Tavily
Assaf Elovic and the GPT Researcher contributors, with the project rooted in Tavily · Programmation · Entreprise
GPT Researcher est un agent de recherche approfondie open source qui transforme une question en rapport sourcé, avec le modèle et le moteur de recherche de votre choix.
À propos de Tavily
About
Qu'est-ce que GPT Researcher
GPT Researcher est un agent de recherche autonome que vous installez et faites tourner vous-même. Vous lui confiez une question, il la découpe en sous-questions, lance un collecteur pour chacune, note l'origine de chaque passage puis rédige un rapport long avec les citations correspondantes. Le projet a démarré en 2023 dans le travail de l'équipe Tavily et vit désormais sous licence Apache 2.0 sur GitHub, avec environ 30 000 étoiles.
L'outil existe parce qu'un modèle de conversation seul fait un mauvais chercheur. Ses données d'entraînement vieillissent, il ne peut pas lire vingt pages d'un coup et il répond volontiers avec ce qui sonne juste. Une API de recherche a le défaut inverse : elle n'est pas davantage un générateur de rapports de recherche, elle renvoie une liste de liens et vous laisse la lecture. GPT Researcher se place entre les deux, assure la lecture et le tri, et chaque phrase du résultat renvoie à une page réelle.
La contrepartie, c'est qu'il ne s'agit pas d'une application grand public. Pas de page d'inscription, pas d'abonnement, pas de service client. Il vous faut Python 3.12 ou plus récent, au moins une clé d'API de modèle et une clé de moteur de recherche, sauf si vous passez par un récupérateur gratuit. Tout le reste, de l'installation à l'hébergement, repose sur vous.
Premiers pas
- Installez Python 3.12 ou une version ultérieure, puis clonez le dépôt GitHub ou installez le paquet avec
pip install gpt-researcher. - Exportez vos clés.
OPENAI_API_KEYetTAVILY_API_KEYsuffisent pour la configuration par défaut, etOPENAI_BASE_URLvous permet de viser un modèle local ou un autre fournisseur. - Choisissez un récupérateur et un modèle dans la configuration, ou gardez les valeurs par défaut pour travailler avec Tavily et un modèle OpenAI.
- Lancez le serveur avec
python -m uvicorn main:app --reloadet ouvrez localhost:8000, ou appelezGPTResearcherdepuis votre propre script Python. - Lisez le rapport dans le navigateur, puis exportez-le en Markdown, PDF, DOCX ou JSON et vérifiez la liste de sources fournie à chaque exécution.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de Tavily.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Analystes et consultants qui rédigent des notes de synthèse au quotidien
- Développeurs qui veulent ajouter une fonction de recherche à leur produit
- Doctorants et chercheurs qui découvrent un domaine
- Petites équipes sans budget de veille
Tâches
- Étude concurrentielle d'un marché ou d'une entreprise
- Transformer un dossier de PDF en une synthèse unique
- Préparer un état de l'art avant un article ou une présentation
- Fournir un contexte documenté à un autre agent
Cas d'usage
- Une note de secteur le lundi matin
- Évaluer un outil avant de l'acheter
- Vérifier une affirmation avant publication
- Monter un bot de recherche interne
Fonctionnalités clés
Planificateur et collecteurs en parallèle
L'agent ne lit pas les pages les unes après les autres. Un planificateur écrit un jeu de questions de recherche, ouvre un collecteur pour chacune et les exécute simultanément, d'où un rapport standard bouclé en trois minutes environ au lieu d'une demi-heure. Ce qu'une branche découvre peut engendrer de nouvelles questions, si bien qu'une exécution de recherche approfondie parcourt un arbre de sous-thèmes et non une seule ligne. L'ampleur se règle avec des paramètres comme MAX_ITERATIONS et la profondeur de recherche.
Plus de vingt récupérateurs derrière une seule interface
Tavily est le moteur par défaut, ce n'est pas le seul. Une variable d'environnement suffit pour passer à Google, Bing, DuckDuckGo, SearXNG, Serper, You.com, Exa, arXiv ou PubMed, ce qui compte quand le sujet se trouve dans des articles académiques plutôt que dans des pages généralistes. La liste accepte aussi des serveurs MCP : un dépôt GitHub ou une base interne cohabitent avec le web ouvert dans la même exécution.
Filtrage du contexte avant la lecture par le modèle
Chaque exécution récupère des dizaines de pages et l'essentiel du texte n'a rien à voir avec la question. GPT Researcher note chaque passage avant qu'il n'atteigne le modèle. Le filtre par défaut, Jev de TypeSafe, conserve 73 pour cent des passages qui répondent vraiment à la question, contre 46 pour cent pour un filtre fondé sur des embeddings, selon le banc de 28 tâches du projet. Sans clé TypeSafe, il retombe sur un classement BM25 par mots clés qui tourne en local, sans aucun modèle.
