Open Source Alternatief voor OpenAI Deep Research Zonder de $200 Abonnement

Toen OpenAI Deep Research lanceerde als onderdeel van het $200/maand Pro-abonnement, wilden developers meteen twee dingen: alleen betalen voor werkelijk gebruikte tokens en hun eigen modellen aansluiten. Twee honderd dollar uitgeven voor een paar complexe onderzoekstaken per week spreekt de meeste mensen niet aan.

Een onderzoeksteam van HKUDS haalde de onderzoeksagent uit hun AutoAgent-framework en verpakte het als een standalone repository HKUDS/Auto-Deep-Research. Het project draait lokaal, stelt automatisch een geïsoleerde Docker-omgeving in, en kan webpagina's doorzoeken via aangepaste LLM-providers.

Wat Zit Er In Het Project

Auto-Deep-Research voert meerstaps-informatieverzameling uit. Je stelt een complexe vraag, en de agent bouwt een plan, zoekt naar artikelen, bezoekt websites, parseert pagina's en sintetiseert bevindingen in een definitief rapport.

De architectuur is opgebouwd uit verschillende agent-systeemcomponenten:

• Geïsoleerde uitvoeringsomgeving in Docker voor het veilig draaien van browsers en scripts
• LiteLLM-integratie, waardoor de agent kan werken met OpenAI, Anthropic, Gemini, Mistral, HuggingFace-modellen en lokale gewichten via vLLM
• Ondersteuning voor modellen met en zonder native function calling
• Mogelijkheid om lokale bestanden aan de agent te voeren voor analyse

Op de GAIA-benchmark toont het project solide resultaten onder open-source agent-implementaties.

Snelle Start en Draaien in Docker

Je hebt Docker en Python 3.10 nodig geïnstalleerd. Het hulpprogramma haalt automatisch de juiste container-image op voor je processorarchitectuur (x86 of ARM), dus je hoeft geen Dockerfile handmatig te bouwen.

Het pakket installeren in een virtuele omgeving:

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 .

Maak vervolgens een .env bestand aan met je API-sleutels. Je hoeft niet alles in te vullen—voeg gewoon de sleutel toe voor de provider die je wilt gebruiken.

Draaien met Verschillende Modellen

Standaard richt de tool zich op claude-3-5-sonnet-20241022, maar je kunt het model overschrijven vlak voor het launch-commando via omgevingsvariabelen.

Als je draait met Anthropic:

# в .env задаем ANTHROPIC_API_KEY
auto deep-research

Voor OpenAI:

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

Als je goedkope DeepSeek-R1 wilt draaien via OpenRouter of de officiële API:

# 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 met snelle distillaten wordt ook ondersteund:

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

Het hulpprogramma accepteert --container_name en --port parameters als de standaardpoort 12346 al in gebruik is door een andere service.

Praktische Details: Authenticatie en Bestanden

Een veelvoorkomende frustratie met onderzoeksagenten zijn betaalmuren en beperkte sites. Wanneer de bot op een pagina terechtkomt die inloggen vereist, blijft hij hangen.

De auteurs voegden een manier toe om je browsercookies direct door te geven aan de container die de agent draait. De repository heeft een metachain/environment/cookie_json/ map waar je geëxporteerde cookies in JSON-formaat kunt neerzetten. Daarna kan de agent surfen op afgesloten portals of wetenschappelijke databases onder jouw inlog.

Je kunt ook je eigen documenten laden. De agent zal gegevens uit het geüploade bestand kruisverwijzen met informatie van het web en de context meenemen bij het formuleren van conclusies.

Beperkingen en Ruwe Randjes

Het project is gloednieuw, dus er zijn nog genoeg ruwe randjes:

• Nog geen volledige webinterface—alles draait via de console (ontwikkelaars beloven GUI toe te voegen in komende releases)
• De repository-documentatie is schaars; configuratienuances vereisen soms graven in de AutoAgent-pakketbroncode
• Als de agent blijft loopen op een complexe pagina, kan tokenverbruik met reasoning-modellen verrassend hoog zijn

Voor Wie Is Het Bedoeld

Auto-Deep-Research is nuttig voor iedereen die regelmatig gedetailleerde technische of productbeoordelingen nodig heeft maar niet wil overbetalen voor OpenAI's Pro-abonnement. Het combineren met een lokale vLLM of een betaalbare DeepSeek API maakt het project tot een handig werkinstrument voor een prikkie. Als je Docker al hebt ingesteld, duurt deployment letterlijk vijf minuten.