O que é hyperresearch?
O hyperresearch, de Jordan Gibbs, transforma o Claude Code (e, mais recentemente, o OpenAI Codex) em um agente de pesquisa aprofundada. Um único prompt inicia um pipeline de até 16 etapas: decompor a pergunta, ondas paralelas de busca de fontes, mapeamento de contradições, três rascunhos, quatro críticos adversariais, um corretor com ferramentas travadas que só pode fazer edições cirúrgicas, e uma verificação de citações antes de o relatório sair. Cada fonte que ele lê é salva em um cofre de Markdown com SQLite, que as execuções seguintes consultam primeiro.
Instala com pip install hyperresearch e hyperresearch install, ou como plugin do Claude Code ou do Codex. A busca acadêmica cobre OpenAlex, Crossref, CORE, DOAB, ClinicalTrials.gov, SEC EDGAR e FRED, e ele procura cópias legais de acesso aberto de artigos atrás de paywall. Um servidor MCP expõe o cofre a outros clientes.
O repositório tem licença MIT e cerca de 4.200 estrelas no GitHub; o pacote no PyPI está na 0.13.0 (27 de outubro de 2026). O autor também vende uma versão hospedada em hyperresearch.ai, com preço por relatório.
hyperresearch vale a pena?
O hyperresearch é o harness aberto de pesquisa aprofundada mais rigoroso sobre o qual já lemos, e conquista isso pelo mecanismo, não pelo marketing. Os modos de pesquisa comerciais devolvem um relatório fluente e pedem que você confie nas citações. Este pipeline foi feito para desconfiar de si mesmo: o texto citado precisa aparecer literalmente em uma fonte salva, ou o relatório não pode sair; citar um artigo retratado sem dizer isso é um erro bloqueante; uma verificação de independência conta cinco reproduções de um mesmo comunicado à imprensa como uma única fonte; e as etapas finais de edição ficam travadas em Read e Edit, para que não possam reescrever o rascunho em silêncio. As páginas buscadas são encapsuladas como dados não confiáveis, uma defesa sensata contra prompt injection vindo de centenas de páginas que o agente não escolheu.
A afirmação de destaque merece uma ressalva. O README o coloca em primeiro lugar no benchmark de pesquisa aprofundada DRACO, com 77,7, à frente do Claude Research, com 73,0, e da pesquisa aprofundada do ChatGPT, com 55,2, mas trata-se de uma execução de 10 tarefas publicada pelo próprio projeto, e a versão para o Codex nem passou por benchmark. Trate isso como sinal de que o pipeline é sério, não como um ranking definitivo.
O custo é tempo e tokens. Uma execução leve leva cerca de 30 a 40 minutos, o nível completo padrão cerca de 1,5 a 2,5 horas, e o modo premier de 3 a 5. Cada execução cria muitos subagentes, então em uma assinatura do Claude ela consome os limites e em uma chave de API custa dinheiro de verdade; run init --budget limita o gasto estimado e bloqueia a execução em vez de deixá-la estourar. O cofre é o retorno de longo prazo: as fontes se acumulam, e a próxima pergunta na mesma área parte do que já está lá.
É um projeto jovem, criado em abril de 2026 e na versão 0.13, com um autor principal e um nível experimental de dissertação cujas metas ainda não estão conectadas. O README deixa claro que a etapa de lint pega falhas estruturais, não factuais. Comparado à versão hospedada, a US$ 9 ou US$ 49 por relatório, rodá-lo por conta própria troca dinheiro por configuração e supervisão; comparado ao modo de pesquisa de um produto de chat, troca velocidade por uma trilha de auditoria que você de fato pode conferir.
Onde ele se destaca
Um analista de ações em um pequeno fundo que acompanha software para restaurantes
Produzir uma análise de concorrentes construída a partir de registros na SEC, com cada afirmação rastreável
Rode /hyperresearch no Claude Code com um limite de orçamento; ele traz registros do EDGAR para o cofre, rascunha, critica e confere as citações. Espere de 1,5 a 2,5 horas no nível completo, ou US$ 49 por um relatório Deep na versão hospedada.
Um doutorando escrevendo uma revisão de literatura em políticas de saúde
Reunir artigos e ensaios clínicos, incluindo os que estão atrás de paywall, sem citar resumos como se tivessem sido lidos
A busca acadêmica consulta OpenAlex, Crossref, CORE e ClinicalTrials.gov, e a recuperação de acesso aberto busca textos completos legais, informando a substituição. O cofre guarda cada fonte para o próximo capítulo.
