DBAdmin/brain/raw/inbox/Zbudowałem najbardziej inteligentnego agenta badawczego.md

---
title: "Zbudowałem najbardziej inteligentnego agenta badawczego"
source: "https://medium.com/@jordan_gibbs/i-built-the-most-intelligent-deep-research-agent-13c3de5ebc8d"
author:
  - "[[Jordan Gibbs]]"
published: 2026-05-04
created: 2026-05-20
description: "Przewyższa OpenAI, Antropic i NVIDIA... I jest open source."
tags:
  - "clippings"
---
## Przewyższa OpenAI, Antropic i NVIDIA... I jest open source.

![Logo HyperResearch](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*JOunSbv88dt8uhx5gygzJA.png)

Logo HyperResearch

Przez ostatnie kilka tygodni pracowałem nad [HyperResearch](https://github.com/jordan-gibbs/hyperresearch), najpotężniejszym agentem głębokich badań na rynku. Jest w pełni open-source i prosta wtyczka do kodu Claude'a, więc możesz zacząć w kilka minut.

Interesuję się koncepcją głębokich badań od czasu wydania pierwszej wersji OpenAI kilka lat temu. Zawsze uważałem, że obok kodowania, zbieranie i synteza wiedzy jest jednym z kluczowych zastosowań LLM.

HyperResearch to mój pierwszy krok w dziedzinie badań i z dumą mogę powiedzieć, że obecnie zajmuje pierwsze miejsce w DeepResearch Benchmark:

![](https://miro.medium.com/v2/resize:fit:1400/format:webp/1*OSNlr6-Tyb1_Kj-ZgFQFyw.png)

Wewnętrznie benchmarkowane za pomocą RACE DeepResearchBench, który zestawia raporty generowane przez AI z badaniami na poziomie doktoranckim (50 to poziom "PhD").

W dniach od oficjalnego wydania korzystałem z HyperResearch do przeprowadzania metodycznych badań nad wszystkim, od architektur LLM 2026 po rozwój strategii handlowych na rynkach predykcyjnych.

Nawet ja, jako twórca tego narzędzia, jestem ciągle zaskoczony (i trochę przestraszony) jakością jego wyników i analiz. Jeśli jesteś obecnym użytkownikiem Clade Code, zachęcam do spróbowania.

## HyperResearch w skrzydłym spojrzeniu

Co sprawia, że HR jest o wiele lepszy od innych głębokich badań naukowych?

### Trwałe, przeszukiwalne, rozszerzalne bazy wiedzy

HR tworzy artefakty badawcze w formie pełnotekstowych plików MD, które są automatycznie dołączane do przeszukiwalnej, rozszerzalnej bazy danych. Każdy link źródłowy, który AI odczytuje, jest zapisywany na komputerze do przyszłych użyć, wraz z tagami, linkami zwrotnymi i szybkim podsumowaniem. Proces ten jest podobny do działania [Obsidian](https://obsidian.md/).

### Ogromna szerokość

HR może przeczytać setki źródeł na sesję, szukając najlepszych źródeł pierwotnych i sprzecznych informacji, by objąć wszystkie aspekty.

### Rzeczywista głębia

W przeciwieństwie do niektórych innych agentów głębokich badań, HyperResearch potrafi faktycznie tworzyć plany ataku celujące w królicze nory łączące. Może faktycznie odwiedzać strony kolejno, znajdując osadzone linki prowadzące do cenniejszych informacji.

Przykładem jest wykorzystanie Wikipedii jako narzędzia agregacji źródeł do wyszukiwania wysokiej jakości źródeł pierwotnych.

### Lepsze dane

HR korzysta lokalnie z przeglądarką bezgłową z Twoim rzeczywistym adresem IP, aby uzyskać dostęp do większej ilości danych niż przeciętne narzędzie chmurowe. Możesz także zarejestrować profil Chromium za pomocą tego narzędzia, co pozwala logować się na serwisach takich jak Twitter czy LinkedIn za pomocą danych uwierzytelniających, aby uzyskać informacje w czasie rzeczywistym.

### Struktury subagentowe to zgnilizna antykontekstowa

Cały pipeline opiera się na subagentach, z nadrzędnym "orkiestratorem", który nadzoruje proces z wyższego, celowego punktu widzenia. Oznacza to, że główny agent piszący i syntetyzujący Twój raport nie jest zatruty tysiącami słów internetowych badań. Subagenci działają wcześnie w swoich oknach kontekstowych, dokładnie w swojej ["strefie inteligentnej](https://github.com/mattpocock/dictionary-of-ai-coding#stateful) ".

## Jak działa HyperResearch

Mimo że to stosunkowo prosty zestaw plików umiejętności, składa się w zestaw, który jest znacznie czymś więcej niż sumą jego części.

### Ścieżka badawcza

Pipeline HyperResearch składa się z 16 etapów, z których każdy ma kluczową rolę do odegrania.

**Krok 1 — Rozkład**

Dzieli zapytanie badawcze użytkownika na elementy atomowe, które są najmniejszymi samodzielnymi podpytaniami do odpowiedzi, oraz tworzy macierz zasięgu, która mapuje każde podpytanie na źródła lub kąty, które je rozwiążą.

