GPT Researcher 支持的 LLM 与 Embedding 提供商全配置指南【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcherGPT Researcher 的 LLM 模块基于 LangChain LLM Module 构建通过provider:model的字符串约定让研究者可以在 OpenAI、Anthropic、Azure OpenAI、Groq、Ollama、DeepSeek、Nebius 等二十余个提供商之间自由切换而无需改动任何研究逻辑代码。本文将完整梳理当前仓库支持的全部 LLM 与 Embedding 提供商清单逐一给出可直接复制的.env配置示例并结合gpt_researcher/llm_provider/generic/base.py与gpt_researcher/memory/embeddings.py的源码实现说明每个提供商在底层是如何被实例化、调用与扩展的读完即可根据自身预算、隐私与性能需求选型并完成切换。支持的 LLM 提供商全景GPTR 当前支持的 LLM 提供商清单如下使用时需保证对应 langchain 包已安装除 OpenAI 外通常需要单独安装openaianthropicazure_openaicoheregoogle_vertexaigoogle_genaifireworksgigachatollamatogethermistralaihuggingfacegroqbedrockdashscopexaideepseeklitellmopenrouterforgeavianatlascloudnebiusvllm这份清单与源码中GenericLLMProvider.from_provider的_SUPPORTED_PROVIDERS集合见 gpt_researcher/llm_provider/generic/base.py高度一致源码集合还额外包含vllm_openai、aimlapi、netmind、minimax这些同样是运行时可用且已有完整分支实现的提供商只是官方文档列表更新略有滞后。也就是说文档 源码实际可用的 LLM 提供商已达到 20 个以上且全部走同一套抽象接口。值得强调的是GPTR 的 LLM 模块构建在 LangChain LLM Module 之上因此绝大多数提供商都是通过 LangChain 的ChatXxx类适配这意味着一处调用约定provider:model背后映射的是不同的 LangChain 封装类但对外暴露的接口完全统一。核心配置机制provider:model 三段角色GPT Researcher 通过环境变量把 LLM 拆分为三个角色分别承担不同研究阶段的任务FAST_LLM用于摘要等快速操作追求速度与低成本SMART_LLM用于研究报告生成与推理追求质量STRATEGIC_LLM用于研究规划与策略生成deep research 场景下使用。每个变量的取值格式统一为提供商:模型名例如openai:gpt-5.4。嵌入模型则通过EMBEDDING变量指定格式相同embedding_provider:embedding_model。配置解析逻辑位于 gpt_researcher/config/config.pyparse_embedding通过split(:, 1)将字符串拆成(embedding_provider, embedding_model)二元组并校验 provider 是否在gpt_researcher/memory/embeddings.py的_SUPPORTED_PROVIDERS中LLM 侧则对应_set_llm_attributes中的三段解析。也就是说只要按provider:model格式填写切换提供商只需要换行环境变量。提示除上述变量外通常还需要为对应提供商配置 API Key 及端点参数具体见下文各小节。默认值与优化基线默认配置为 OpenAIFAST_LLMopenai:gpt-5.4-mini、SMART_LLMopenai:gpt-5.4、STRATEGIC_LLMopenai:gpt-5.4、EMBEDDINGopenai:text-embedding-3-small这是项目默认推荐且经过充分测试的组合。若选用其他模型请参考 配置文档 中关于现代长输出模型的 Token 上限建议模型家族最大输出推荐 SMART_TOKEN_LIMITGPT-4o / GPT-4.116k8000Claude Haiku 4.564k16000Claude Sonnet 4.664k16000Claude Opus 4.7128k32000GPT-5 家族128k32000FAST_TOKEN_LIMIT与STRATEGIC_TOKEN_LIMIT若使用了不同角色模型可按比例相应提高硬上限为 200k源码在 gpt_researcher/utils/llm.py 内置了防拼写错误的 sanity guard。未调高上限时长输出模型如 Claude 4.x、GPT-5可能产生截断的报告。各提供商配置详解以下配置示例均来自官方文档可直接放入.env文件使用。OpenAI默认# 设置自定义 OpenAI API Key OPENAI_API_KEY[Your Key] # 指定 LLM FAST_LLMopenai:gpt-5.4-mini SMART_LLMopenai:gpt-5.4 STRATEGIC_LLMopenai:gpt-5.4 # 指定 Embedding EMBEDDINGopenai:text-embedding-3-small从源码看OpenAI 分支会额外读取OPENAI_BASE_URL环境变量若设置则作为openai_api_base传入因此它同时可以充当自定义 OpenAI 兼容 API的入口并且默认开启stream_usageTrue以便流式响应时也能拿到真实 token 用量用于成本核算见 gpt_researcher/llm_provider/generic/base.py。