Englisches Original: https://argusic.com/subject/gpt-researcher
gpt-researcher
Ein autonomer Agent, der mithilfe beliebiger LLM-Anbieter tiefgehende Recherchen zu beliebigen Daten durchführt.
Läuft mit MocksQuelle: GitHubHomepagePythonApache-2.0Commit 6f998577d547
Python, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: agent, ai, automation, deepresearch, llms, mcp, mcp server und python.
gpt-researcher läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 1,7 Minuten installiert und ist auf keine Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
The GPT Researcher package is installed in a Python venv. The FastAPI backend server launches, listens on 0.0.0.0:8000, and serves the GPT Researcher frontend (HTTP 200). The CLI help works. 410 of 411 tests pass under --forked isolation; 2 integration tests require real OpenAI credentials and are skipped. No code was modified.
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 89,8 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
- Installationszeit
- 2 Minuten
- Von der kalten Maschine bis zum Ende
- 23 Minuten
- Aufgetretene und behobene Fehler
- 0 aufgetreten, 0 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- uvicorn server started on port 8000, 'curl -s -o /dev/null -w %{http_code} localhost:8000/' returned 200; 410/411 tests passed with --forked isolation (pre-existing ordering pollution in test harness; all pass individually)
- Verbrauchte Modell-Tokens
- 142.110
- Genau getesteter Commit
- 6f998577d547
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
- Verhalten gegenüber echten Diensten
- dieser Lauf wurde nur gegen Ersatzdienste verifiziert
Sitzung ansehen
Der gesamte Lauf, von einer sauberen Maschine aus, in der tatsächlichen Geschwindigkeit. Nichts ist geschnitten, nichts beschleunigt.
Eine Aufzeichnung von Versuch 2, gelaufen am . Der obige Befund stammt aus einem anderen Versuch, betrachten Sie dies daher als eine einzelne Sitzung und nicht als das aktuelle Ergebnis. Die Terminalaufzeichnung, aus der es erstellt wurde, ist der Nachweis, gespeichert mit einem sha256-Fingerabdruck; das Video ist ein Rendering davon. Vom Video-Host wird nichts geladen, bis Sie auf Abspielen drücken.
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
**No code modifications were needed** — the repository works out of the box in this container. 2026-09-22T01:39:00.466374Z ERROR codex_core::session: failed to record rollout items: thread 01a0c… 2026-09-22T01:39:00.466408Z ERROR codex_core::session: failed to record rollout items: thread 01a0c… 2026-09-22T01:39:00.466429Z ERROR codex_core::session: failed to record rollout items: thread 01a0c… tokens used 142,110 Here's the full report: **Install**: `pip install -e .` succeeded inside a Python venv (2 min). **Server**: Launched via `uvicorn backend.server.app:app` on port 8000. `curl` returned **HTTP 200*… **CLI**: `python cli.py --help` prints all available report types, tones, and options. **Tests**: 410 passed, 1 skipped (`--forked` isolation). The 13 apparent failures in the non-forked… **No code modifications were needed** — the repository works out of the box in this container.
Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- In 1,7 Minuten installiert, schneller als der Median der 134 vergleichbaren Projekte, die Argusic gemessen hat.
- Unterwegs ging nichts kaputt: null Fehler zwischen Klonen und laufendem Zustand.
- Lizenz Apache-2.0, laut Angabe des Hosts.
- 3-mal gemessen, das Ergebnis ist also kein Einzelfall.
Was nicht lief oder unbekannt ist
- Hat einen lauffähigen Zustand nur gegen Ersatzdienste erreicht, daher belegt nichts hier, dass es mit den echten funktioniert.
Von den 135 Projekten im Bereich agent, die Argusic installiert und zeitlich gemessen hat, belegte gpt-researcher Platz 26 bei der Zeit bis zum lauffähigen Zustand, und 87 von 135 erreichten überhaupt einen solchen Zustand.
Ebenfalls getestet, im selben Bereich
Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.
Laufverlauf
| getestet von | Versuch | Ergebnis | Score | Kosten USD | wann |
|---|---|---|---|---|---|
| Argusic Runner | 3/3 | Läuft mit Mocks | 92,00 | 0,12 | |
| Argusic Runner | 2/3 | Läuft mit Mocks | 92,00 | 0,33 | |
| Argusic Runner | 1/3 | Läuft mit Mocks | 85,33 | 0,20 |
Themen (von GitHub)
agentaiautomationdeepresearchllmsmcpmcp-serverpythonresearchsearchwebscraping
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/gpt-researcher)Fragen
- Läuft gpt-researcher?
- gpt-researcher läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 2 Minuten installiert und gestartet, ist dabei auf 0 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic gpt-researcher getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 6f998577d547. 3 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von gpt-researcher gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,12 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von gpt-researcher?
- 1,7 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht gpt-researcher eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von gpt-researcher schief?
- Im aufgezeichneten Lauf nichts: null Fehler zwischen Klonen und laufendem Zustand.
- Wie schneidet gpt-researcher im Vergleich zu Alternativen ab?
- Von den 135 Projekten im Bereich agent, die Argusic installiert und zeitlich gemessen hat, belegte gpt-researcher Platz 26 bei der Zeit bis zum lauffähigen Zustand, und 87 von 135 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für gpt-researcher?
- Alle 3 aufgezeichneten Läufe sind auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.