 2 000 mots, exporté en Markdown, PDF ou Word. Il tourne comme serveur FastAPI avec un front end NextJS, comme stack Docker Compose ou comme paquet Python gpt-researcher. Des documents locaux (PDF, Word, Excel, PowerPoint, CSV, Markdown, texte) peuvent remplacer ou compléter les sources web, et des serveurs MCP peuvent être ajoutés comme sources de recherche.
Le dépôt compte environ 30 400 étoiles sur GitHub. GitHub l'indique sous Apache-2.0, alors que les métadonnées du paquet PyPI mentionnent MIT. La v3.7.0 est sortie le 26 septembre 2026 avec PyPI 0.16.1, qui a été téléchargé environ 6 700 fois sur les sept derniers jours. La stack par défaut exige une clé OpenAI et une clé de recherche Tavily ; tout endpoint compatible OpenAI peut remplacer OpenAI. Le serveur MCP du projet se trouve désormais à part, dans assafelovic/gptr-mcp.
GPT Researcher vaut-il le coup ?
GPT Researcher est l'alternative ouverte la plus établie aux modes de recherche approfondie de ChatGPT, Gemini et Perplexity, et celle qui est le plus souvent intégrée à d'autres produits. Sa valeur tient à la chaîne de traitement plus qu'à l'interface : planification des questions, extraction en parallèle, résumés par source avec suivi des sources, et un long rapport sourcé. Tout cela s'appelle en trois lignes de Python. Un mode récursif, Deep Research, explore les sous-thèmes en arbre. Le README l'estime à environ cinq minutes et environ 0,40 $ par exécution avec o3-mini en effort de raisonnement élevé.
Les coûts sont faibles, mais les chiffres viennent du projet lui-même. Le benchmark du filtre de contexte du README, mené par les mainteneurs sur 28 tâches de recherche, chiffre un rapport standard à environ 0,115 $ avec filtrage et 0,192 $ sans. Le filtre par défaut est Jev, un modèle de notation hébergé de TypeSafe qui exige une TYPESAFE_API_KEY. Sans elle, il se rabat sur un classement local par mots-clés BM25 : rien de plus n'est requis, mais le chiffre de pertinence mis en avant (73 % des passages retenus pertinents, contre 46 % avec des embeddings) ne vaut que pour l'option payante.
Tel quel, il est moins autonome qu'il n'y paraît. Le quick start demande OPENAI_API_KEY et TAVILY_API_KEY : chaque requête part donc chez deux tiers. Une recherche entièrement locale exige de configurer en plus les sources de recherche et un serveur de modèles compatible OpenAI. Le README répète aussi beaucoup « unbiased ». Son propre avertissement est plus modeste : il extrait de nombreux sites et privilégie l'information la plus fréquente, ce qui réduit certaines erreurs et en répète de répandues.
Il est activement maintenu, avec des versions tout au long de 2026 et aucun avis de sécurité publié. Sa principale concurrence est désormais la recherche approfondie intégrée aux assistants commerciaux, qui ne demande aucune configuration. GPT Researcher l'emporte quand le rapport doit être généré dans votre propre application, à partir de vos propres documents ou avec le modèle de votre choix.
Là où il fait la différence
Un ingénieur produit dans une startup B2B de veille concurrentielle
Générer à la demande, dans l'application, une note sourcée sur un concurrent
pip install gpt-researcher, appelez conduct_research() et write_report() depuis un worker et stockez le Markdown. À environ 0,12 $ par rapport selon le README, 1 000 notes par mois coûtent environ 120 $ d'appels au modèle, plus les frais de recherche Tavily.
Une analyste dans un think tank avec un dossier de PDF et de documents de consultation
Rédiger une synthèse sourcée de ce que disent les documents sur une question
Définissez DOC_PATH sur le dossier et choisissez local comme source du rapport, pour que l'agent étudie les fichiers plutôt que le web. Pointez OPENAI_BASE_URL vers un serveur de modèles local si les documents ne doivent pas sortir de vos murs.
Un consultant indépendant qui prépare un atelier client
Obtenir pour demain une note de cinq à six pages sur un secteur inconnu
Lancez la stack Docker Compose et utilisez le mode Deep Research dans l'interface web ; le README estime une exécution à environ cinq minutes et 0,40 $ avec o3-mini. Vérifiez les citations avant de les reprendre, car les sources sont extraites automatiquement.
