GPT Researcher

</h1>-->

</div>

🔎 GPT Researcher

GPT Researcher는 다양한 작업을 대해 포괄적인 온라인 연구를 수행하도록 설계된 자율 에이전트입니다.

이 에이전트는 세부적이고 사실에 기반하며 편견 없는 연구 보고서를 생성할 수 있으며, 관련 리소스와 개요에 초점을 맞춘 맞춤형 옵션을 제공합니다. 최근 발표된 Plan-and-Solve 및 RAG 논문에서 영감을 받아 GPT Researcher는 잘못된 정보, 속도, 결정론적 접근 방식, 신뢰성 문제를 해결하고, 동기화 작업이 아닌 병렬 에이전트 작업을 통해 더 안정적이고 빠른 성능을 제공합니다.

우리의 목표는 AI의 힘을 활용하여 개인과 조직에게 정확하고 편향 없는 사실에 기반한 정보를 제공하는 것입니다.

왜 GPT Researcher인가?

직접 수행하는 연구 과정은 객관적인 결론을 도출하는 데 시간이 오래 걸리며, 적절한 리소스와 정보를 찾는 데 몇 주가 걸릴 수 있습니다.
현재의 대규모 언어 모델(LLM)은 과거 정보에 기반해 훈련되었으며, 환각 현상이 발생할 위험이 높아 연구 작업에는 적합하지 않습니다.
현재 LLM은 짧은 토큰 출력으로 제한되며, 2,000단어 이상의 길고 자세한 연구 보고서를 작성하는 데는 충분하지 않습니다.
웹 검색을 지원하는 서비스(예: ChatGPT 또는 Perplexity)는 제한된 리소스와 콘텐츠만을 고려하여 경우에 따라 피상적이고 편향된 답변을 제공합니다.
웹 소스만을 사용하면 연구 작업에서 올바른 결론을 도출할 때 편향이 발생할 수 있습니다.

데모

https://github.com/user-attachments/assets/092e9e71-7e27-475d-8c4f-9dddd28934a3

아키텍처

주요 아이디어는 "플래너"와 "실행" 에이전트를 실행하는 것으로, 플래너는 연구할 질문을 생성하고, 실행 에이전트는 생성된 각 연구 질문에 따라 가장 관련성 높은 정보를 찾습니다. 마지막으로 플래너는 모든 관련 정보를 필터링하고 집계하여 연구 보고서를 작성합니다.

에이전트는 gpt-4o-mini와 gpt-4o(128K 컨텍스트)를 활용하여 연구 작업을 완료합니다. 필요에 따라 각각을 사용하여 비용을 최적화합니다. 평균 연구 작업은 약 2분이 소요되며, 비용은 약 $0.005입니다..

구체적으로:

연구 쿼리 또는 작업을 기반으로 도메인별 에이전트를 생성합니다.
주어진 작업에 대해 객관적인 의견을 형성할 수 있는 일련의 연구 질문을 생성합니다.
각 연구 질문에 대해 크롤러 에이전트를 실행하여 작업과 관련된 정보를 온라인 리소스에서 수집합니다.
수집된 각 리소스에서 관련 정보를 요약하고 출처를 기록합니다.
마지막으로, 요약된 모든 정보를 필터링하고 집계하여 최종 연구 보고서를 생성합니다.

튜토리얼

기능

📝 로컬 문서 및 웹 소스를 사용하여 연구, 개요, 리소스 및 학습 보고서 생성
📜 2,000단어 이상의 길고 상세한 연구 보고서 생성 가능
🌐 연구당 20개 이상의 웹 소스를 집계하여 객관적이고 사실에 기반한 결론 도출
🖥️ 경량 HTML/CSS/JS와 프로덕션용 (NextJS + Tailwind) UX/UI 포함
🔍 자바스크립트 지원 웹 소스 스크래핑 기능
📂 연구 과정에서 맥락과 메모리 추적 및 유지
📄 연구 보고서를 PDF, Word 등으로 내보내기 지원

📖 문서

전체 문서(설치, 환경 설정, 간단한 예시)를 보려면 여기를 참조하세요.

시작하기 (설치, 환경 설정, 간단한 예시)
맞춤 설정 및 구성
사용 방법 예시 (데모, 통합, 도커 지원)
참고자료 (전체 API 문서)

⚙️ 시작하기

설치

1단계 - Python 3.11 또는 그 이상의 버전을 설치하세요. 여기를 참조하여 단계별 가이드를 확인하세요.