Rapports longs et traçabilité des sources
La phase de rédaction transforme le contexte filtré en un rapport qui dépasse souvent les 2 000 mots, une longueur qu'invite unique de conversation ne produit pas de façon fiable. Chaque affirmation porte sa citation en ligne et l'agent conserve une liste de sources que l'API Python renvoie séparément. Les types de rapport vont du rapport d'étude classique au plan, à la liste de ressources ou au découpage par sous-thème.
Documents locaux en plus du web
Pointez DOC_PATH vers un dossier et l'agent lit les fichiers PDF, Word, Excel, CSV, Markdown, PowerPoint et texte brut dans le cadre de sa recherche. L'outil devient alors un assistant documentaire privé qui répond à partir de vos propres pièces et cite encore des pages web quand un contexte extérieur est nécessaire. Rien ne part vers un tiers au-delà de ce que voit le fournisseur de modèle que vous avez choisi.
Serveur MCP et prise en charge des frameworks d'agents
Un serveur MCP officiel habille l'agent en plusieurs outils : recherche approfondie, recherche rapide, rédaction de rapport et récupération des sources. Claude Desktop, Cursor ou n8n peuvent donc s'en servir comme outil de recherche IA au milieu d'un flux, sans que vous écriviez de code de liaison. Le projet fournit aussi un paquet Python, un backend FastAPI avec flux WebSocket et deux interfaces, l'une en HTML simple, l'autre en Next.js.
Avantages et inconvénients
Avantages
- Gratuit et open source sous Apache 2.0, sans limite de postes ni compte de facturation à créer.
- Modèle et moteur de recherche se changent séparément, ce qui permet de tourner avec OpenAI, Anthropic, Gemini, DeepSeek ou un modèle local via Ollama.
- Les collecteurs parallèles gardent un rapport complet dans une fourchette de trois à cinq minutes, assez rapide pour un usage en pleine journée de travail.
- Les citations et la liste de sources séparée permettent de vérifier sur quoi repose une affirmation avant de réutiliser des rapports sourcés dans votre propre travail.
Inconvénients
- L'installation et la configuration supposent un profil de développeur. Si vous n'avez jamais ouvert un terminal ni touché à une variable d'environnement, le guide de démarrage sera laborieux.
- La qualité du rapport dépend fortement du modèle branché. Un modèle bon marché produit des sections creuses, un modèle puissant fait grimper la facture d'API.
- L'agent lit le web ouvert, donc les articles payants et les sites lourds en JavaScript renvoient parfois un texte maigre ou cassé.
- Les modes multi-agents et recherche approfondie multiplient les appels au modèle, et la documentation officielle évalue une exécution approfondie à environ 0,40 dollar.
Questions fréquentes
Oui. Le logiciel est open source sous Apache 2.0 et le projet ne vend pas d'abonnement. La vraie dépense correspond à la consommation de modèles et d'API de recherche générée par chaque exécution, généralement de quelques centimes à quelques dollars selon le modèle.
Contenus associés
Découvrez des outils, des compétences et des articles liés à Tavily.
Alternatives à Tavily
Forefront
Forefront · ProgrammationForefront est une plateforme web pour construire avec de l'IA open source. Elle vous laisse affiner les principaux modèles de langage open source sur vos propres données, évaluer leurs performances et les exécuter via une API ou les exporter pour les héberger vous-même. Les développeurs qui veulent le confort d'une plateforme fermée mais tiennent à rester propriétaires de leurs modèles et de leurs données sont le public visé ici.
Startkit
StartKit.AI · ProgrammationStartkit est un boilerplate pour créer des produits SaaS d'IA et des wrappers d'IA. Voyez-le comme un boilerplate de startup IA avec les parties ennuyeuses déjà branchées : authentification, paiements Stripe et Lemon Squeezy, limites d'usage, e-mail transactionnel et un kit de démarrage d'API IA qui parle à OpenAI, Anthropic, Groq ou Llama. Vous clonez le dépôt, fixez votre prix et attaquez la partie du produit pour laquelle les gens paient vraiment. Il repose sur Next.js au-dessus de React et Tailwind, donc une bonne partie du code boilerplate vous semble déjà familière.
Testim
Tricentis · ProgrammationTestim est une plateforme d'automatisation des tests dopée à l'IA, qui sert à créer et exécuter des tests de bout en bout sur des applications web, mobiles et Salesforce. Elle s'appuie sur l'apprentissage automatique pour garder les tests stables quand une interface change, alors les équipes passent moins de temps à réparer des sélecteurs cassés. Pas mal pour un outil de tests automatisés que vous pouvez utiliser dès aujourd'hui. Vous créez des tests en enregistrant des actions dans un navigateur, puis vous ajoutez du JavaScript quand vous avez besoin de plus de contrôle. C'est un choix solide pour une équipe QA bien occupée.