GPT Researcher：破解复杂研究的AI利器-51CTO.COM

作者 | 崔皓

审校 | 重楼

在现代研究环境中，处理如详尽研究工作或学术论文撰写等复杂任务对当前的大型语言模型(如ChatGPT)来说是一个挑战。这些任务通常需要长时间的手动干预和多步骤操作，现有的AI工具往往无法在没有人类帮助的情况下完成这些复杂任务。

GPT Researcher 受到 Plan-and-Solve 方法的启发，提供了解决这一问题的方法。通过将复杂任务拆解为更小的子任务并并行执行，GPT Researcher 提高了研究的效率和准确性。它利用大模型从多个在线资源中抓取和综合信息，生成详细研究的报告。其灵活的配置支持不同的大型语言模型和检索器，使其能够适应各种研究需求。

本文展示了如何通过一条提示词，让GPT Researcher 生成对应的研究报告。这展示了GPT Researcher 在自动化研究领域的巨大潜力，为未来的研究工作提供了新的思路和方法。

复杂任务处理：从头CoT到Plan-And-Solve

在现代研究环境中，复杂任务如进行详尽的研究工作或撰写学术论文，是目前的大型语言模型(包括AI聊天助理如ChatGPT)难以一次性完成的。这些任务通常需要长时间的手动干预和多步骤的操作，而现有的AI工具往往无法在没有人类帮助的情况下完整地执行这些复杂任务。然后，手动执行研究任务既费时又费力，往往需要数周才能找到合适的资源和信息。虽然，当前的大型语言模型已经非常强大了，但它们主要训练于过去的数据，存在着信息过时和幻觉风险。此外，现有的启用网络搜索的解决方案通常只能访问有限的资源，导致结论可能肤浅或有偏见。

为了应对这些挑战，研究人员提出了链式思维(Chain of Thought, CoT)的思路。链式思维(Chain of Thought, CoT)是一种推理方法，旨在通过生成一系列中间步骤来逐步解决复杂问题，从而提高大型语言模型(LLMs)的解答能力。CoT 的核心理念是让模型在回答复杂问题时，逐步生成中间推理步骤，每一步都为最终答案提供部分解答。这种方法通过分解问题，使模型能够更清晰地理解并解决复杂的任务。

例如，假设我们要解决一个数学问题：“一个人走了3公里，又走了2公里，总共走了多少公里?”。通过CoT的方法，我们可以这样进行：

理解问题：知道问题是关于总共走了多少公里。
分解步骤：把走的每段路程列出来。
逐步计算：先计算第一段3公里，再计算第二段2公里，然后把两段路程加起来。
得到答案：3公里 + 2公里 = 5公里。

通过这种逐步分解的方法，模型能够更准确地解决复杂的问题。这种拆解步骤的方式，传统的CoT是通过示例的方式教给模型学习的。还是上面的例子，传统CoT的做法是提供示例如下。

问题：一个人走了3公里，又走了2公里，总共走了多少公里?
步骤：
他先走了3公里。
然后又走了2公里。
把两段距离加起来。
答案：3公里 + 2公里 = 5公里。

通过问题，步骤，答案的方式教给大模型如何处理复杂问题，也就是告诉大模型如何按照步骤进行拆解和执行复杂问题。随着基座模型的参数量增加以及训练数据集的激增，模型的能力越来越强，此时就出现了Zero-shot-CoT(Zero-shot Chain of Thought)。它是CoT 的一种变体，旨在无需任何示例的情况下，通过逐步推理提高LLMs的复杂问题解答能力。传统的CoT 方法通常需要为每个任务提供一些示例，以帮助模型逐步解决问题。而Zero-shot-CoT 则通过输入简单的提示词：“让我们一步一步地思考”，引导模型生成多步骤的推理路径，无需任何示例。