**Krok 2 — Przemiatanie szerokości**

Generuje plan wyszukiwania obejmujący różne perspektywy na dany temat, a następnie uruchamia równoległe fale agentów pobierania, które jednocześnie trafiają w adresy URL, aby pobrać materiały źródłowe do korpusu. Zbieracze używają Claude'a Haiku, ponieważ ten etap jest bardzo intensywny i nie wymaga głębokiego rozumowania.

**Krok 3 — Graf sprzeczności**

Przeszukuje pobrany korpus pod kątem par źródeł, które ze sobą nie zgadzają, i grupuje te niezgodności w klastry uszeregowane, tak aby najważniejsze sprzeczności pojawiły się jako pierwsze.

**Krok 4 — Analiza loci**

Dwóch analityków działa równolegle w korpusie, aby zidentyfikować miejsca, czyli konkretne podtematy lub sporne punkty zasługujące na głębsze badania. Każdy locus jest oceniany pod kątem ważności i przypisywany jest budżet źródłowy, który ogranicza, ile pobierania może na niego wydać kolejny krok.

**Krok 5 — Badanie głębi**

Dla każdego miejsca dedykowany agent śledczy dogłębnie je bada i sporządza notatkę tymczasową. Nota musi zobowiązać się do pozycji, a nie zabezpieczenia, co zmusza agenta do przyjęcia obronnej postawy, którą późniejsze kroki mogą przetestować jako obciążenie.

**Krok 6 — Pojednanie między miejscami i lokalizacjami**

Porównuje zaangażowane pozycje z każdego badania locus i łączy je w jeden plik, rozwiązując nakładanie się i ujawniając miejsca, gdzie loci ze sobą kolidują.`comparisons.md`

**Krok 7 — Napięcia źródłowe**

Wyodrębnia różnice między ekspertami, w przeciwieństwie do niezgodności między własnymi loci agenta, i zapisuje je jako dalsze kroki do dalszych kroków.`source-tensions.json`

**Krok 8 — Krytyk korpusu**

Agent krytyka zadaje odwrotne pytanie — jakie źródło, gdyby istniało, mogłoby zmienić aktualny kierunek analizy? — a następnie wykonuje celowane pobieranie, aby spróbować znaleźć to źródło przed rozpoczęciem draftu.

**Krok 9 — Podsumowanie dowodów**

Zawiera najsilniejsze dotychczasowe twierdzenia wraz z dosłownymi cytatami z oryginalnych źródeł w, dając etapowi tworzenia czyste odniesienie faktów z dołączonym pochodzeniem.`evidence-digest.md`

**Krok 10 — Potrójny draft**

Tworzy osobną listę źródeł dla każdego z trzech aspektów tematu, a następnie równolegle generuje trzech agentów szkicowych, którzy piszą po jednym pełnym szkicu.

**Krok 11 — Synteza**

Agent syntezatora czyta wszystkie trzy wersje robocze, planuje konspekt, który wyciąga najlepsze z każdego z nich, i pisze końcowy raport do.`final_report.md`

**Krok 12 — Krytycy**

Czterech przeciwników działa równolegle, każdy szukając innej klasy słabości: krytyk dialektyczny szuka kontrdowodów, że draft nie popełnił, krytyk głębi wskazuje płytkie miejsca, krytyk szerokości wskazuje na tematy, które draft zignorował, a krytyk instrukcji sprawdza draft względem atomowych punktów oryginalnego promptu. Każdy zapisuje wyniki do pliku JSON.

**Krok 13 — Gap-fetch**

Uruchamia ukierunkowaną falę pobierania, aby odzyskać źródła wypełniające konkretne luki wskazane przez krytyków.

**Krok 14 — Patcher**

Stosuje krytyczne ustalenia do raportu jako chirurgiczne korekty, czyli drobne, lokalne zmiany, a nie poprawki. Agent jest zablokowany narzędziem, co oznacza, że system uprawnień Claude Code fizycznie uniemożliwia mu użycie czegokolwiek poza Odczyt i Edycja, więc nie może wygenerować szkicu od zera.

**Krok 15 — Polski**

Narzędzie zablokowane w narzędziu Read+Edit usuwa wypełniacze i usuwa wycieki higieny, które są artefaktami, które nie powinny pojawiać się w końcowym wyniku, w tym pozostałymi sekcjami rusztowań, blokami YAML na początku plików oraz przypadkowymi echami polecenia użytkownika z powrotem do treści raportu.

**Krok 16 — Audyt czytelności**

Agent rekomendujący zapisuje sugestie do pliku JSON, obejmujące takie rzeczy jak rytm akapitów i miejsca, gdzie lepiej czyta się prozę jako listę lub tabelę, a orkestrator selektywnie stosuje te, które faktycznie poprawiają raport.

## Uff, to było dużo.

To podsumowuje cały proces działania. Opracowałem ten HR po wielu tygodniach iteracji i testów ablacji, które usuwały lub dodawały kroki, które albo szkodziły, albo poprawiały zdolność systemu do tworzenia badań na wyższej jakości. To trwający, stale rozwijający się projekt open-source, więc zachęcam do wsparcia się, jeśli jesteś zainteresowany: [https://github.com/jordan-gibbs/hyperresearch](https://github.com/jordan-gibbs/hyperresearch)

**Dzięki za przeczytanie!**

\-Jordan