Alternativa Open Source ao OpenAI Deep Research Sem a Assinatura de $200

Quando a OpenAI lançou o Deep Research como parte do plano Pro de $200/mês, os desenvolvedores imediatamente quiseram duas coisas: pagar apenas pelos tokens realmente usados e conectar seus próprios modelos. Gastar duzentos dólares em algumas tarefas complexas de pesquisa por semana não atrai a maioria das pessoas.

Uma equipe de pesquisa do HKUDS extraiu o agente de pesquisa do framework AutoAgent e empacotou como um repositório independente HKUDS/Auto-Deep-Research. O projeto roda localmente, configura automaticamente um ambiente Docker isolado, e pode navegar em páginas web através de provedores personalizados de LLM.

O Que Está Dentro do Projeto

O Auto-Deep-Research realiza coleta de informações em múltiplas etapas. Você faz uma pergunta complexa, e o agente constrói um plano, pesquisa artigos, visita sites, analisa páginas e sintetiza as descobertas em um relatório final.

A arquitetura combina vários componentes de sistemas de agentes:

• Ambiente de execução isolado em Docker para rodar navegadores e scripts com segurança
• Integração com LiteLLM, permitindo que o agente funcione com modelos da OpenAI, Anthropic, Gemini, Mistral, HuggingFace, e pesos locais via vLLM
• Suporte para modelos com e sem chamada de função nativa
• Capacidade de alimentar arquivos locais para o agente analisar

No benchmark GAIA, o projeto mostra resultados sólidos entre as implementações de agentes open source.

Início Rápido e Execução no Docker

Você vai precisar do Docker e do Python 3.10 instalados. O utilitário puxa automaticamente a imagem de container apropriada para a arquitetura do seu processador (x86 ou ARM), então não há necessidade de construir um Dockerfile manualmente.

Instalando o pacote em um ambiente 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 .

Depois, crie um arquivo .env com suas chaves de API. Você não precisa preencher tudo—apenas adicione a chave do provedor que planeja usar.

Executando com Diferentes Modelos

Por padrão, a ferramenta usa claude-3-5-sonnet-20241022, mas você pode sobrescrever o modelo diretamente antes do comando de execução através de variáveis de ambiente.

Se estiver usando com 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

Se quiser rodar o DeepSeek-R1 barato através do OpenRouter ou da 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 com distillates rápidos também é suportado:

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

O utilitário aceita os parâmetros --container_name e --port se a porta padrão 12346 já estiver em uso por outro serviço.

Detalhes Práticos: Autenticação e Arquivos

Um problema comum com agentes de pesquisa são paywalls e sites restritos. Quando o bot encontra uma página que requer login, ele fica preso.

Os autores adicionaram uma forma de passar seus cookies do navegador diretamente para o container que executa o agente. O repositório tem uma pasta metachain/environment/cookie_json/ onde você pode colocar cookies exportados em formato JSON. Depois disso, o agente pode navegar em portais fechados ou bases de dados científicas sob seu login.

Você também pode carregar seus próprios documentos. O agente vai cruzar dados do arquivo enviado com informações da web e considerar o contexto ao formular conclusões.

Limitações e Pontos Imperfeitos

O projeto é recente, então há bastante pontos imperfeitos:

• Ainda não há interface web completa—tudo roda através do console (desenvolvedores prometem adicionar GUI nas próximas versões)
• A documentação do repositório é escassa; nuances de configuração às vezes requerem mergulhar no código fonte do pacote AutoAgent
• Se o agente ficar em loop em uma página complexa, o consumo de tokens com modelos de raciocínio pode ser surpreendentemente alto

Quem Deve Experimentar

O Auto-Deep-Research é útil para qualquer pessoa que regularmente precisa de análises técnicas ou de produtos detalhadas, mas não quer pagar demais pelo plano Pro da OpenAI. Combiná-lo com um vLLM local ou uma API acessível do DeepSeek transforma o projeto em uma ferramenta de trabalho prática por poucos centavos. Se você já tem o Docker configurado, o deploy leva literalmente cinco minutos.