Alternativa de código abierto a OpenAI Deep Research sin la suscripción de $200

Cuando OpenAI lanzó Deep Research como parte del plan Pro de $200/mes, los desarrolladores inmediatamente quisieron dos cosas: pagar solo por los tokens realmente usados y conectar sus propios modelos. Gastar doscientos dólares en un par de tareas de investigación complejas por semana no le atrae a la mayoría de las personas.

Un equipo de investigación de HKUDS extrajo el agente de investigación de su marco AutoAgent y lo empaquetó como un repositorio independiente HKUDS/Auto-Deep-Research. El proyecto se ejecuta localmente, configura automáticamente un entorno Docker aislado y puede navegar por páginas web a través de proveedores personalizados de LLM.

Qué hay dentro del proyecto

Auto-Deep-Research realiza una recopilación de información de múltiples pasos. Planteas una pregunta compleja, y el agente construye un plan, busca artículos, visita sitios web, analiza páginas y sintetiza los hallazgos en un informe final.

La arquitectura se basa en varios componentes de sistemas de agentes:

• Entorno de ejecución aislado en Docker para ejecutar navegadores y scripts de forma segura
• Integración con LiteLLM, lo que permite al agente trabajar con modelos de OpenAI, Anthropic, Gemini, Mistral, HuggingFace y pesos locales a través de vLLM
• Soporte para modelos con y sin llamadas a funciones nativas
• Capacidad de alimentar archivos locales al agente para su análisis

En el benchmark GAIA, el proyecto muestra resultados sólidos entre las implementaciones de agentes de código abierto.

Inicio rápido y ejecución en Docker

Necesitarás tener Docker y Python 3.10 instalados. La utilidad extrae automáticamente la imagen de contenedor apropiada para la arquitectura de tu procesador (x86 o ARM), por lo que no es necesario construir un Dockerfile manualmente.

Instalando el paquete en un entorno virtual:

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 .

A continuación, crea un archivo .env con tus claves API. No necesitas completar todo—justo añade la clave del proveedor que planeas usar.

Ejecución con diferentes modelos

Por defecto, la herramienta apunta a claude-3-5-sonnet-20241022, pero puedes sobrescribir el modelo justo antes del comando de lanzamiento a través de variables de entorno.

Si se ejecuta con Anthropic:

# в .env задаем ANTHROPIC_API_KEY
auto deep-research

Para OpenAI:

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

Si quieres ejecutar DeepSeek-R1 barato a través de OpenRouter o la API oficial:

# 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 con destilados rápidos también es compatible:

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

La utilidad acepta los parámetros --container_name y --port si el puerto predeterminado 12346 ya está en uso por otro servicio.

Detalles prácticos: Autenticación y archivos

Un punto débil común con los agentes de investigación son los muros de pago y los sitios restringidos. Cuando el bot llega a una página que requiere inicio de sesión, se queda atascado.

Los autores añadieron una forma de pasar tus cookies del navegador directamente al contenedor que ejecuta el agente. El repositorio tiene una carpeta metachain/environment/cookie_json/ donde puedes soltar cookies exportadas en formato JSON. Después de eso, el agente puede navegar por portales cerrados o bases de datos científicas bajo tu inicio de sesión.

También puedes cargar tus propios documentos. El agente cruzará los datos del archivo cargado con información de la web y tendrá en cuenta el contexto al formular conclusiones.

Limitaciones y aspectos por pulir

El proyecto es reciente, por lo que hay muchos aspectos por pulir:

• Todavía no hay interfaz web completa—todo se ejecuta a través de la consola (los desarrolladores prometen añadir GUI en próximas versiones)
• La documentación del repositorio es escasa; los matices de configuración a veces requieren profundizar en el código fuente del paquete AutoAgent
• Si el agente se atasca en una página compleja, el consumo de tokens con modelos de razonamiento puede ser sorprendentemente alto

Quién debería probarlo

Auto-Deep-Research es útil para cualquiera que necesite regularmente reseñas técnicas o de productos detalladas pero no quiera pagar de más por el plan Pro de OpenAI. Combinándolo con un vLLM local o una API de DeepSeek económica, el proyecto se convierte en una herramienta de trabajo práctica por muy poco. Si ya tienes Docker configurado, el despliegue lleva literalmente cinco minutos.