自定义 OpenAI 兼容 APICustom LLM / Custom Embedding通过 llama.cpp Server 等方式在本地起一个 OpenAI 兼容端点即可把任意本地模型接入 GPTR。LLM 侧使用openai:你的模型名# 设置自定义 OpenAI API 地址 OPENAI_BASE_URLhttp://localhost:1234/v1 # 设置自定义 OpenAI API Key OPENAI_API_KEYdummy_key # 指定自定义 LLM FAST_LLMopenai:your_fast_llm SMART_LLMopenai:your_smart_llm STRATEGIC_LLMopenai:your_strategic_llmEmbedding 侧则使用custom:你的嵌入模型# 设置自定义 OpenAI API 地址 OPENAI_BASE_URLhttp://localhost:1234/v1 # 设置自定义 OpenAI API Key OPENAI_API_KEYdummy_key # 指定自定义 Embedding 模型 EMBEDDINGcustom:your_embedding在 gpt_researcher/memory/embeddings.py 中custom分支使用OpenAIEmbeddings并把OPENAI_BASE_URL缺省为http://localhost:1234/v1适配 LM Studio作为 base URL同时关闭check_embedding_ctx_length以避免本地端点长度校验问题。Azure OpenAIAzure 需要先在 Azure OpenAI Portal 为每个模型创建 deployment且要求部署名与模型名完全一致并额外部署text-embedding-3-large嵌入模型以获得最佳效果# 设置 azure api key 与 deployment无默认访问点必须自行配置 AZURE_OPENAI_API_KEY[Your Key] AZURE_OPENAI_ENDPOINThttps://{your-endpoint}.openai.azure.com/ OPENAI_API_VERSION2024-05-01-preview # 每个字符串格式为 azure_openai:部署名确保部署名与所用模型同名 FAST_LLMazure_openai:gpt-4o-mini SMART_LLMazure_openai:gpt-4o STRATEGIC_LLMazure_openai:o1-preview # 指定 Embedding EMBEDDINGazure_openai:text-embedding-3-large前置条件提醒端点名称可以任意合法命名建议为 embedding 模型申请配额提升默认配额往往不够用。源码中azure_openai分支会把model自动转换为azure_deployment再传给AzureChatOpenAI见 gpt_researcher/llm_provider/generic/base.py而gpt_researcher/memory/embeddings.py的azure_openai分支则读取AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_API_KEY与 API 版本。使用 Docker 或裸 Python 环境时需pip install langchain-openai以及可选的langchain-azure-dynamic-sessions。Ollama本地模型Ollama 同时支持 LLM 与 Embedding适合完全离线的研究场景OLLAMA_BASE_URLhttp://localhost:11434 FAST_LLMollama:llama3 SMART_LLMollama:llama3 STRATEGIC_LLMollama:llama3 EMBEDDINGollama:nomic-embed-text源码中ollama分支在未显式传入base_url时会回退到环境变量OLLAMA_BASE_URL再兜底为http://localhost:11434见 gpt_researcher/llm_provider/generic/base.py。需pip install langchain-ollamaLLM与langchain-communityEmbedding。Granite 系列专用提示格式对于 IBM Granite 系列模型GPTR 提供了专用的 prompt 格式化需要额外设置PROMPT_FAMILYOLLAMA_BASE_URLhttp://localhost:11434 FAST_LLMollama:granite3.3:2b SMART_LLMollama:granite3.3:8b STRATEGIC_LLMollama:granite3.3:8b PROMPT_FAMILYgranitePROMPT_FAMILY的完整取值定义在 gpt_researcher/utils/enum.py 的PromptFamily枚举中它决定了 GPTR 使用哪一套提示词模板与消息格式来适配特定模型家族。Groq超高速推理GroqCloud 提供极快的推理速度且有非常慷慨的免费额度。注册后获得GROQ_API_KEY并配置GROQ_API_KEY[Your Key] # 选择 Groq 支持的 LLM 模型 FAST_LLMgroq:Mixtral-8x7b-32768 SMART_LLMgroq:Mixtral-8x7b-32768 STRATEGIC_LLMgroq:Mixtral-8x7b-32768需pip install langchain-groq。