还是上面的例子，对于Zero-shot-CoT而言只需要输入如下信息，然后得到结果：

初始提示：“一个人走了3公里，又走了2公里，总共走了多少公里?让我们一步一步地思考。”
推理步骤：
首先，这个人走了3公里。
接着，他又走了2公里。
把这两段距离加起来。
答案提取：因此，答案(阿拉伯数字)是5。

通过Zero-shot-CoT，模型能够在没有示例的情况下，通过“让我们一步一步地思考”的提示，自行推理并解决问题。

尽管Zero-shot-CoT取得了成功，但它仍然存在三个主要缺陷，

计算错误：模型在推理过程中可能会产生计算错误。
缺失步骤错误：模型可能会遗漏一些必要的中间步骤。
语义误解错误：模型可能会误解问题的语义，导致不准确的答案。

为了解决Zero-shot-CoT的方法所存在的问题，研究人员又提出了Plan-and-Solve(PS)方法。PS提示由两个部分组成：

计划：首先制定计划，将整个任务划分为更小的子任务。
执行：然后根据计划执行这些子任务。通过这种方法，PS提示能够使LLMs明确地设计解决问题的计划，并在预测最终答案之前生成中间推理过程。

了解GPT Researcher：从架构到流程

前面我们介绍了通过CoT的思路解决了负责任务的执行问题，同时也提出了由于CoT存在的问题，因此研究任务提出了Plan-and-Solve(PS)的方案。接下来，我们会基于Plan-and-Solve的思路来看看最佳实践：GPT Researcher，它是一种自主代理，能够生成详细、真实和公正的研究报告，并提供专注于相关资源、大纲和课程的定制选项。受到最近的 Plan-and-Solve 和 RAG 论文的启发，GPT Researcher 解决了速度、确定性和可靠性问题，通过并行代理工作(而不是同步操作)提供更稳定的性能和更高的速度。

当前的LLMs(大语言模型)面临一些显著的问题。首先，由于它们的训练数据基于过去和过时的信息，导致模型在生成内容时常常出现幻觉，这使得它们难以胜任实时研究任务。此外，许多LLMs的输出仅限于短令牌，这对于生成长篇、详细的研究报告来说是不够的。支持网络搜索的解决方案(例如 ChatGPT + Web 插件)也存在局限性，因为它们仅能访问有限的资源和内容，这可能导致结论肤浅或有偏见。依赖少数精选资源进行研究可能会在确定研究问题或任务的正确结论时产生偏差。

为了解决这些问题，GPT Researcher 采用了Plan-and-Solve的方法，通过先制定计划将复杂任务分解为更小的子任务，然后并行执行这些子任务，从而提高了研究的效率和准确性。通过并行处理，GPT Researcher 能够同时访问和整合大量的网络资源，生成客观和详尽的研究报告。这不仅解决了当前LLMs在信息时效性、输出长度和资源有限性方面的不足，还减少了人为干预的需求，大大提升了研究任务的稳定性和速度。GPT Researcher 的这种创新方法展示了其在在线研究领域的巨大潜力，为未来的自动化研究提供了新的思路和方法。GPT Researcher 的核心特点包括：

计划与执行模型：采用PS提示方法，将复杂任务划分为子任务，并逐步执行。
并行处理：利用Python的asyncio库，实现并行处理，显著缩短研究时间。
多源信息聚合：从多个在线资源中抓取信息，并对其进行总结和过滤，生成客观和事实性的研究报告。
高效报告生成：使用GPT-4模型生成详细的研究报告，提供结构良好、信息丰富的内容。

在了解了GPT Researcher核心特点之后，我们来通过下图了解一下它的架构。

Task：整个研究任务是由一个特定的研究查询或任务驱动的。这一步骤确定了需要解决的问题，并为后续的任务制定了明确的目标。
Planner：“计划者”代理的主要任务是生成研究问题。根据研究查询，计划者会制定一系列具体的研究问题，这些问题共同构成对任务的全面理解。计划者确保研究问题覆盖了任务的各个方面，从而为后续的信息搜集和分析打下基础。
Researcher：“执行者”代理负责根据计划者生成的每个研究问题寻找最相关的信息。这个步骤中，执行者代理会触发爬虫代理，在网络上抓取与每个研究问题相关的资源。执行者代理利用注入gpt3.5-turbo和gpt-4-turbo的大模型来处理和分析这些信息
Query：在执行代理搜集信息的过程中，系统会不断发出查询请求。这些查询是基于研究问题设计的，目的是在网络上找到最相关和最新的信息资源。每个查询都是一个精确的问题，确保获取的信息是高质量且相关的。