2단계 - 프로젝트를 다운로드하고 해당 디렉토리로 이동하세요.

bash

git clone https://github.com/assafelovic/gpt-researcher.git
cd gpt-researcher

3단계 - 두 가지 방법으로 API 키를 설정하세요: 직접 export하거나 .env 파일에 저장하세요.

Linux/Windows에서 임시 설정을 하려면 export 방법을 사용하세요:

bash

export OPENAI_API_KEY={OpenAI API 키 입력}
export TAVILY_API_KEY={Tavily API 키 입력}

(선택 사항) 향상된 트레이싱 및 관측 가능성을 위해 다음을 설정할 수도 있습니다:

bash

# export LANGCHAIN_TRACING_V2=true
# export LANGCHAIN_API_KEY={LangChain API 키 입력}

더 영구적인 설정을 원한다면, 현재의 gpt-researcher 디렉토리에 .env 파일을 생성하고 환경 변수를 입력하세요 (export 없이).

기본 LLM은 GPT이지만, claude, ollama3, gemini, mistral 등 다른 LLM도 사용할 수 있습니다. LLM 제공자를 변경하는 방법은 LLMs 문서를 참조하세요. 이 프로젝트는 OpenAI GPT 모델에 최적화되어 있습니다.
기본 검색기는 Tavily이지만, duckduckgo, google, bing, searchapi, serper, searx, arxiv, exa 등의 검색기를 사용할 수 있습니다. 검색 제공자를 변경하는 방법은 검색기 문서를 참조하세요.

빠른 시작

1단계 - 필요한 종속성 설치

bash

pip install -r requirements.txt

2단계 - FastAPI로 에이전트 실행

bash

python -m uvicorn main:app --reload

3단계 - 브라우저에서 http://localhost:8000 으로 이동하여 연구를 시작하세요!

Poetry 또는 가상 환경에 대해 배우고 싶다면, 문서를 참조하세요.

PIP 패키지로 실행하기

bash

pip install gpt-researcher

python

...
from gpt_researcher import GPTResearcher

query = "왜 Nvidia 주식이 오르고 있나요?"
researcher = GPTResearcher(query=query, report_type="research_report")
# 주어진 질문에 대한 연구 수행
research_result = await researcher.conduct_research()
# 보고서 작성
report = await researcher.write_report()
...

더 많은 예제와 구성 옵션은 PIP 문서를 참조하세요.

Docker로 실행

1단계 - Docker 설치

2단계 - .env.example 파일을 복사하고 API 키를 추가한 후, 파일을 .env로 저장하세요.

3단계 - docker-compose 파일에서 실행하고 싶지 않은 서비스를 주석 처리하세요.

bash

$ docker-compose up --build

4단계 - docker-compose 파일에서 아무 것도 주석 처리하지 않았다면, 기본적으로 두 가지 프로세스가 시작됩니다:

localhost:8000에서 실행 중인 Python 서버
localhost:3000에서 실행 중인 React 앱

브라우저에서 localhost:3000으로 이동하여 연구를 시작하세요!

🔍 관측 가능성 (Observability)

GPT Researcher는 LangSmith를 지원하여 복잡한 다중 에이전트 워크플로우의 트레이싱과 관측 가능성을 향상시키며, 디버깅과 최적화를 용이하게 합니다.

트레이싱을 활성화하려면:

다음 환경 변수를 설정하십시오:

bash

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=당신의_API_키
export LANGCHAIN_PROJECT="gpt-researcher"

평소와 같이 연구 작업을 실행하십시오. 모든 LangGraph 기반 에이전트 상호 작용은 자동으로 추적되며 LangSmith 대시보드에서 시각화됩니다.

📄 로컬 문서로 연구하기

GPT Researcher를 사용하여 로컬 문서를 기반으로 연구 작업을 수행할 수 있습니다. 현재 지원되는 파일 형식은 PDF, 일반 텍스트, CSV, Excel, Markdown, PowerPoint, Word 문서입니다.

