Alternativa Open Source a OpenAI Deep Research Senza l'Abbonamento da $200

Quando OpenAI ha lanciato Deep Research come parte del piano Pro da $200/mese, gli sviluppatori hanno subito voluto due cose: pagare solo per i token effettivamente usati e collegare i propri modelli. Spendere duecento dollari per un paio di attività di ricerca complesse a settimana non attira la maggior parte delle persone.

Un team di ricerca dell'HKUDS ha estratto l'agente di ricerca dal loro framework AutoAgent e lo ha impacchettato come repository standalone HKUDS/Auto-Deep-Research. Il progetto gira localmente, configura automaticamente un ambiente Docker isolato e può navigare pagine web attraverso provider LLM personalizzati.

Cosa c'è dentro il progetto

Auto-Deep-Research esegue raccolta di informazioni multi-step. Poni una domanda complessa e l'agente costruisce un piano, cerca articoli, visita siti web, analizza pagine e sintetizza i risultati in un report finale.

L'architettura attinge da diversi componenti del sistema di agenti:

• Ambiente di esecuzione isolato in Docker per l'esecuzione sicura di browser e script
• Integrazione con LiteLLM, che permette all'agente di lavorare con modelli OpenAI, Anthropic, Gemini, Mistral, HuggingFace e pesi locali tramite vLLM
• Supporto per modelli con e senza chiamata di funzioni nativa
• Possibilità di fornire file locali all'agente per l'analisi

Sul benchmark GAIA, il progetto mostra risultati solidi tra le implementazioni di agenti open source.

Avvio rapido ed esecuzione in Docker

Avrai bisogno di Docker e Python 3.10 installati. L'utility scarica automaticamente l'immagine container appropriata per l'architettura del tuo processore (x86 o ARM), quindi non c'è bisogno di costruire un Dockerfile manualmente.

Installazione del pacchetto in un ambiente virtuale:

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 .

Successivamente, crea un file .env con le tue chiavi API. Non devi riempire tutto—aggiungi solo la chiave per il provider che intendi usare.

Esecuzione con modelli diversi

Di default, lo strumento usa claude-3-5-sonnet-20241022, ma puoi sovrascrivere il modello direttamente prima del comando di lancio tramite variabili d'ambiente.

Se esegui con Anthropic:

# в .env задаем ANTHROPIC_API_KEY
auto deep-research

Per OpenAI:

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

Se vuoi eseguire DeepSeek-R1 economico tramite OpenRouter o l'API ufficiale:

# 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 distillati veloci è supportato anche:

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

L'utility accetta parametri --container_name e --port se la porta predefinita 12346 è già in uso da un altro servizio.

Dettagli pratici: autenticazione e file

Un punto dolente comune con gli agenti di ricerca sono i paywall e i siti con restrizioni. Quando il bot incontra una pagina che richiede login, si blocca.

Gli autori hanno aggiunto un modo per passare i tuoi cookie del browser direttamente nel container che esegue l'agente. Il repository ha una cartella metachain/environment/cookie_json/ dove puoi rilasciare i cookie esportati in formato JSON. Dopodiché, l'agente può navigare portali chiusi o database scientifici sotto il tuo login.

Puoi anche caricare i tuoi documenti. L'agente farà riferimenti incrociati tra i dati del file caricato e le informazioni dal web e terrà conto del contesto quando formulerà le conclusioni.

Limitazioni e imperfezioni

Il progetto è recente, quindi ci sono parecchie imperfezioni:

• Nessuna interfaccia web completa ancora—tutto gira attraverso la console (gli sviluppatori promettono di aggiungere GUI nelle prossime release)
• La documentazione del repository è scarsa; le sfumature di configurazione a volte richiedono di scavare nel codice sorgente del pacchetto AutoAgent
• Se l'agente entra in loop su una pagina complessa, il consumo di token con i modelli di ragionamento può essere sorprendentemente alto

Chi dovrebbe provarlo

Auto-Deep-Research è utile per chiunque abbia regolarmente bisogno di recensioni tecniche o di prodotto dettagliate ma non voglia pagare troppo per il piano Pro di OpenAI. Abbinarlo con un vLLM locale o un'API DeepSeek economica trasforma il progetto in uno strumento di lavoro utile per pochi centesimi. Se hai già Docker configurato, il deployment richiede letteralmente cinque minuti.