Publisher：此时，“计划者”会过滤并汇总所有相关信息，创建最终的研究报告。这个步骤包括对所有抓取到的资源进行总结，并跟踪其来源，确保信息的可靠性和可追溯性。最终的研究报告由”发布者“进行发布，它整合了所有的总结信息，提供一个全面、详尽且公正的研究结果。

GPT Researcher 架构

通过对GPT Researcher 的架构分析，我们将GPT Researcher 的工作流程整理如下：

生成研究问题提纲：形成对任何给定任务的客观意见。
触发爬虫代理：对于每个研究问题，从网上资源中抓取相关信息。
总结和过滤：对抓取的资源进行总结和过滤，仅保留相关信息。
生成研究报告：聚合所有总结的资源，使用GPT-4生成最终的研究报告。

初探GPT Researcher：代码结构与基本配置

前面介绍了GPT Researcher 的架构和工作流程，我们来看看它是如何使用的。我们可以通过GitHub 地址(https://github.com/assafelovic/gpt-researcher)访问GPT Researcher，如下图所示从去年底到现在这个项目已经有10K+star 了。

接着，我们会安装GPT Researcher，确保系统中安装 Python 3.11 或更高版本。请参考[这里](https://www.python.org/downloads/)获取详细的安装指南。

通过如下命令，下载项目并导航到其目录：

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

下载GPT Researcher的源码之后，可以通过下图来看看它的内部结构。

Backend 文件夹中的代码文件用来处理GPT Researcher的后台网络请求，这里利用FastAPI 框架创建应用程序，它具有处理静态文件、模板渲染和 WebSocket 连接的功能。
Docs文件夹用来存放使用手册以及GPT Researcher最新的Blog 文章。
Examples文件夹提供了简单的GPT Researcher例子。
Frontend 文件夹包含 GPT Researcher前端界面的信息，包括html、css、js 等文件。
Gpt_researcher 文件夹存放核心代码，包括参数配置、上下文管理、大模型管理、代理、函数、提示词管理、记忆管理、网络爬虫工具以及搜索引擎工具等。
Mulit_agents 用来支持多代理模式。
Outputs 用来保存输出的研究文档，目前GPT Researcher支持研究结果以word、MD等多种文档的方式下载。
Main.py 是 GPT Researcher Web 应用的入口文件，我们通过它启动整个应用。
Requirements.txt 用来存放依赖的组件库，然后需要结合PIP 命令对其中包含的组件进行安装，从而保证GPT Researcher的运行。

由于GPT Researcher 需要借助大模型以及网络搜索技术完成研究工作，所以需要获取两者的访问权限。因此我们需要对大模型和搜索引擎的API密钥进行设置，可以使用两种方法设置API密钥：直接导出或将其存储在 .env 文件中。这里的API 密钥是用来访问大模型(OpenAI)和搜索引擎(Tavily Search API)的，需要通过API密钥的方式获取二者的访问权限。

可以通过如下命令完成：

export OPENAI_API_KEY={Your OpenAI API Key here}
export TAVILY_API_KEY={Your Tavily API Key here}

同时，还可以通过配置文件完成密钥的配置，在gpt-researcher目录中找到.env 文件，打开该文件进行API 密钥的设置。

并输入以下密钥：

OPENAI_API_KEY={Your OpenAI API Key here}
TAVILY_API_KEY={Your Tavily API Key here}

