Open-Source-Alternative zu OpenAI Deep Research ohne das 200-Dollar-Abonnement

Als OpenAI Deep Research als Teil des 200-Dollar-pro-Monat-Pro-Abos einführte, wollten Entwickler sofort zwei Dinge: Nur für tatsächlich verwendete Tokens bezahlen und eigene Modelle verbinden. Zweihundert Dollar für ein paar komplexe Rechercheaufgaben pro Woche sind für die meisten Leute nicht attraktiv.

Ein Forschungsteam von HKUDS hat den Rechercheagenten aus ihrem AutoAgent-Framework extrahiert und als eigenständiges Repository HKUDS/Auto-Deep-Research verpackt. Das Projekt läuft lokal, richtet automatisch eine isolierte Docker-Umgebung ein und kann Webseiten über benutzerdefinierte LLM-Anbieter durchsuchen.

Was steckt im Projekt

Auto-Deep-Research führt mehrstufige Informationsbeschaffung durch. Du stellst eine komplexe Frage, und der Agent erstellt einen Plan, sucht nach Artikeln, besucht Webseiten, analysiert Seiten und fasst die Erkenntnisse in einem abschließenden Bericht zusammen.

Die Architektur basiert auf mehreren Agent-Systemkomponenten:

• Isolierte Ausführungsumgebung in Docker für sicheres Ausführen von Browsern und Skripten
• LiteLLM-Integration, die es dem Agenten ermöglicht, mit OpenAI-, Anthropic-, Gemini-, Mistral-, HuggingFace-Modellen und lokalen Gewichten über vLLM zu arbeiten
• Unterstützung für Modelle mit und ohne native Function Calling
• Möglichkeit, lokale Dateien zur Analyse an den Agenten zu übergeben

Im GAIA-Benchmark zeigt das Projekt solide Ergebnisse unter Open-Source-Agent-Implementierungen.

Schnellstart und Ausführung in Docker

Du brauchst Docker und Python 3.10 installiert. Das Tool zieht automatisch das passende Container-Image für deine Prozessorarchitektur (x86 oder ARM), sodass du kein Dockerfile manuell erstellen musst.

Installation des Pakets in einer virtuellen Umgebung:

conda create -n auto_deep_research python=3.10
conda activate auto_deep_research
git clone https://github.com/HKUDS/Auto-Deep-Research.git
cd Auto-Deep-Research
pip install -e .

Erstelle als nächstes eine .env-Datei mit deinen API-Schlüsseln. Du musst nicht alles ausfüllen – füge einfach den Schlüssel für den Anbieter hinzu, den du nutzen möchtest.

Ausführung mit verschiedenen Modellen

Standardmäßig zielt das Tool auf claude-3-5-sonnet-20241022, aber du kannst das Modell direkt vor dem Startbefehl über Umgebungsvariablen überschreiben.

Bei Ausführung mit Anthropic:

# в .env задаем ANTHROPIC_API_KEY
auto deep-research

Für OpenAI:

# в .env задаем OPENAI_API_KEY
COMPLETION_MODEL=gpt-4o auto deep-research

Wenn du günstiges DeepSeek-R1 über OpenRouter oder die offizielle API ausführen möchtest:

# через OpenRouter
OPENROUTER_API_KEY=your_key COMPLETION_MODEL=openrouter/deepseek/deepseek-r1 auto deep-research

# напрямую через DeepSeek
DEEPSEEK_API_KEY=your_key COMPLETION_MODEL=deepseek/deepseek-chat auto deep-research

Groq mit schnellen Distillaten wird ebenfalls unterstützt:

GROQ_API_KEY=your_key COMPLETION_MODEL=groq/deepseek-r1-distill-llama-70b auto deep-research

Das Tool akzeptiert --container_name und --port-Parameter, falls der Standardport 12346 bereits von einem anderen Dienst belegt ist.

Praktische Details: Authentifizierung und Dateien

Ein häufiger Stolperstein bei Rechercheagenten sind Paywalls und eingeschränkte Seiten. Wenn der Bot auf eine Seite trifft, die einen Login erfordert, bleibt er hängen.

Die Autoren haben eine Möglichkeit hinzugefügt, deine Browser-Cookies direkt in den Container zu übergeben, in dem der Agent läuft. Das Repository enthält einen metachain/environment/cookie_json/-Ordner, in dem du exportierte Cookies im JSON-Format ablegen kannst. Danach kann der Agent geschlossene Portale oder wissenschaftliche Datenbanken unter deinem Login durchsuchen.

Du kannst auch eigene Dokumente laden. Der Agent wird Daten aus der hochgeladenen Datei mit Informationen aus dem Web abgleichen und den Kontext bei der Formulierung von Schlussfolgerungen berücksichtigen.

Einschränkungen und Schwächen

Das Projekt ist neu, daher gibt es plenty of Schwächen:

• Noch keine vollständige Weboberfläche – alles läuft über die Konsole (Entwickler versprechen GUI in kommenden Releases)
• Die Repository-Dokumentation ist dünn; Konfigurationsnuancen erfordern manchmal einen Blick in den AutoAgent-Paketquellcode
• Wenn der Agent auf einer komplexen Seite kreist, kann der Token-Verbrauch bei Reasoning-Modellen überraschend hoch sein

Für wen es sich lohnt

Auto-Deep-Research ist nützlich für jeden, der regelmäßig detaillierte technische oder Produktbewertungen benötigt, aber nicht zu viel für OpenAIs Pro-Plan bezahlen möchte. In Kombination mit einem lokalen vLLM oder einer günstigen DeepSeek-API wird das Projekt zu einem praktischen Arbeitstool für wenig Geld. Wenn du Docker bereits eingerichtet hast, dauert die Bereitstellung buchstäblich fünf Minuten.