Qu’est-ce que hyperresearch ?
hyperresearch, de Jordan Gibbs, transforme Claude Code (et, plus récemment, OpenAI Codex) en agent de recherche approfondie. Un seul prompt lance un pipeline de jusqu'à 16 étapes : décomposition de la question, vagues parallèles de collecte de sources, cartographie des contradictions, trois brouillons, quatre critiques adverses, un correcteur aux outils verrouillés qui ne peut faire que des retouches ciblées, et une vérification des citations avant la livraison du rapport. Chaque source lue est enregistrée dans un coffre Markdown et SQLite que les exécutions suivantes interrogent en premier.
Il s'installe avec pip install hyperresearch et hyperresearch install, ou comme plugin Claude Code ou Codex. La recherche académique couvre OpenAlex, Crossref, CORE, DOAB, ClinicalTrials.gov, SEC EDGAR et FRED, et cherche des copies légales en libre accès des articles payants. Un serveur MCP expose le coffre à d'autres clients.
Le dépôt est sous licence MIT avec environ 4 200 étoiles sur GitHub ; le paquet PyPI est en 0.13.0 (27 octobre 2026). L'auteur vend aussi une version hébergée sur hyperresearch.ai, facturée au rapport.
hyperresearch vaut-il le coup ?
hyperresearch est le harnais ouvert de recherche approfondie le plus rigoureux dont nous ayons pris connaissance, et il le doit à son mécanisme plutôt qu'à son marketing. Les modes de recherche commerciaux rendent un rapport fluide et vous demandent de faire confiance aux citations. Ce pipeline est conçu pour se méfier de lui-même : un texte cité doit figurer mot pour mot dans une source enregistrée, sinon le rapport n'est pas livré, citer un article rétracté sans le signaler est une erreur bloquante, un contrôle d'indépendance compte cinq reprises d'un même communiqué comme une seule source, et les dernières passes d'édition sont limitées à Read et Edit pour qu'elles ne puissent pas réécrire discrètement le brouillon. Les pages récupérées sont encapsulées comme données non fiables, une défense sensée contre l'injection de prompt venue de centaines de pages que l'agent n'a pas choisies.
Le résultat phare mérite une réserve. Le README le place en tête du benchmark de recherche approfondie DRACO avec 77,7, devant Claude Research à 73,0 et ChatGPT deep research à 55,2, mais c'est une exécution sur 10 tâches publiée par le projet lui-même, et le portage Codex n'a pas été évalué du tout. Voyez-y le signe d'un pipeline sérieux, pas un classement établi.
Le coût, c'est du temps et des tokens. Une exécution légère prend environ 30 à 40 minutes, le niveau complet par défaut environ 1,5 à 2,5 heures, et le niveau supérieur 3 à 5. Chaque exécution lance de nombreux sous-agents : avec un abonnement Claude, elle entame les limites, et avec une clé d'API, elle coûte de l'argent réel ; run init --budget plafonne la dépense estimée et bloque l'exécution plutôt que de la laisser déborder. Le coffre est le bénéfice à long terme : les sources s'accumulent, et la question suivante dans le même domaine part de ce qui existe déjà.
C'est un projet jeune, créé en avril 2026 et en version 0.13, avec un auteur principal et un niveau expérimental « thèse » dont les objectifs ne sont pas encore branchés. Le README précise que le contrôle lint détecte les défauts de structure, pas les erreurs factuelles. Face à la version hébergée à 9 $ ou 49 $ le rapport, l'exécuter vous-même échange de l'argent contre de l'installation et de la supervision ; face au mode recherche d'un produit de chat, il échange de la vitesse contre une piste d'audit que vous pouvez réellement vérifier.
Là où il fait la différence
Un analyste actions dans un petit fonds qui suit les logiciels pour la restauration
Produire une analyse concurrentielle à partir des documents déposés à la SEC, avec chaque affirmation traçable
Lancez /hyperresearch dans Claude Code avec un plafond de budget ; il importe les documents EDGAR dans le coffre, rédige, critique et vérifie les citations. Comptez 1,5 à 2,5 heures au niveau complet, ou 49 $ pour un rapport Deep sur la version hébergée.
Une doctorante qui rédige une revue de littérature en politique de santé
Rassembler articles et essais cliniques, y compris payants, sans citer des résumés comme s'ils avaient été lus
La recherche académique interroge OpenAlex, Crossref, CORE et ClinicalTrials.gov, et la récupération en libre accès obtient des textes intégraux légaux en signalant la substitution. Le coffre garde chaque source pour le chapitre suivant.
Un ingénieur plateforme qui donne aux agents d'une équipe une mémoire de recherche partagée
Permettre à Cursor ou Claude Desktop d'interroger les sources réunies lors d'exécutions précédentes
pip install hyperresearch[mcp] puis lancez hyperresearch mcp ; 13 outils, dont search_notes, read_note et fetch_url, travaillent sur le même coffre. Gratuit hors usage des modèles.