Avant de vous engager
- Mise en route
- pip install gpt-researcher sous Python 3.12+, ou clonez et lancez docker compose up --build pour l'API sur le port 8000 et l'application React sur le port 3000. Définissez d'abord OPENAI_API_KEY et TAVILY_API_KEY. Quelques minutes jusqu'au premier rapport.
- Intégrations
- Endpoints LLM compatibles OpenAI, Tavily et d'autres sources de recherche, serveurs MCP comme sources, workflows multi-agents LangGraph et AG2, traçage LangSmith, génération d'images Gemini et un serveur MCP dans le dépôt distinct gptr-mcp.
- Données et confidentialité
- Les requêtes partent vers votre fournisseur de LLM et l'API de recherche, et les pages sont extraites directement. Le filtrage du contexte ne passe par TypeSafe que si TYPESAFE_API_KEY est défini. Les documents locaux restent en local sauf s'ils sont envoyés à un modèle hébergé. Le README ne décrit aucune télémétrie, et aucun avis de sécurité GitHub n'est publié.
- Coût à grande échelle
- Pas d'édition payante. Selon le benchmark du README lui-même, un rapport standard coûte environ 0,115 $ avec filtrage et 0,192 $ sans ; Deep Research coûte environ 0,40 $ par exécution avec o3-mini en effort élevé. Les frais d'API de recherche s'ajoutent.
- Limites
- La qualité du rapport dépend de ce que renvoie la recherche et de ce qui s'extrait proprement. Python 3.12+ uniquement. Les chiffres du benchmark sont déclarés par le projet sur 28 tâches.
Les points forts
- Paquet Python avec une API de recherche et de rapport en trois lignes
- Web, documents locaux et sources MCP en une seule exécution
- Faible coût par rapport selon son propre benchmark
- Versions régulières ; aucun avis de sécurité publié
Les points faibles
- La configuration par défaut exige des clés OpenAI et Tavily
- Le meilleur filtre de contexte est une API tierce payante
- La licence diffère entre GitHub (Apache-2.0) et PyPI (MIT)
- Le choix des sources par fréquence peut répéter des erreurs répandues
Idéal pour
Les développeurs qui intègrent la recherche ou la génération de rapports à leur propre produit, et les analystes qui veulent une recherche approfondie sur leurs propres documents avec le modèle de leur choix.
Alternatives à GPT Researcher
GPT Researcher : questions fréquentes
- GPT Researcher vaut-il le coup ?
- L'agent ouvert de recherche approfondie qui a le plus de recul, peu coûteux par rapport et facile à intégrer, si vous acceptez que sa stack par défaut repose sur deux API payantes. Nous lui donnons 4.1 sur 5.
- Combien coûte GPT Researcher ?
- Gratuit et open source (Apache-2.0 sur GitHub). Vous payez les API de LLM et de recherche qu'il appelle.
- Quels sont les inconvénients de GPT Researcher ?
- La configuration par défaut exige des clés OpenAI et Tavily; le meilleur filtre de contexte est une API tierce payante; la licence diffère entre GitHub (Apache-2.0) et PyPI (MIT); le choix des sources par fréquence peut répéter des erreurs répandues.
- À qui s’adresse GPT Researcher ?
- Les développeurs qui intègrent la recherche ou la génération de rapports à leur propre produit, et les analystes qui veulent une recherche approfondie sur leurs propres documents avec le modèle de leur choix.
- Combien coûte GPT Researcher pour une équipe ou en production ?
- Pas d'édition payante. Selon le benchmark du README lui-même, un rapport standard coûte environ 0,115 $ avec filtrage et 0,192 $ sans ; Deep Research coûte environ 0,40 $ par exécution avec o3-mini en effort élevé. Les frais d'API de recherche s'ajoutent.
- GPT Researcher est-il sûr pour les données de l’entreprise ?
- Les requêtes partent vers votre fournisseur de LLM et l'API de recherche, et les pages sont extraites directement. Le filtrage du contexte ne passe par TypeSafe que si TYPESAFE_API_KEY est défini. Les documents locaux restent en local sauf s'ils sont envoyés à un modèle hébergé. Le README ne décrit aucune télémétrie, et aucun avis de sécurité GitHub n'est publié.
- Quelles sont les meilleures alternatives à GPT Researcher ?
- Les alternatives les plus proches que nous avons testées sont smolagents, LangGraph, CrewAI et notebooklm-py.
Réponses vérifiées le 31 oct. 2026.