执行 GPT Researcher：研究报告与成果解析

在完成了下载和配置工作之后，我们需要运行GPT Researcher 看看它能否帮助我们解决复杂的研究工作。

在执行之前需要通过如下命令安装依赖项，也就是依赖的组件库。

pip install -r requirements.txt

接着，通过命令行使用 FastAPI 运行代理，启动 GPT Researcher 的Web 应用。

uvicorn main:app --reload

此时，控制台会输出如下内容：

NFO:     Will watch for changes in these directories: ['/Users/cuihao/Doc/39 GPT/zhibo code/gpt-researcher']
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO:     Started reloader process [15959] using WatchFiles
INFO:     Started server process [15961]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     127.0.0.1:51267 "GET / HTTP/1.1" 200 OK
INFO:     127.0.0.1:51279 "GET /static/gptr-logo.png HTTP/1.1" 200 OK
INFO:     127.0.0.1:51267 "GET /site/styles.css HTTP/1.1" 200 OK
INFO:     127.0.0.1:51279 "GET /site/scripts.js HTTP/1.1" 200 OK
INFO:     127.0.0.1:51279 "GET /static/favicon.ico HTTP/1.1" 200 OK

说明GPT Researcher 的Web 应用已经启动，并且告诉使用者可以通过http://127.0.0.1:8000的地址访问GPT Researcher。

启动之后会看到如下图的界面，即GPT Researcher 的宣传语。

接着会看到GPT Researcher 的主界面，如下图所示：

在 “What would you like me to research next? ”下方的文本框，可以输入你要研究的内容，也就是提示词信息。

在”What type of report would you like me to generate?”下方会提供一个下拉框，可以选择研究报告的类型，目前提供三类：

Summary Short and fast (~2 min)：摘要类型，特点是内容较少但是生成速度较快。
Detailed In depth and longer (~5 min)：详细类型，更加有深度，内容比较多，生成速度会慢一点。
Resource Report：原始报告，将提供所有网络搜索的内容以供参考。

在”Agent Output”的部分会看到研究的计划和任务的执行情况。“Research Report” 中会生成最终的生成报告。

介绍完GPT Researcher的整体布局之后，我们来实测一下它的研究能力，如下图所示，输入“ai agent 在企业中的应用”作为我们的研究主题，并且选择Summary类型作为报告生成方式。

点击“Research”按钮之后开始执行研究任务，同时Agent Output输出如下图所示内容。

Thinking about research questions for the task...

GPT Researcher在生成研究问题，以便为特定任务形成客观和全面的研究框架。

Starting the research task for 'ai agent 在企业中的应用'...

GPT Researcher开始执行具体的研究任务，基于用户提供的主题 "ai agent 在企业中的应用"。

Business Analyst Agent

GPT Researcher采用了一个特定的“商业分析代理”来处理研究任务。

I will conduct my research based on the following queries: ['ai agent 在企业中的应用 2024', 'ai agent 在企业中的应用中国 2024', 'ai agent 在企业中的应用案例分析 2024', 'ai agent 在企业中的应用']...

GPT Researcher列出了将要使用的具体查询。这些查询反映了研究任务的多维度，包括时间、地点和具体应用案例。

Running research for 'ai agent 在企业中的应用 2024'...

