O que é GPT Researcher?
O GPT Researcher, iniciado por Assaf Elovic em maio de 2023, é um agente de pesquisa open source. Um planejador divide a pergunta em questões de pesquisa, e agentes de execução buscam, raspam e resumem fontes para cada uma. Um publicador então escreve um relatório com citações, muitas vezes com mais de 2.000 palavras, exportado para Markdown, PDF ou Word. Ele roda como servidor FastAPI com front-end em NextJS, como stack Docker Compose ou como o pacote Python gpt-researcher. Documentos locais (PDF, Word, Excel, PowerPoint, CSV, Markdown, texto) podem substituir ou complementar as fontes da web, e servidores MCP podem ser adicionados como retrievers.
O repositório tem cerca de 30.400 estrelas no GitHub. O GitHub o lista como Apache-2.0, embora os metadados do pacote no PyPI digam MIT. A v3.7.0 saiu em 26 de setembro de 2026 junto com a 0.16.1 no PyPI, que teve cerca de 6.700 downloads nos últimos sete dias. A stack padrão exige uma chave da OpenAI e uma chave de busca da Tavily; qualquer endpoint compatível com a OpenAI pode substituir a OpenAI. O servidor MCP do projeto agora fica separado, em assafelovic/gptr-mcp.
GPT Researcher vale a pena?
O GPT Researcher é a alternativa aberta mais consolidada aos modos de pesquisa aprofundada do ChatGPT, do Gemini e do Perplexity, e a mais usada embutida em outros produtos. Seu valor está no pipeline, não na interface: planejamento das perguntas, raspagem em paralelo, resumos por fonte com rastreamento de origem e um relatório longo com citações. Tudo isso pode ser chamado com três linhas de Python. Um modo recursivo Deep Research explora subtemas em árvore. O README estima cerca de cinco minutos e cerca de US$ 0,40 por execução com o o3-mini em esforço de raciocínio alto.
Os custos são baixos, mas os números são do próprio projeto. O benchmark de filtro de contexto do README, rodado pelos mantenedores em 28 tarefas de pesquisa, coloca um relatório padrão em cerca de US$ 0,115 com filtragem e US$ 0,192 sem ela. O filtro padrão é o Jev, um modelo de pontuação hospedado da TypeSafe que exige uma TYPESAFE_API_KEY. Sem ela, recorre a um ranking local por palavras-chave BM25, então nada extra é obrigatório, mas o número de relevância em destaque (73% dos trechos mantidos relevantes contra 46% com embeddings) vale apenas para a opção paga.
De saída, ele é menos autossuficiente do que parece. O quick start pede OPENAI_API_KEY e TAVILY_API_KEY, o que significa que toda consulta vai para dois terceiros. Pesquisa totalmente local exige configuração extra de retrievers e de um servidor de modelos compatível com a OpenAI. O README também fala muito em "unbiased". O próprio aviso de isenção é mais modesto: ele raspa muitos sites e favorece a informação mais frequente, o que reduz alguns erros e repete os populares.
É mantido ativamente, com versões ao longo de 2026 e nenhum aviso de segurança publicado. Sua principal concorrência agora são os recursos de pesquisa aprofundada embutidos em assistentes comerciais, que não exigem configuração. O GPT Researcher vence quando você precisa que o relatório seja gerado dentro da sua própria aplicação, sobre os seus próprios documentos ou com um modelo que você escolhe.
Onde ele se destaca
Um engenheiro de produto em uma startup B2B de inteligência de mercado
Gerar sob demanda, dentro do app, um briefing de concorrente com fontes
pip install gpt-researcher, chame conduct_research() e write_report() a partir de um worker e armazene o Markdown. Aos cerca de US$ 0,12 por relatório do README, 1.000 briefings por mês custam cerca de US$ 120 em chamadas ao modelo, mais as tarifas de busca da Tavily.
Um analista de políticas públicas em um think tank com uma pasta de PDFs e documentos de consulta
Escrever um resumo com citações do que os documentos dizem sobre uma pergunta
Defina DOC_PATH para a pasta e escolha local como fonte do relatório, para que o agente pesquise os arquivos em vez da web. Aponte OPENAI_BASE_URL para um servidor de modelos local se os documentos não puderem sair do prédio.
Um consultor autônomo se preparando para um workshop com cliente
Conseguir até amanhã um briefing de cinco a seis páginas sobre um setor desconhecido
Rode a stack Docker Compose e use o modo Deep Research na interface do navegador; o README estima uma execução em cerca de cinco minutos e US$ 0,40 com o o3-mini. Confira as citações antes de citar, já que as fontes são raspadas automaticamente.