Avant de vous engager
- Mise en route
- Python 3.11 à 3.14, puis pip install hyperresearch et hyperresearch install dans le projet (--target codex pour Codex), ou installez le plugin Claude Code. Les sessions Codex exigent l'écriture dans l'espace de travail et l'accès réseau activés.
- Intégrations
- Claude Code et OpenAI Codex ; fournisseurs web builtin, crawl4ai, Exa, Tavily, Parallel et Serply ; embeddings Voyage ou OpenAI en option ; un serveur MCP de 13 outils pour Claude Desktop, Cursor et d'autres.
- Données et confidentialité
- Tourne en local et stocke les sources en Markdown et SQLite dans votre projet ; le contenu des pages part vers le fournisseur de modèles de votre agent et vers toute API de recherche que vous configurez. Le texte récupéré est isolé comme entrée non fiable. Licence MIT.
- Coût à grande échelle
- Pas de coût de licence ; chaque exécution consomme de nombreux appels de sous-agents, un usage intensif implique donc un forfait Claude supérieur ou des dépenses d'API, plafonnées par exécution avec --budget. La version hébergée facture 9 $ par rapport Light et 49 $ par rapport Deep.
- Limites
- Ne peut pas lire les contenus payants auxquels vous n'êtes pas connecté, sauf s'il existe une copie légale en libre accès ; le lint vérifie la structure, pas la vérité ; le niveau thèse est expérimental ; sous Codex, il n'y a pas de voie navigateur et les verrouillages d'outils ne sont que des instructions.
Les points forts
- Les contrôles de citations littérales, de rétractations et de références empêchent la livraison d'un rapport
- Coffre local persistant réutilisé par les exécutions suivantes et exposé via MCP
- Huit sources académiques et réglementaires interrogées en une seule requête
- Plafond de dépense et exécutions reprenables pour les travaux de plusieurs heures
Les points faibles
- Les exécutions complètes prennent 1,5 à 2,5 heures et de nombreux appels de sous-agents
- L'avance au benchmark est autodéclarée, sur 10 tâches
- Le portage Codex est nouveau, non évalué et sans verrouillage des outils
- Un seul mainteneur principal ; versions 0.x qui évoluent vite
Idéal pour
Les analystes et chercheurs déjà sur Claude Code qui ont besoin de rapports sourcés qu'ils peuvent auditer et qui sont prêts à attendre des heures pour les obtenir.
Alternatives à hyperresearch
hyperresearch : questions fréquentes
- hyperresearch vaut-il le coup ?
- De la recherche approfondie avec de vrais garde-fous de vérification plutôt qu'un résumé soigné, payée en heures de temps d'agent et par un pipeline dont le bon fonctionnement repose sur un seul mainteneur. Nous lui donnons 3.9 sur 5.
- Combien coûte hyperresearch ?
- Gratuit et open source (MIT) ; vous payez l'usage de Claude Code ou de Codex qu'il consomme. Version hébergée : paiement à l'usage, 9 $ par rapport Light et 49 $ par rapport Deep ; Enterprise sur demande.
- Quels sont les inconvénients de hyperresearch ?
- Les exécutions complètes prennent 1,5 à 2,5 heures et de nombreux appels de sous-agents; l'avance au benchmark est autodéclarée, sur 10 tâches; le portage Codex est nouveau, non évalué et sans verrouillage des outils; un seul mainteneur principal ; versions 0.x qui évoluent vite.
- À qui s’adresse hyperresearch ?
- Les analystes et chercheurs déjà sur Claude Code qui ont besoin de rapports sourcés qu'ils peuvent auditer et qui sont prêts à attendre des heures pour les obtenir.
- Combien coûte hyperresearch pour une équipe ou en production ?
- Pas de coût de licence ; chaque exécution consomme de nombreux appels de sous-agents, un usage intensif implique donc un forfait Claude supérieur ou des dépenses d'API, plafonnées par exécution avec --budget. La version hébergée facture 9 $ par rapport Light et 49 $ par rapport Deep.
- hyperresearch est-il sûr pour les données de l’entreprise ?
- Tourne en local et stocke les sources en Markdown et SQLite dans votre projet ; le contenu des pages part vers le fournisseur de modèles de votre agent et vers toute API de recherche que vous configurez. Le texte récupéré est isolé comme entrée non fiable. Licence MIT.
- Quelles sont les meilleures alternatives à hyperresearch ?
- Les alternatives les plus proches que nous avons testées sont notebooklm-py, Agent Reach et Crawl4AI.
Réponses vérifiées le 31 oct. 2026.