文档撰写时的 Groq 可用模型包括 Llama3-70b-8192、Llama3-8b-8192、Mixtral-8x7b-32768、Gemma-7b-it 等实际可用列表以 Groq 控制台为准。AnthropicANTHROPIC_API_KEY[Your Key] FAST_LLManthropic:claude-2.1 SMART_LLManthropic:claude-3-opus-20240229 STRATEGIC_LLManthropic:claude-3-opus-20240229需pip install langchain-anthropic。需要注意Anthropic 不提供自有 Embedding 模型因此嵌入通常回退到 OpenAI 或其他提供商。另外源码 gpt_researcher/llm_provider/generic/base.py 的NO_SUPPORT_TEMPERATURE_MODELS列表包含claude-sonnet-4-5、claude-opus-4-5等 Claude 4.x 家族模型——这些模型在 Anthropic 侧已弃用 temperature 参数GPTR 会自动将 temperature 置为None以适配 API。Mistral AIMISTRAL_API_KEY[Your Key] FAST_LLMmistralai:open-mistral-7b SMART_LLMmistralai:mistral-large-latest STRATEGIC_LLMmistralai:mistral-large-latest EMBEDDINGmistralai:mistral-embed需pip install langchain-mistralai。源码中mistralai分支支持通过MISTRAL_BASE_URL指向自定义的 Mistral 兼容端点见 gpt_researcher/llm_provider/generic/base.py。Together AITogether AI 提供 50 开源模型的统一 APITOGETHER_API_KEY[Your Key] FAST_LLMtogether:meta-llama/Llama-3-8b-chat-hf SMART_LLMtogether:meta-llama/Llama-3-70b-chat-hf STRATEGIC_LLMtogether:meta-llama/Llama-3-70b-chat-hf EMBEDDINGmistralai:nomic-ai/nomic-embed-text-v1.5需pip install langchain-together。NetMindNetMind 提供包括 LLM、图像、文本、音频、视频在内的多种模型 APINETMIND_API_KEY[Your Key] FAST_LLMnetmind:deepseek-ai/DeepSeek-V3-0324 SMART_LLMnetmind:deepseek-ai/DeepSeek-R1-0528 STRATEGIC_LLMnetmind:deepseek-ai/DeepSeek-V3-0324 EMBEDDINGnetmind:nvidia/NV-Embed-v2需pip install langchain-netmind。HuggingFaceHuggingFace 集成需要额外配置先在 LangChain 侧完成 ChatHuggingFace 的接入后更新环境变量HUGGINGFACE_API_KEY[Your Key] FAST_LLMhuggingface:HuggingFaceH4/zephyr-7b-beta SMART_LLMhuggingface:HuggingFaceH4/zephyr-7b-beta STRATEGIC_LLMhuggingface:HuggingFaceH4/zephyr-7b-beta EMBEDDINGhuggingface:sentence-transformers/all-MiniLM-L6-v2需pip install langchain-huggingface。源码中huggingface分支会把model/model_name统一改写为model_id再传给ChatHuggingFace见 gpt_researcher/llm_provider/generic/base.py。Google Geminigoogle_genaiGOOGLE_API_KEY[Your Key] FAST_LLMgoogle_genai:gemini-1.5-flash SMART_LLMgoogle_genai:gemini-1.5-pro STRATEGIC_LLMgoogle_genai:gemini-1.5-pro EMBEDDINGgoogle_genai:models/text-embedding-004需pip install langchain-google-genai。Google VertexAIFAST_LLMgoogle_vertexai:gemini-1.5-flash-001 SMART_LLMgoogle_vertexai:gemini-1.5-pro-001 STRATEGIC_LLMgoogle_vertexai:gemini-1.5-pro-001 EMBEDDINGgoogle_vertexai:text-embedding-004需pip install langchain-google-vertexai。VertexAI 依赖 GCP 上预先配置好的认证环境服务账号、默认凭据等。