Alternative Open Source à OpenAI Deep Research Sans l'Abonnement à 200$

Lorsque OpenAI a lancé Deep Research dans le cadre de l'abonnement Pro à 200$/mois, les développeurs ont immédiatement voulu deux choses : payer uniquement pour les jetons réellement utilisés et connecter leurs propres modèles. Dépenser deux cents dollars pour quelques tâches de recherche complexes par semaine n'intéresse pas la plupart des gens.

Une équipe de recherche de HKUDS a extrait l'agent de recherche de leur framework AutoAgent et l'a empaqueté dans un dépôt autonome HKUDS/Auto-Deep-Research. Le projet s'exécute localement, configure automatiquement un environnement Docker isolé, et peut parcourir des pages web via des fournisseurs LLM personnalisés.

Ce qu'il y a à l'intérieur du projet

Auto-Deep-Research effectue une collecte d'informations en plusieurs étapes. Vous posez une question complexe, et l'agent construit un plan, recherche des articles, visite des sites web, analyse les pages et synthétise les résultats dans un rapport final.

L'architecture s'inspire de plusieurs composants de systèmes d'agents :

• Environnement d'exécution isolé dans Docker pour exécuter en toute sécurité les navigateurs et les scripts
• Intégration LiteLLM, permettant à l'agent de fonctionner avec les modèles OpenAI, Anthropic, Gemini, Mistral, HuggingFace, et les poids locaux via vLLM
• Support des modèles avec et sans appel de fonction natif
• Possibilité de fournir des fichiers locaux à l'agent pour analyse

Sur le benchmark GAIA, le projet montre de solides résultats parmi les implémentations d'agents open source.

Démarrage rapide et exécution dans Docker

Vous aurez besoin de Docker et de Python 3.10 installés. L'utilitaire extrait automatiquement l'image de conteneur appropriée pour l'architecture de votre processeur (x86 ou ARM), il n'est donc pas nécessaire de construire un Dockerfile manuellement.

Installation du package dans un environnement virtuel :

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 .

Ensuite, créez un fichier .env avec vos clés API. Vous n'avez pas besoin de tout remplir—ajoutez simplement la clé du fournisseur que vous prévoyez d'utiliser.

Exécution avec différents modèles

Par défaut, l'outil cible claude-3-5-sonnet-20241022, mais vous pouvez écraser le modèle juste avant la commande de lancement via des variables d'environnement.

Si vous exécutez avec Anthropic :

# в .env задаем ANTHROPIC_API_KEY
auto deep-research

Pour OpenAI :

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

Si vous voulez exécuter DeepSeek-R1 pas cher via OpenRouter ou l'API officielle :

# 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 avec des distillats rapides est également supporté :

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

L'utilitaire accepte les paramètres --container_name et --port si le port par défaut 12346 est déjà utilisé par un autre service.

Détails pratiques : Authentification et fichiers

Un point douloureux commun avec les agents de recherche est les paywalls et les sites restreints. Lorsque le bot tombe sur une page nécessitant une connexion, il se bloque.

Les auteurs ont ajouté un moyen de passer vos cookies de navigateur directement dans le conteneur exécutant l'agent. Le dépôt contient un dossier metachain/environment/cookie_json/ où vous pouvez déposer des cookies exportés au format JSON. Après cela, l'agent peut naviguer sur les portails fermés ou les bases de données scientifiques sous votre connexion.

Vous pouvez également charger vos propres documents. L'agent croisera les données du fichier téléchargé avec les informations du web et prendra en compte le contexte lors de la formulation des conclusions.

Limitations et imperfections

Le projet est récent, il y a donc pas mal d'imperfections :

• Pas encore d'interface web complète—tout s'exécute via la console (les développeurs promettent d'ajouter une GUI dans les prochaines versions)
• La documentation du dépôt est clairsemée ; les nuances de configuration nécessitent parfois de fouiller dans le code source du package AutoAgent
• Si l'agent boucle sur une page complexe, la consommation de jetons avec les modèles de raisonnement peut être surprenamment élevée

Qui devrait l'essayer

Auto-Deep-Research est utile pour tous ceux qui ont régulièrement besoin d'analyses techniques ou de produits détaillées mais qui ne veulent pas payer trop cher pour le plan Pro d'OpenAI. Le coupler avec un vLLM local ou une API DeepSeek abordable transforme le projet en un outil de travail pratique pour quelques centimes. Si vous avez déjà Docker configuré, le déploiement prend littéralement cinq minutes.