Hyper Research - agente de pesquisa profunda com pipeline adaptativo
Hyper Research
Projeto open-source que transforma Claude Code em um agente de pesquisa profunda. Implementa um pipeline adaptativo de 16 passos que produz relatórios auditados adversarialmente com proveniência completa de fontes. Lidera o leaderboard DeepResearch-Bench RACE internamente.
Características principais:
- Pipeline tier-adaptive de 16 passos: processa um prompt e gera um relatório com verificação completa
- Vault persistente e pesquisável: cada fonte lida é armazenada em SQLite, compondo conhecimento entre sessões
- Verificação de fatos adversarial: auditoria integrada para garantir precisão
- Markdown como verdade, SQLite como cache: notas com YAML frontmatter em
research/notes/
Acesse o repositório no GitHub
DeepResearch-Bench: avaliação de agentes de pesquisa
Benchmark com 100 tarefas em nível PhD (22 domínios, 50 em inglês + 50 em chinês) para avaliar agentes de pesquisa profunda. Propõe dois frameworks de avaliação:
- RACE (Reference-based Adaptive Criteria-driven Evaluation): avalia qualidade de relatórios em 4 dimensões dinâmicas — abrangência, profundidade, seguimento de instruções, legibilidade
- FACT (Framework for Factual Abundance and Citation Trustworthiness): verifica se as fontes citadas realmente suportam as afirmações
Resultados mostram que Gemini-2.5-Pro Deep Research lidera (48,88 no RACE), seguido de OpenAI Deep Research (46,98). Validação humana confirma 71,33% de concordância com avaliadores especialistas.
Acesse o benchmark e leaderboard
Crawl4AI: web crawler otimizado para LLMs
Biblioteca open-source Python para web crawling e extração de dados, otimizada para LLMs e agentes de IA. Usado pelo Hyper Research para coletar informações mais amplas que ferramentas de busca padrão. Suporta sessões autenticadas para LinkedIn e Twitter.
Arquitetura de agentes de pesquisa profunda
A categoria emergente de agentes de pesquisa profunda (Deep Research Agents) combina:
- Raciocínio dinâmico e planejamento adaptativo de longo horizonte
- Recuperação multi-hop de informações
- Uso iterativo de ferramentas
- Geração de relatórios estruturados com análise
Diferentes modelos (Claude, Gemini, GPT-4o) excelem em dimensões distintas — OpenAI destaca-se em seguimento de instruções, enquanto Gemini lida melhor com abrangência e citações efetivas.
Leia o artigo: Deep Research Agents: A Systematic Examination
Memória persistente em Claude Code
Mecanismos para manter conhecimento entre sessões:
- CLAUDE.md: instruções persistentes que guiam comportamento do agente
- Auto memory: Claude escreve notas sobre aprendizados, correções e padrões
- Agent Memory: armazenamento persistente para subagentes (v2.1.33+)
- Tasks on-disk: tarefas como grafo de dependência (v2.1.16+)
Permite que agentes acumulem conhecimento e melhorem com o tempo — exatamente o que Hyper Research implementa com seu vault SQLite.