显示GPT Researcher实际开始对指定查询执行研究任务。

执行过程中如果切换到控制台，从命令行的输出来看，发现如下内容。由于内容较多，我们截取其中一部分给大家解释。

Starting the research task for 'ai agent 在企业中的应用'...
https://api.chatanywhere.tech/v1
Business Analyst Agent
https://api.chatanywhere.tech/v1
I will conduct my research based on the following queries: ['ai agent 在企业中的应用 2024', 'ai agent 在企业中的应用中国 2024', 'ai agent 在企业中的应用案例分析 2024', 'ai agent 在企业中的应用']...
Running research for 'ai agent 在企业中的应用 2024'...
✅ Added source url to research: https://zhuanlan.zhihu.com/p/675595267
✅ Added source url to research: https://www.technologyreview.com/2024/05/14/1092407/googles-astra-is-its-first-ai-for-everything-agent/
✅ Added source url to research: https://zhuanlan.zhihu.com/p/676245844
✅ Added source url to research: https://www.infoq.cn/article/bqmoGzkvE4GwWsvruqHp
✅ Added source url to research: https://www.thepaper.cn/newsDetail_forward_27225624
Researching for relevant information...
Getting relevant content based on query: ai agent 在企业中的应用 2024...
Source: https://www.thepaper.cn/newsDetail_forward_27225624
Title:
Content: 登录
《2024年AI Agent行业报告》——大模型时代的“APP”，探索新一代人机交互及协作范式
原创刘瑶甲子光年
60页报告，和100+场景梳理，可能依然赶不上飞速发展的AI Agent！
随着大型模型在各行各业的广泛应用，基于大型模型的人工智能体（AI Agent）迎来了快速发展的阶段。研究AI Agent是人类不断接近人工通用智能（AGI）的探索之一。知名AI Agent项目AutoGPT已经在GitHub的星星数已经达到 140,000 颗，进一步反映了用户对于AI Agents 项目的广泛兴趣和支持。
随着AI Agent变得越来越易用和高效，"Agent+"的产品越来越多，未来AI Agent有望成为AI应用层的基本架构，涵盖toC和toB产品等不同领域。
因此甲子光年推出《2024年AI Agent行业报告》，探讨AI Agent在概念变化，学术及商业界的尝试与探索，对各行业、各场景对于AIGC技术的需求进行调研及梳理，展示AI Agent领域近期的突破及商业实践范式，对未来行业的趋势进行研判。
原标题：《《2024年AI Agent行业报告》——大模型时代的“APP”，探索新一代人机交互及协作范式｜甲子光年智库》
<省略部分内容……>

这里的输出结果更加详细，方便我们了解GPT Researcher的工作流程，大致包括如下5个步骤：

启动研究任务：

开始研究主题为“ai agent 在企业中的应用”的任务。

选择和执行商业分析代理：

选择了“Business Analyst Agent”作为执行任务的代理。

生成查询：

生成了一系列研究查询，此时会调用搜索引擎，查询内容包括：

'ai agent 在企业中的应用 2024'
'ai agent 在企业中的应用中国 2024'
'ai agent 在企业中的应用案例分析 2024'
'ai agent 在企业中的应用'

执行具体查询：

对每个查询分别进行研究，并添加相关的资源URL，例如：

https://zhuanlan.zhihu.com/p/675595267 等。

获取相关内容：

从添加的资源URL中获取相关内容，并展示部分内容摘要。例如：

《2024年AI Agent行业报告》：探讨AI Agent在各行各业的应用、概念变化、学术及商业界的尝试与探索。

上面这些研究、搜索、汇总工作都是由GPT Researcher 自动完成不需要人工干预，大约2分钟之后整个过程执行完毕。此时，我们可以通过选择下载报告文件类型的方式选择要下载的文件格式。这里我选择了Word 和MD的文件格式进行下载，如下图所示，与此同时在源代码目录下outputs 目录中也会生成对应的文件。

我们打开Word 文件，查看其内容如下图所示。左边显示了研究报告的目录结构，包括：基本概念，应用场景，技术架构，优势和挑战等，看上去还比较全面。

在研究报告的最后，还提供了参考文献的链接，如下图所示，这些文献都是来自于互联网搜索的结果。

集成GPT Researcher：从应用到扩展

通过执行GPT Researcher让其为我们研究“ai agent 在企业中的应用”，这个操作过程是通过GPT Researcher提供的Web 应用界面完成的。如果我们需要将GPT Researcher的能力集成到自己的项目中，我们就需要将 GPTResearcher 引入到现有的 Python 项目中。

大致步骤如下，首先需要导入相关模块并定义全局常量，如研究查询和报告类型。然后，通过定义异步函数来初始化GPT Researcher 实例并执行研究任务。最后，运行主函数以生成和打印研究报告。