1단계: DOC_PATH 환경 변수를 설정하여 문서가 있는 폴더를 지정하세요.

bash

export DOC_PATH="./my-docs"

2단계:

프론트엔드 앱을 localhost:8000에서 실행 중이라면, "Report Source" 드롭다운 옵션에서 "My Documents"를 선택하세요.
GPT Researcher를 PIP 패키지로 실행 중이라면, report_source 인수를 "local"로 설정하여 GPTResearcher 클래스를 인스턴스화하세요. 코드 예제를 참조하세요.

👪 다중 에이전트 어시스턴트

AI가 프롬프트 엔지니어링 및 RAG에서 다중 에이전트 시스템으로 발전함에 따라, 우리는 LangGraph로 구축된 새로운 다중 에이전트 어시스턴트를 소개합니다.

LangGraph를 사용하면 여러 에이전트의 전문 기술을 활용하여 연구 과정의 깊이와 질을 크게 향상시킬 수 있습니다. 최근 STORM 논문에서 영감을 받아, 이 프로젝트는 AI 에이전트 팀이 주제에 대한 연구를 계획에서 출판까지 함께 수행하는 방법을 보여줍니다.

평균 실행은 5-6 페이지 분량의 연구 보고서를 PDF, Docx, Markdown 형식으로 생성합니다.

여기에서 확인하거나 문서에서 자세한 내용을 참조하세요.

🖥️ 프론트엔드 애플리케이션

GPT-Researcher는 사용자 경험을 개선하고 연구 프로세스를 간소화하기 위해 향상된 프론트엔드를 제공합니다. 프론트엔드는 다음과 같은 기능을 제공합니다:

연구 쿼리를 입력할 수 있는 직관적인 인터페이스
연구 작업의 실시간 진행 상황 추적
연구 결과의 대화형 디스플레이
맞춤형 연구 경험을 위한 설정 가능

두 가지 배포 옵션이 있습니다:

FastAPI로 제공되는 경량 정적 프론트엔드
고급 기능을 제공하는 NextJS 애플리케이션

프론트엔드 기능에 대한 자세한 설치 방법 및 정보를 원하시면 문서 페이지를 참조하세요.

🚀 기여하기

우리는 기여를 적극 환영합니다! 관심이 있다면 기여 가이드를 확인해 주세요.

로드맵 페이지를 확인하고, 우리 Discord 커뮤니티에 가입하여 우리의 목표에 함께 참여해 주세요. <a href="https://github.com/assafelovic/gpt-researcher/graphs/contributors">

</a>

✉️ 지원 / 문의

커뮤니티 Discord
저자 이메일: [email protected]

🛡️ 면책 조항

이 프로젝트인 GPT Researcher는 실험적인 응용 프로그램이며, 명시적이거나 묵시적인 보증 없이 "있는 그대로" 제공됩니다. 우리는 이 코드를 학술적 목적으로 Apache 2 라이선스 하에 공유하고 있습니다. 여기에 있는 것은 학술적 조언이 아니며, 학술 또는 연구 논문에 사용하는 것을 권장하지 않습니다.

편향되지 않은 연구 주장에 대한 우리의 견해:

GPT Researcher의 주요 목표는 잘못된 정보와 편향된 사실을 줄이는 것입니다. 그 방법은 무엇일까요? 우리는 더 많은 사이트를 스크래핑할수록 잘못된 데이터의 가능성이 줄어든다고 가정합니다. 여러 사이트에서 정보를 스크래핑하고 가장 빈번한 정보를 선택하면, 모든 정보가 틀릴 확률은 매우 낮습니다.
우리는 편향을 완전히 제거하려고 하지는 않지만, 가능한 한 줄이는 것을 목표로 합니다. 우리는 인간과 LLM의 가장 효과적인 상호작용을 찾기 위한 커뮤니티입니다.
연구에서 사람들도 이미 자신이 연구하는 주제에 대해 의견을 가지고 있기 때문에 편향되는 경향이 있습니다. 이 도구는 많은 의견을 스크래핑하며, 편향된 사람이라면 결코 읽지 않았을 다양한 견해를 고르게 설명합니다.

GPT-4 모델을 사용할 경우, 토큰 사용량 때문에 비용이 많이 들 수 있습니다. 이 프로젝트를 사용하는 경우, 자신의 토큰 사용량 및 관련 비용을 모니터링하고 관리하는 것은 본인의 책임입니다. OpenAI API 사용량을 정기적으로 확인하고, 예상치 못한 비용을 방지하기 위해 필요한 한도를 설정하거나 알림을 설정하는 것이 좋습니다.