Alternatywa open source dla OpenAI Deep Research bez subskrypcji za 200$

Kiedy OpenAI wprowadziło Deep Research jako część planu Pro za 200$/miesiąc, programiści natychmiast zapragnęli dwóch rzeczy: płacenia tylko za faktycznie zużyte tokeny i podłączania własnych modeli. Wydawanie dwustu dolarów na kilka złożonych zadań badawczych tygodniowo nie przemawia do większości ludzi.

Zespół badawczy z HKUDS wydzielił agenta badawczego ze swojego frameworka AutoAgent i spakietował go jako samodzielne repozytorium HKUDS/Auto-Deep-Research. Projekt działa lokalnie, automatycznie konfiguruje izolowane środowisko Docker i może przeglądać strony internetowe przez niestandardowych dostawców LLM.

Co kryje się w projekcie

Auto-Deep-Research przeprowadza wielokrokowe gromadzenie informacji. Zadajesz złożone pytanie, a agent buduje plan, wyszukuje artykuły, odwiedza strony internetowe, analizuje zawartość stron i syntezuje wyniki w końcowy raport.

Architektura czerpie z kilku komponentów systemu agentowego:

• Izolowane środowisko wykonawcze w Docker do bezpiecznego uruchamiania przeglądarek i skryptów
• Integracja z LiteLLM, umożliwiająca agentowi pracę z modelami OpenAI, Anthropic, Gemini, Mistral, HuggingFace oraz lokalnymi wagami przez vLLM
• Wsparcie dla modeli z natywnym wywoływaniem funkcji i bez niego
• Możliwość przekazywania lokalnych plików agentowi do analizy

Na benchmarku GAIA projekt prezentuje solidne wyniki wśród implementacji agentów open source.

Szybki start i uruchomienie w Docker

Będziesz potrzebować zainstalowanych Docker i Python 3.10. Narzędzie automatycznie pobiera odpowiedni obraz kontenera dla architektury twojego procesora (x86 lub ARM), więc nie ma potrzeby ręcznego budowania Dockerfile.

Instalacja pakietu w środowisku wirtualnym:

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 .

Następnie utwórz plik .env z kluczami API. Nie musisz wypełniać wszystkiego — wystarczy dodać klucz dla dostawcy, którego zamierzasz używać.

Uruchamianie z różnymi modelami

Domyślnie narzędzie kieruje się na model claude-3-5-sonnet-20241022, ale możesz nadpisać model bezpośrednio przed poleceniem uruchomienia za pomocą zmiennych środowiskowych.

Jeśli uruchamiasz z Anthropic:

# в .env задаем ANTHROPIC_API_KEY
auto deep-research

Dla OpenAI:

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

Jeśli chcesz uruchomić tani DeepSeek-R1 przez OpenRouter lub oficjalne 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

Obsługiwany jest również Groq z szybkimi modelami dystrybuowanymi:

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

Narzędzie akceptuje parametry --container_name i --port, jeśli domyślny port 12346 jest już zajęty przez inną usługę.

Praktyczne szczegóły: uwierzytelnianie i pliki

Jednym z częstych problemów z agentami badawczymi są paywalle i strony z ograniczonym dostępem. Kiedy bot trafi na stronę wymagającą logowania, utyka w miejscu.

Autorzy dodali sposób przekazywania ciasteczek przeglądarki bezpośrednio do kontenera, w którym działa agent. W repozytorium znajduje się folder metachain/environment/cookie_json/, gdzie możesz wrzucić wyeksportowane ciasteczka w formacie JSON. Po tym agent może surfować po zamkniętych portalach lub naukowych bazach danych pod twoim loginem.

Możesz też ładować własne dokumenty. Agent będzie porównywał dane z wgranych plików z informacjami z sieci i uwzględniał ten kontekst podczas formułowania wniosków.

Ograniczenia i niedociągnięcia

Projekt jest świeży, więc niedociągnięć nie brakuje:

• Brak pełnego interfejsu webowego — wszystko działa przez konsolę (programiści obiecują dodać GUI w nadchodzących wydaniach)
• Dokumentacja repozytorium jest skąpa; niuanse konfiguracji czasem wymagają zaglądania do kodu źródłowego pakietu AutoAgent
• Jeśli agent zapętli się na złożonej stronie, zużycie tokenów w przypadku modeli rozumujących może być zaskakująco wysokie

Kto powinien wypróbować

Auto-Deep-Research jest przydatny dla każdego, kto regularnie potrzebuje szczegółowych recenzji technicznych lub produktowych, ale nie chce przepłacać za plan Pro OpenAI. Sparowanie go z lokalnym vLLM lub niedrogim API DeepSeek zamienia projekt w poręczne narzędzie pracy za grosze. Jeśli masz już skonfigurowanego Dockera, wdrożenie zajmuje dosłownie pięć minut.