我们将上述扩展过程整理成如下代码：

from gpt_researcher import GPTResearcher
import asyncio
QUERY = "<填写需要研究的内容>"
REPORT_TYPE = "research_report"
async def fetch_report(query, report_type):
    researcher = GPTResearcher(query=query, report_type=report_type, config_path=None)
    await researcher.conduct_research()
    report = await researcher.write_report()
    return report
async def generate_research_report():
    report = await fetch_report(QUERY, REPORT_TYPE)
    print(report)
if __name__ == "__main__":
    asyncio.run(generate_research_report())

代码内容主要使用GPT Researcher调用研究任务的计划、执行、搜索、总结的能力，详细代码解释如下：

(1) 导入模块

from gpt_researcher import GPTResearcher
import asyncio

导入了自定义模块 gpt_researcher 中的 GPTResearcher 类，用于后续研究报告的生成。同时导入了 asyncio 模块，用于支持异步编程。

(2) 定义全局常量

QUERY = "<填写需要研究的内容>"
REPORT_TYPE = "research_report"

定义了两个全局常量：QUERY 保存查询问题，REPORT_TYPE 保存报告类型。

(3) 异步函数 fetch_report

async def fetch_report(query, report_type):
    researcher = GPTResearcher(query=query, report_type=report_type, config_path=None)
    await researcher.conduct_research()
    report = await researcher.write_report()
    return report

定义了一个名为 fetch_report 的异步函数，用于根据给定的查询和报告类型获取研究报告。

创建 GPTResearcher 实例，传入查询和报告类型。
调用 conduct_research 方法执行研究。
调用 write_report 方法生成报告并返回。

(4) 异步函数 generate_research_report

async def generate_research_report():
    report = await fetch_report(QUERY, REPORT_TYPE)
    print(report)

定义了一个名为 generate_research_report 的异步函数，用于执行生成研究报告的主要逻辑。调用 fetch_report 函数获取研究报告。打印生成的报告。

(5) 主程序入口

if __name__ == "__main__":
    asyncio.run(generate_research_report())

在脚本作为主程序运行时，调用 asyncio.run 方法执行 generate_research_report 函数，启动异步任务并生成报告。

整体而言这段代码，使用异步编程技术，通过 GPTResearcher 类生成关于指定查询的研究报告，并在主程序中执行生成并打印结果。

定制GPT Researcher：从配置到应用

我们不仅可以将GPT Researcher集成应用中，还可以对大模型，搜索引擎等信息进行定制。在源代码目录下面的gpt_researcher/config目录下面，存在配置文件 config.py，文件中描述了所有可以配置的环境变量。基于这些环境变量，你可以根据具体需求灵活定制 GPT Researcher。包括选择不同的搜索引擎、嵌入提供商和大语言模型提供商，以确保获得最佳的研究结果。而这些配置参数设置在.env 文件中保存。说白了，就是config.py 文件中定义配置的信息，具体的配置在.env 中描述。