Antes de decidir
- Configuração
- pip install gpt-researcher no Python 3.12+, ou clone e rode docker compose up --build para ter a API na porta 8000 e o app React na porta 3000. Defina antes OPENAI_API_KEY e TAVILY_API_KEY. Minutos até o primeiro relatório.
- Integrações
- Endpoints de LLM compatíveis com a OpenAI, Tavily e outros retrievers, servidores MCP como retrievers, workflows multiagente com LangGraph e AG2, tracing no LangSmith, geração de imagens com Gemini e um servidor MCP no repositório separado gptr-mcp.
- Dados e privacidade
- As consultas vão para o seu provedor de LLM e para a API de busca, e as páginas são raspadas diretamente. A filtragem de contexto vai para a TypeSafe somente se TYPESAFE_API_KEY estiver definida. Documentos locais ficam locais, a menos que sejam enviados a um modelo hospedado. O README não descreve telemetria, e nenhum aviso de segurança foi publicado no GitHub.
- Custo em escala
- Sem edição paga. Pelo próprio benchmark do README, um relatório padrão custa cerca de US$ 0,115 com filtragem e US$ 0,192 sem; o Deep Research custa cerca de US$ 0,40 por execução com o o3-mini em esforço alto. As tarifas da API de busca vêm por cima.
- Limites
- A qualidade do relatório depende do que a busca retorna e do que é raspado sem problemas. Só Python 3.12+. Os números do benchmark são autodeclarados, em 28 tarefas.
O que é bom
- Pacote Python com uma API de pesquisa e relatório em três linhas
- Web, documentos locais e fontes MCP em uma mesma execução
- Custo baixo por relatório segundo o próprio benchmark
- Versões regulares; nenhum aviso de segurança publicado
O que não é
- A configuração padrão exige chaves da OpenAI e da Tavily
- O melhor filtro de contexto é uma API paga de terceiros
- A licença difere entre o GitHub (Apache-2.0) e o PyPI (MIT)
- A seleção de fontes por frequência pode repetir erros populares
Ideal para
Desenvolvedores que integram pesquisa ou geração de relatórios ao próprio produto, e analistas que querem pesquisa aprofundada sobre os próprios documentos com um modelo que escolhem.
Alternativas ao GPT Researcher
GPT Researcher: perguntas frequentes
- GPT Researcher vale a pena?
- O agente aberto de pesquisa aprofundada com o histórico mais longo, barato por relatório e fácil de embutir, se você aceitar que a stack padrão roda sobre duas APIs pagas. Damos nota 4.1 de 5.
- Quanto custa GPT Researcher?
- Gratuito e open source (Apache-2.0 no GitHub). Você paga pelas APIs de LLM e de busca que ele chama.
- Quais são as desvantagens de GPT Researcher?
- A configuração padrão exige chaves da OpenAI e da Tavily; o melhor filtro de contexto é uma API paga de terceiros; a licença difere entre o GitHub (Apache-2.0) e o PyPI (MIT); a seleção de fontes por frequência pode repetir erros populares.
- Para quem GPT Researcher é indicado?
- Desenvolvedores que integram pesquisa ou geração de relatórios ao próprio produto, e analistas que querem pesquisa aprofundada sobre os próprios documentos com um modelo que escolhem.
- Quanto custa GPT Researcher para uma equipe ou em produção?
- Sem edição paga. Pelo próprio benchmark do README, um relatório padrão custa cerca de US$ 0,115 com filtragem e US$ 0,192 sem; o Deep Research custa cerca de US$ 0,40 por execução com o o3-mini em esforço alto. As tarifas da API de busca vêm por cima.
- GPT Researcher é seguro para dados da empresa?
- As consultas vão para o seu provedor de LLM e para a API de busca, e as páginas são raspadas diretamente. A filtragem de contexto vai para a TypeSafe somente se TYPESAFE_API_KEY estiver definida. Documentos locais ficam locais, a menos que sejam enviados a um modelo hospedado. O README não descreve telemetria, e nenhum aviso de segurança foi publicado no GitHub.
- Quais são as melhores alternativas ao GPT Researcher?
- As alternativas mais próximas que analisamos são smolagents, LangGraph, CrewAI e notebooklm-py.
Respostas verificadas em 31 de out. de 2026.