CohereCOHERE_API_KEY[Your Key] FAST_LLMcohere:command SMART_LLMcohere:command-nightly STRATEGIC_LLMcohere:command-nightly EMBEDDINGcohere:embed-english-v3.0需pip install langchain-cohere。FireworksFIREWORKS_API_KEY[Your Key] base_urlhttps://api.fireworks.ai/inference/v1/completions FAST_LLMfireworks:accounts/fireworks/models/mixtral-8x7b-instruct SMART_LLMfireworks:accounts/fireworks/models/mixtral-8x7b-instruct STRATEGIC_LLMfireworks:accounts/fireworks/models/mixtral-8x7b-instruct EMBEDDINGfireworks:nomic-ai/nomic-embed-text-v1.5需pip install langchain-fireworks。AWS BedrockFAST_LLMbedrock:anthropic.claude-3-sonnet-20240229-v1:0 SMART_LLMbedrock:anthropic.claude-3-sonnet-20240229-v1:0 STRATEGIC_LLMbedrock:anthropic.claude-3-sonnet-20240229-v1:0 EMBEDDINGbedrock:amazon.titan-embed-text-v2:0需pip install langchain_aws并确保 AWS 凭据region、access key已正确配置。源码中bedrock分支会把model改写为model_id传给ChatBedrock见 gpt_researcher/llm_provider/generic/base.py。LiteLLMLiteLLM 是统一网关式提供商通过它可访问大量第三方模型FAST_LLMlitellm:perplexity/pplx-7b-chat SMART_LLMlitellm:perplexity/pplx-70b-chat STRATEGIC_LLMlitellm:perplexity/pplx-70b-chat需pip install langchain_community走ChatLiteLLM封装见 gpt_researcher/llm_provider/generic/base.py。xAIFAST_LLMxai:grok-beta SMART_LLMxai:grok-beta STRATEGIC_LLMxai:grok-beta需pip install langchain_xai。DeepSeekDEEPSEEK_API_KEY[Your Key] FAST_LLMdeepseek:deepseek-chat SMART_LLMdeepseek:deepseek-chat STRATEGIC_LLMdeepseek:deepseek-chat源码中deepseek分支直接复用ChatOpenAI并固定 base URL 为https://api.deepseek.com见 gpt_researcher/llm_provider/generic/base.py因此无需额外 langchain 包。若使用 deepseek-reasoner 类推理模型同样会被NO_SUPPORT_TEMPERATURE_MODELS命中而自动跳过 temperature。DashScope阿里云DASHSCOPE_API_KEY[Your Key] export FAST_LLMdashscope:qwen3-32b export SMART_LLMdashscope:qwen-turbo-2025-04-28 export STRATEGIC_LLMdashscope:qwen-plus-latest export EMBEDDINGdashscope:text-embedding-v3需pip install dashscope。源码中dashscope分支同样复用ChatOpenAI固定 base URL 为https://dashscope.aliyuncs.com/compatible-mode/v1见 gpt_researcher/llm_provider/generic/base.pyEmbedding 走langchain_community的DashScopeEmbeddings。OpenRouter.aiOpenRouter 聚合了大量模型通过 OpenAI 兼容端点访问OPENROUTER_API_KEY[Your openrouter.ai key] OPENAI_BASE_URLhttps://openrouter.ai/api/v1 FAST_LLMopenrouter:google/gemini-2.0-flash-lite-001 SMART_LLMopenrouter:google/gemini-2.0-flash-001 STRATEGIC_LLMopenrouter:google/gemini-2.5-pro-exp-03-25 OPENROUTER_LIMIT_RPS1 # 每秒请求数限流 EMBEDDINGgoogle_genai:models/text-embedding-004 # openrouter 不支持 embedding改用 google免费 GOOGLE_API_KEY[Your *google gemini* key]源码中openrouter分支使用ChatOpenAIInMemoryRateLimiter实现每秒请求限流OPENROUTER_LIMIT_RPS缺省 1.0见 gpt_researcher/llm_provider/generic/base.py并设置 180 秒请求超时。