config.py 文件中的配置类定义如下：

def __init__(self, config_file: str = None):
        """Initialize the config class."""
        self.config_file = os.path.expanduser(config_file) if config_file else os.getenv('CONFIG_FILE')
        self.retriever = os.getenv('RETRIEVER', "tavily")
        self.embedding_provider = os.getenv('EMBEDDING_PROVIDER', 'openai')
        self.llm_provider = os.getenv('LLM_PROVIDER', "openai")
        self.fast_llm_model = os.getenv('FAST_LLM_MODEL', "gpt-3.5-turbo-16k")
        self.smart_llm_model = os.getenv('SMART_LLM_MODEL', "gpt-4o")
        self.fast_token_limit = int(os.getenv('FAST_TOKEN_LIMIT', 2000))
        self.smart_token_limit = int(os.getenv('SMART_TOKEN_LIMIT', 4000))
        self.browse_chunk_max_length = int(os.getenv('BROWSE_CHUNK_MAX_LENGTH', 8192))
        self.summary_token_limit = int(os.getenv('SUMMARY_TOKEN_LIMIT', 700))
        self.temperature = float(os.getenv('TEMPERATURE', 0.55))
        self.user_agent = os.getenv('USER_AGENT', "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 "
                                                   "(KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36 Edg/119.0.0.0")
        self.max_search_results_per_query = int(os.getenv('MAX_SEARCH_RESULTS_PER_QUERY', 5))
        self.memory_backend = os.getenv('MEMORY_BACKEND', "local")
        self.total_words = int(os.getenv('TOTAL_WORDS', 800))
        self.report_format = os.getenv('REPORT_FORMAT', "APA")
        self.max_iterations = int(os.getenv('MAX_ITERATIONS', 3))
        self.agent_role = os.getenv('AGENT_ROLE', None)
        self.scraper = os.getenv("SCRAPER", "bs")
        self.max_subtopics = os.getenv("MAX_SUBTOPICS", 3)

        self.load_config_file()

    def load_config_file(self) -> None:
        """Load the config file."""
        if self.config_file is None:
            return None
        with open(self.config_file, "r") as f:
            config = json.load(f)
        for key, value in config.items():
            setattr(self, key.lower(), value)

由于配置参数内容比较多，这里我们挑选几个经常用的配置给大家介绍。这些配置参数可以在 .env 文件中设置，并在 Config 类初始化时加载。以下是主要配置选项的介绍：

RETRIEVER：用于检索资源的网络搜索引擎。默认值为 tavily，可选项包括 duckduckgo、bing、google、serper、searx。通过设置 RETRIEVER 环境变量，可以选择不同的搜索引擎。例如，在.env 中使用 Bing 搜索引擎：

RETRIEVER=bing

EMBEDDING_PROVIDER：嵌入模型的提供商。默认值为 openai，可选项包括 ollama、huggingface、azureopenai、custom。可以通过设置 EMBEDDING_PROVIDER 环境变量来选择不同的提供商：

EMBEDDING_PROVIDER=huggingface

LLM_PROVIDER：大语言模型(LLM)的提供商。默认值为 openai，可选项包括 google、ollama、groq 等。可以通过设置 LLM_PROVIDER 环境变量选择不同的 LLM 提供商：

LLM_PROVIDER= openai

FAST_LLM_MODEL：用于快速 LLM 操作(如摘要)的模型名称。默认值为 gpt-3.5-turbo-16k。可以通过设置 FAST_LLM_MODEL 环境变量调整此模型：

FAST_LLM_MODEL=gpt-3.5-turbo-16k

SMART_LLM_MODEL：用于复杂操作(如生成研究报告和推理)的模型名称。默认值为 gpt-4o。可以通过设置 SMART_LLM_MODEL 环境变量来选择合适的模型：

SMART_LLM_MODEL=gpt-4o

总结

GPT Researcher 在自动化研究领域中展示了显著的进步，解决了传统大型语言模型的局限性。通过采用 Plan-and-Solve 方法，GPT Researcher 能够高效处理以前需要大量人力的复杂任务。它能够拆解任务、进行并行处理，并从多个来源生成详细的报告，确保高准确性和客观性。此外，其灵活的配置使用户可以根据具体的研究需求对其进行定制，增强了其在各种领域的实用性。随着AI技术的不断发展，像GPT Researcher这样的工具将在简化研究过程方面发挥关键作用，使高质量的信息变得更加易于获取，并减少完成综合研究所需的时间和精力。

参考

https://papers.nips.cc/paper_files/paper/2022/file/8bb0d291acd4acf06ef112099c16f326-Paper-Conference.pdf。

https://ar5iv.labs.arxiv.org/html/2305.04091。

作者介绍

崔皓，51CTO社区编辑，资深架构师，拥有18年的软件开发和架构经验，10年分布式架构经验。

想了解更多AIGC的内容，请访问：

51CTO AI.x社区

https://www.51cto.com/aigc/