Tavily
Assaf Elovic and the GPT Researcher contributors, with the project rooted in Tavily · Coding · Business
GPT Researcher ist ein Open-Source-Agent für Deep Research, der aus einer Frage einen Bericht mit Quellenangaben macht, mit dem Modell und der Suchmaschine Ihrer Wahl.
Über Tavily
About
Was ist GPT Researcher
GPT Researcher ist ein autonomer Open-Source-Rechercheagent, den Sie selbst installieren und betreiben. Sie geben ihm eine Frage, er zerlegt sie in kleinere Recherchefragen, startet für jede davon einen Crawler, hält fest, woher jede Textstelle stammt, und schreibt am Ende einen langen Bericht mit Belegen. Entstanden ist das Projekt 2023 aus der Arbeit des Tavily-Teams; heute ist es ein Apache-2.0-Projekt auf GitHub mit rund 30.000 Sternen.
Das Werkzeug gibt es, weil ein Chatmodell allein ein schwacher Rechercheur ist. Seine Trainingsdaten veralten, es kann nicht zwanzig Seiten gleichzeitig lesen und antwortet gern mit dem, was plausibel klingt. Eine Such-API hat das umgekehrte Problem: Sie ist ebenso wenig ein Generator für Rechercheberichte, sie liefert eine Linkliste und überlässt Ihnen das Lesen. GPT Researcher sitzt dazwischen, übernimmt Lesen und Auswahl, und jeder Satz im Ergebnis lässt sich auf eine echte Seite zurückführen.
Der Haken: Eine Consumer-App ist das nicht. Es gibt keine Registrierung, kein Abo und keinen Kundendienst. Sie brauchen Python 3.12 oder neuer, mindestens einen Modellschlüssel und einen Suchschlüssel, sofern Sie nicht auf einen kostenlosen Retriever setzen. Alles Weitere, von der Einrichtung bis zum Hosting, liegt bei Ihnen.
Erste Schritte
- Installieren Sie Python 3.12 oder neuer, klonen Sie das GitHub-Repository oder installieren Sie das Paket mit
pip install gpt-researcher. - Setzen Sie Ihre Schlüssel.
OPENAI_API_KEYundTAVILY_API_KEYdecken die Standardkonfiguration ab, mitOPENAI_BASE_URLzeigen Sie stattdessen auf ein lokales oder fremdes Modell. - Wählen Sie in der Konfiguration einen Retriever und ein Modell, oder lassen Sie die Voreinstellungen stehen und den Agenten mit Tavily und einem OpenAI-Modell arbeiten.
- Starten Sie den Server mit
python -m uvicorn main:app --reloadund öffnen Sie localhost:8000, oder rufen SieGPTResearcheraus Ihrem eigenen Python-Skript auf. - Lesen Sie den Bericht im Browser und exportieren Sie ihn als Markdown, PDF, DOCX oder JSON; prüfen Sie die Quellenliste, die zu jedem Lauf gehört.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Tavily.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Analysten und Berater, die laufend Briefings schreiben
- Entwickler, die eine Recherchefunktion einbauen wollen
- Doktoranden und Forschende, die sich in ein neues Feld einarbeiten
- Kleine Teams ohne Recherchebudget
Aufgaben
- Wettbewerbsanalyse eines Marktes oder Unternehmens
- Ein PDF-Paket zu einer einzigen Zusammenfassung verdichten
- Einen Literaturüberblick vor Aufsatz oder Präsentation entwerfen
- Einem anderen Agenten belegten Kontext liefern
Szenarien
- Eine Branchenübersicht am Montagmorgen
- Ein Werkzeug vor dem Kauf einschätzen
- Eine Aussage prüfen, die Sie veröffentlichen wollen
- Einen internen Recherchebot bauen
Wichtigste Funktionen
Planer und parallele Rechercheure
Der Agent liest Seiten nicht der Reihe nach. Ein Planer formuliert eine Reihe von Recherchefragen, startet für jede einen Crawler und lässt alle gleichzeitig laufen, weshalb ein üblicher Bericht nach etwa drei Minuten fertig ist und nicht nach einer halben Stunde. Was ein Zweig findet, kann neue Fragen erzeugen, sodass ein Deep-Research-Lauf einen Baum von Unterthemen abgeht statt einer einzigen Linie. Die Breite steuern Sie über Einstellungen wie MAX_ITERATIONS und die Tiefe der Recherche.
Über zwanzig Retriever hinter einer Schnittstelle
Tavily ist die Standardsuche, aber nicht die einzige. Eine Umgebungsvariable genügt für Tavily-Suche per API oder den Wechsel zu Google, Bing, DuckDuckGo, SearXNG, Serper, You.com, Exa, arXiv oder PubMed, was zählt, wenn ein Thema eher in Fachaufsätzen als auf allgemeinen Webseiten steckt. Die Liste nimmt auch MCP-Server an, damit ein GitHub-Repository oder eine interne Datenbank im selben Lauf neben dem offenen Web steht.