Um engenheiro de plataforma dando aos agentes de uma equipe uma memória de pesquisa compartilhada
Permitir que o Cursor ou o Claude Desktop consultem fontes reunidas por execuções anteriores
pip install hyperresearch[mcp] e rode hyperresearch mcp; 13 ferramentas, incluindo search_notes, read_note e fetch_url, funcionam sobre o mesmo cofre. Gratuito, fora o uso de modelos.
Antes de decidir
- Configuração
- Python 3.11 a 3.14, depois pip install hyperresearch e hyperresearch install no projeto (--target codex para o Codex), ou instale o plugin do Claude Code. Sessões do Codex precisam de escrita no workspace e acesso à rede ativados.
- Integrações
- Claude Code e OpenAI Codex; provedores web builtin, crawl4ai, Exa, Tavily, Parallel e Serply; embeddings opcionais da Voyage ou da OpenAI; um servidor MCP com 13 ferramentas para Claude Desktop, Cursor e outros.
- Dados e privacidade
- Roda localmente e guarda as fontes como Markdown com SQLite no seu projeto; o conteúdo das páginas vai para o provedor de modelos do seu agente e para qualquer API de busca que você configurar. O texto buscado é delimitado como entrada não confiável. Licença MIT.
- Custo em escala
- Sem custo de licença; cada execução consome muitas chamadas a subagentes, então uso intenso significa um plano do Claude mais alto ou gasto com API, limitado por execução com --budget. A versão hospedada cobra US$ 9 por relatório Light e US$ 49 por relatório Deep.
- Limites
- Não lê paywalls em que você não está logado, a menos que exista uma cópia legal de acesso aberto; o lint verifica estrutura, não veracidade; o nível de dissertação é experimental; no Codex não há faixa de navegador e as travas de ferramentas são só instruções.
O que é bom
- Verificações de citação literal, retratação e referências impedem que um relatório saia
- Cofre local persistente, reaproveitado por execuções seguintes e exposto via MCP
- Oito fontes acadêmicas e de registros consultadas em uma única busca
- Limite de gasto e execuções retomáveis para trabalhos de várias horas
O que não é
- Execuções completas levam de 1,5 a 2,5 horas e muitas chamadas a subagentes
- A liderança no benchmark é autodeclarada, em 10 tarefas
- A versão para o Codex é nova, sem benchmark e sem travas de ferramentas
- Um único mantenedor principal; versões 0.x que mudam rápido
Ideal para
Analistas e pesquisadores que já usam o Claude Code, precisam de relatórios com citações que possam auditar e estão dispostos a esperar horas por eles.
Alternativas ao hyperresearch
hyperresearch: perguntas frequentes
- hyperresearch vale a pena?
- Pesquisa aprofundada com etapas reais de verificação em vez de um resumo bem acabado, paga em horas de tempo de agente e em um pipeline que você precisa confiar que um único mantenedor vai manter funcionando. Damos nota 3.9 de 5.
- Quanto custa hyperresearch?
- Gratuito e open source (MIT); você paga pelo uso do Claude Code ou do Codex que ele consome. Versão hospedada: pagamento por uso, US$ 9 por relatório Light e US$ 49 por relatório Deep; Enterprise sob consulta.
- Quais são as desvantagens de hyperresearch?
- Execuções completas levam de 1,5 a 2,5 horas e muitas chamadas a subagentes; a liderança no benchmark é autodeclarada, em 10 tarefas; a versão para o Codex é nova, sem benchmark e sem travas de ferramentas; um único mantenedor principal; versões 0.x que mudam rápido.
- Para quem hyperresearch é indicado?
- Analistas e pesquisadores que já usam o Claude Code, precisam de relatórios com citações que possam auditar e estão dispostos a esperar horas por eles.
- Quanto custa hyperresearch para uma equipe ou em produção?
- Sem custo de licença; cada execução consome muitas chamadas a subagentes, então uso intenso significa um plano do Claude mais alto ou gasto com API, limitado por execução com --budget. A versão hospedada cobra US$ 9 por relatório Light e US$ 49 por relatório Deep.
- hyperresearch é seguro para dados da empresa?
- Roda localmente e guarda as fontes como Markdown com SQLite no seu projeto; o conteúdo das páginas vai para o provedor de modelos do seu agente e para qualquer API de busca que você configurar. O texto buscado é delimitado como entrada não confiável. Licença MIT.
- Quais são as melhores alternativas ao hyperresearch?
- As alternativas mais próximas que analisamos são notebooklm-py, Agent Reach e Crawl4AI.
Respostas verificadas em 31 de out. de 2026.