ForgeForge 是开源 LLM 路由网关通过单一 API 统一访问 40 AI 提供商FORGE_API_KEY[Your Key] FAST_LLMforge:OpenAI/gpt-4o-mini SMART_LLMforge:OpenAI/gpt-4o STRATEGIC_LLMforge:OpenAI/gpt-4o模型名采用Provider/model-name格式如OpenAI/gpt-4o、Anthropic/claude-sonnet-4-5。源码中forge分支固定 base URL 为https://api.forge.tensorblock.co/v1见 gpt_researcher/llm_provider/generic/base.py。AI/ML APIaimlapiAI/ML API 提供 300 模型DeepSeek、Gemini、ChatGPT 等企业级限流与可用性AIMLAPI_API_KEY[Your aimlapi.com key] AIMLAPI_BASE_URLhttps://api.aimlapi.com/v1 FAST_LLMaimlapi:claude-3-5-sonnet-20241022 SMART_LLMaimlapi:openai/o4-mini-2025-04-16 STRATEGIC_LLMaimlapi:x-ai/grok-3-mini-beta EMBEDDINGaimlapi:text-embedding-3-smallMiniMaxMiniMax 提供 OpenAI 兼容 API最新 MiniMax-M3 支持 512K 上下文、最大 128K 输出与图像输入MINIMAX_API_KEY[Your Key] FAST_LLMminimax:MiniMax-M3 SMART_LLMminimax:MiniMax-M3 STRATEGIC_LLMminimax:MiniMax-M3 EMBEDDINGminimax:embo-01可用模型MiniMax-M3— 旗舰模型512K 上下文、128K 最大输出、支持图像输入默认MiniMax-M2.7— 上一代模型MiniMax-M2.7-highspeed— 上一代低延迟变体源码中minimax分支固定 base URL 为https://api.minimax.io/v1见 gpt_researcher/llm_provider/generic/base.py。AvianAvian 提供 OpenAI 兼容 API可访问 DeepSeek-V3.2、Kimi-K2.5、GLM-5、MiniMax-M2.5 等成本友好的前沿模型AVIAN_API_KEY[Your Key] FAST_LLMavian:deepseek/deepseek-v3.2 SMART_LLMavian:moonshotai/kimi-k2.5 STRATEGIC_LLMavian:z-ai/glm-5源码中avian分支固定 base URL 为https://api.avian.io/v1见 gpt_researcher/llm_provider/generic/base.py。Atlas CloudAtlas Cloud 提供 OpenAI 兼容 API可访问 DeepSeek、Llama、Qwen 等 300 模型ATLASCLOUD_API_KEY[Your Key] FAST_LLMatlascloud:deepseek-ai/DeepSeek-V3 SMART_LLMatlascloud:deepseek-ai/DeepSeek-R1 STRATEGIC_LLMatlascloud:deepseek-ai/DeepSeek-R1源码中atlascloud分支固定 base URL 为https://api.atlascloud.ai/v1见 gpt_researcher/llm_provider/generic/base.py。Nebius Token FactoryNebius Token Factory 通过 OpenAI 兼容 API 提供 60 开源模型DeepSeek、Qwen、Llama、Kimi 等同时托管文本嵌入模型——可以让 GPTR 的 LLM 与 Embedding 栈都跑在单一提供商上NEBIUS_API_KEY[Your Key] FAST_LLMnebius:meta-llama/Llama-3.3-70B-Instruct SMART_LLMnebius:Qwen/Qwen3-235B-A22B-Instruct-2507 STRATEGIC_LLMnebius:openai/gpt-oss-120b EMBEDDINGnebius:Qwen/Qwen3-Embedding-8B如需指向自托管或区域端点可设置NEBIUS_BASE_URL默认https://api.tokenfactory.nebius.com/v1源码见 gpt_researcher/llm_provider/generic/base.py 与 gpt_researcher/memory/embeddings.py。