Kontextfilterung vor dem Lesen des Modells
Jeder Lauf zieht Dutzende Seiten, und der Großteil des Textes hilft nicht weiter. GPT Researcher bewertet jede Passage, bevor sie das Modell erreicht. Der Standardfilter Jev von TypeSafe behält 73 Prozent der Passagen, die die Frage tatsächlich beantworten, gegenüber 46 Prozent bei einem Filter auf Embedding-Basis, so der eigene Testlauf über 28 Aufgaben. Ohne TypeSafe-Schlüssel greift ein lokales BM25-Ranking nach Schlüsselwörtern, ganz ohne Modell.
Lange Berichte mit Quellenverfolgung
Der Schreibschritt macht aus dem gefilterten Kontext einen Bericht, der regelmäßig über 2.000 Wörter liegt, eine Länge, die ein einzelner Chat-Prompt nicht zuverlässig schafft. Jede Aussage trägt ihren Beleg direkt im Text, und der Agent führt eine Quellenliste, die Sie über die Python-API separat abrufen. Die Berichtstypen reichen vom Recherchebericht über die Gliederung und die Ressourcenliste bis zur Aufteilung nach Unterthemen.
Lokale Dokumente neben dem Web
Richten Sie DOC_PATH auf einen Ordner, und der Agent liest PDF, Word, Excel, CSV, Markdown, PowerPoint und reine Textdateien als Teil seiner Recherche. Damit wird das Werkzeug zum privaten Wissensassistenten, der aus Ihrem eigenen Material antwortet und trotzdem Webseiten zitiert, wenn externer Kontext nötig ist. Nach außen geht nichts außer dem, was der gewählte Modellanbieter sieht.
MCP-Server und Unterstützung für Agenten-Frameworks
Ein offizieller MCP-Server verpackt den Agenten in mehrere Werkzeuge: Deep Research, Schnellsuche, Bericht schreiben und Quellen abrufen. Damit setzen Claude Desktop, Cursor oder n8n ihn als KI-Recherchetool mitten im Ablauf ein, ohne dass Sie Verbindungscode schreiben. Das Projekt liefert außerdem ein Python-Paket, ein FastAPI-Backend mit WebSocket-Streaming und zwei Oberflächen, eine in reinem HTML, eine in Next.js.
Vor- und Nachteile
Vorteile
- Kostenlos und quelloffen unter Apache 2.0, ohne Sitzplatzgrenze und ohne Abrechnungskonto.
- Modell und Suche lassen sich unabhängig tauschen, das Werk läuft mit OpenAI, Anthropic, Gemini, DeepSeek oder einem lokalen Modell über Ollama.
- Parallele Crawler halten einen vollständigen Bericht bei drei bis fünf Minuten, schnell genug für den Einsatz mitten im Arbeitstag.
- Belege und getrennte Quellenliste machen es leicht zu prüfen, worauf eine Aussage beruht, bevor Sie belegte Rechercheberichte weiterverwenden.
Nachteile
- Einrichtung und Konfiguration setzen Entwicklerwissen voraus. Wer nie ein Terminal geöffnet oder eine Umgebungsvariable gesetzt hat, wird mit der Anleitung hadern.
- Die Berichtsqualität hängt stark vom angeschlossenen Modell ab. Ein günstiges Modell liefert dünne Abschnitte, ein starkes treibt die API-Rechnung schnell hoch.
- Der Agent liest das offene Web, daher kommen Bezahlartikel und stark JavaScript-lastige Seiten mitunter nur dünn oder beschädigt zurück.
- Multi-Agent- und Deep-Research-Modus vervielfachen die Modellaufrufe, und die offizielle Doku nennt rund 0,40 US-Dollar für einen Deep-Research-Lauf.
Häufige Fragen
Ja. Die Software ist unter Apache 2.0 quelloffen, und das Projekt verkauft keine Abonnements. Die eigentlichen Kosten entstehen durch Modell- und Such-API-Aufrufe pro Lauf, meist zwischen ein paar Cent und wenigen Dollar, je nach Modell.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Tavily.
Alternativen zu Tavily
Base Code
Base44 (Wix) · Coding · ProduktivitätBase Code ist eine geteilte Cloud-Entwicklungsumgebung von Base44. Das Team beschreibt Änderungen an einem bestehenden GitHub-Repository im Chat, prüft sie in der Vorschau und reicht sie als Pull Request ein.
Google EmbeddingGemma 2
Google DeepMind · Schreiben · Bilder · CodingGoogle EmbeddingGemma 2 ist ein offenes Modell mit 740 Millionen Parametern, das Text, Code, Bilder, Audio und Videobilder in Vektoren eines gemeinsamen 768-dimensionalen Raums umwandelt und auf Handys und Notebooks läuft.
GitGlow
GitGlow · Coding · ProduktivitätGitGlow ist ein Git-Client für den Desktop, der Ihren Code und die Änderungen Ihrer KI-Agenten in einer Review bündelt, damit Sie vor dem Ausliefern sehen, was die Maschine verlässt.