Tavily

O agente não lê páginas em fila. Um planejador escreve um conjunto de perguntas de pesquisa, abre um rastreador para cada uma e roda todos ao mesmo tempo, e é por isso que um relatório normal fecha em cerca de três minutos em vez de meia hora. O que uma ramificação encontra pode gerar perguntas novas, então uma execução de pesquisa profunda percorre uma árvore de subtemas e não uma linha só. O alcance é ajustado em parâmetros como MAX_ITERATIONS e a profundidade da pesquisa.

A Tavily é o buscador padrão, mas não é o único. Troque uma variável de ambiente e você passa para Google, Bing, DuckDuckGo, SearXNG, Serper, You.com, Exa, arXiv ou PubMed, o que faz diferença quando o assunto mora em artigos acadêmicos e não em páginas gerais. A lista também aceita servidores MCP, então um repositório do GitHub ou um banco de dados interno convivem com a web aberta na mesma execução.

Cada execução extrai dezenas de páginas e a maior parte do texto não serve. O GPT Researcher pontua cada trecho antes de ele chegar ao modelo. O filtro padrão, Jev da TypeSafe, mantém 73 por cento dos trechos que de fato respondem à pergunta, contra 46 por cento de um filtro baseado em embeddings, segundo o próprio benchmark de 28 tarefas do projeto. Sem uma chave da TypeSafe, ele cai em um ranking BM25 por palavra-chave que roda local, sem modelo nenhum.

A etapa de escrita transforma o contexto filtrado em um relatório que muitas vezes passa das 2.000 palavras, um tamanho que um único prompt de chat não entrega com consistência. Toda afirmação vem com citação na linha e o agente mantém uma lista de fontes que você pode puxar separadamente pela API Python. Os tipos de relatório vão do informe padrão ao roteiro, à lista de recursos ou à quebra por subtema.

Aponte DOC_PATH para uma pasta e o agente lê arquivos PDF, Word, Excel, CSV, Markdown, PowerPoint e texto simples como parte da pesquisa. Isso o transforma em um assistente de conhecimento privado que responde a partir do seu material e continua citando páginas web quando precisa de contexto externo. Nada sai para terceiros além do que o fornecedor de modelo que você escolheu enxerga.

Um servidor MCP oficial embrulha o agente em várias ferramentas: pesquisa profunda, busca rápida, escrita de relatório e recuperação de fontes. Com isso, Claude Desktop, Cursor ou n8n usam o programa como ferramenta de pesquisa com IA dentro do fluxo, sem você escrever código de cola. O projeto também traz um pacote Python, um backend FastAPI com streaming por WebSocket e dois frontends, um em HTML puro e outro em Next.js.