vLLM自托管推理服务用 vLLM 起本地 OpenAI 兼容服务后VLLM_OPENAI_API_KEY[Your Key] # 可设置为 EMPTY 或任意值 VLLM_OPENAI_API_BASE[Your base url] # 例如 http://localhost:8000/v1/ FAST_LLMvllm_openai:Qwen/Qwen3-8B-AWQ SMART_LLMvllm_openai:Qwen/Qwen3-8B-AWQ STRATEGIC_LLMvllm_openai:Qwen/Qwen3-8B-AWQ源码中vllm_openai分支直接读取上述两个环境变量构造ChatOpenAI见 gpt_researcher/llm_provider/generic/base.py。独立 Embedding 提供商除各提供商自带的嵌入模型外还有两个独立的 Embedding 提供商NomicEMBEDDINGnomic:nomic-embed-text-v1.5VoyageAIVOYAGE_API_KEY[Your Key] EMBEDDINGvoyageai:voyage-law-2需pip install langchain-voyageai。源码中voyageai分支读取VOYAGE_API_KEY并传给VoyageAIEmbeddings见 gpt_researcher/memory/embeddings.py。源码级调用链一个 provider 字符串如何变成一次推理当研究流程发起一次 LLM 调用时核心路径如下配置解析gpt_researcher/config/config.py 的_set_llm_attributes把FAST_LLM/SMART_LLM/STRATEGIC_LLM解析为{role}_llm_provider与{role}_llm_model统一入口gpt_researcher/utils/llm.py 的create_chat_completion接收model、llm_provider、temperature默认 0.4、max_tokens默认 4000等参数若模型命中SUPPORT_REASONING_EFFORT_MODELS如 o3、gpt-5.4 系列则注入reasoning_effort若命中NO_SUPPORT_TEMPERATURE_MODELS则把 temperature 置为None工厂实例化get_llm→GenericLLMProvider.from_provider根据 provider 名选择对应的 LangChainChatXxx类并实例化并发容错create_chat_completion默认最多重试 10 次指数退避每次最多等 8 秒并对空响应进行兜底成本核算成功后通过calculate_llm_cost见 gpt_researcher/utils/costs.py结合last_usage_metadata与last_response_metadata计算真实调用成本。Embedding 侧则通过 gpt_researcher/agent.py 中的Memory(cfg.embedding_provider, cfg.embedding_model, ...)实例化gpt_researcher/memory/embeddings.py用match语句按 provider 分发到对应 LangChain Embeddings 类最终生成的嵌入用于向量库检索与相似度过滤。如何接入一个新的 LLM 提供商若官方列表中没有你需要的提供商接入路径非常清晰参考 LangChain 对应平台的 Chat 模型封装确定其包名与类名在GenericLLMProvider.from_providergpt_researcher/llm_provider/generic/base.py中新增一个elif分支调用_check_pkg(langchain_xxx)做依赖检查与自动安装然后实例化对应的 Chat 类并处理 API Key、base URL 等环境变量的映射把新 provider 名加入_SUPPORTED_PROVIDERS集合即可通过FAST_LLM新provider:模型名直接使用。_check_pkg的实现值得一提它会在依赖缺失时自动执行pip install -U 包名并再次尝试导入安装失败时抛出带明确指引的ImportError见 gpt_researcher/llm_provider/generic/base.py。注意事项与排错建议依赖安装除 OpenAI、DeepSeek、DashScope 等复用ChatOpenAI的提供商外其余提供商需要在requirements.txt见 requirements.txt中追加对应 langchain 包或直接pip install版本适配GPT Researcher 针对 GPT 系列模型做过充分优化与测试切换为其他模型时可能遇到上下文长度限制或非预期响应建议从小的FAST_LLM任务开始验证现代长输出模型请同步调高 Token 上限温度参数o1/o3/gpt-5 系列与 Claude 4.x 家族由源码中的黑名单/白名单自动处理 temperature 与 reasoning_effort不需要也不应该在.env中手工传参环境变量缺失各提供商分支对缺失的 API Key 会抛出明确异常观察控制台日志即可定位是哪个变量未配置Embedding 与 LLM 解耦EMBEDDING可以独立于FAST_LLM/SMART_LLM选择不同提供商例如 LLM 用 Anthropic、Embedding 用 OpenAI这是完全支持的组合方式。更多配置项LLM_KWARGS、EMBEDDING_KWARGS、TEMPERATURE、FAST_TOKEN_LIMIT等与完整参数说明可继续阅读 配置文档 与 LLM 配置总览。【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcher创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考