Agentic Research

Name: Agentic Research
Author: TheAiSingularity

von TheAiSingularityVersion 0.1.3i★ –iLäuft auf deinem Computer

Name in der Registryio.github.TheAiSingularity/agentic-research

Installieren

Überblick

Beschreibung vom Entwickler (englisches Original)

Local research agent that verifies its own answers. Runs on Gemma 3 4B + Ollama, $0/query.

Die drei Säulen von PopNx MCP

Diese drei werden nie zu einer Punktzahl zusammengefasst: Meinungen, Messungen und Beliebtheit sind verschiedene Dinge.

Stimmen der NutzeriNoch keine BewertungenBewertungen starten in einem späteren Schritt zusammen mit Benutzerkonten
Unsere Basischecksi1 von 1 bestandenAnhand öffentlicher Informationen geprüft; Code noch nicht gescannt
NutzungiNoch nicht gemessen★ –

Was du damit machen kannst

Für diesen Server haben wir noch keine Zusammenfassung in einfacher Sprache geschrieben. Unten stehen die Fakten, die wir aus der Registry gelesen haben.

Verbindung: Läuft auf deinem Computer
Transport: stdio
Kategorie: Suche & KI-Gedächtnis
Das musst du eintragen: OPENAI_API_KEY

Installation

Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.

Bevor du installierst

Basischecks: 1 von 1 bestanden
Läuft auf deinem Computer mit den Rechten deines Benutzerkontos (Dateien, Netzwerk, Apps).
Das trägst du selbst ein: OPENAI_BASE_URL, OPENAI_API_KEY, MODEL_SYNTHESIZER, MODEL_PLANNER, EMBED_MODEL, SEARXNG_URL, LOCAL_CORPUS_PATH, ENABLE_RERANK, ENABLE_FETCH

Als geheim markierte Werte sind Schlüssel zu deinem Konto. Gib sie nie weiter und füge sie nie in einen Chat ein.

Du brauchst

PyPIuv für Python installiert (für den Befehl uvx)

Welche App nutzt du?

ClaudeClaude CodeCursorVS CodeChatGPT

Wähle oben deine App. Wir merken sie uns, damit der Button beim nächsten Mal „In … installieren“ anzeigt.

Öffne Claude Desktop → Settings → Developer → Edit Config und füge dies in claude_desktop_config.json ein

{
  "mcpServers": {
    "agentic-research": {
      "command": "uvx",
      "args": [
        "agentic-research-engine"
      ],
      "env": {
        "OPENAI_BASE_URL": "your-value",
        "OPENAI_API_KEY": "your-value",
        "MODEL_SYNTHESIZER": "your-value",
        "MODEL_PLANNER": "your-value",
        "EMBED_MODEL": "your-value",
        "SEARXNG_URL": "your-value",
        "LOCAL_CORPUS_PATH": "your-value",
        "ENABLE_RERANK": "your-value",
        "ENABLE_FETCH": "your-value"
      }
    }
  }
}

Führe das in deinem Terminal aus

claude mcp add agentic-research --env OPENAI_BASE_URL=your-value --env OPENAI_API_KEY=your-value --env MODEL_SYNTHESIZER=your-value --env MODEL_PLANNER=your-value --env EMBED_MODEL=your-value --env SEARXNG_URL=your-value --env LOCAL_CORPUS_PATH=your-value --env ENABLE_RERANK=your-value --env ENABLE_FETCH=your-value -- uvx agentic-research-engine

Trag die leeren Werte ein, bevor du ihn startest.

In Cursor öffnen

Oder kopier die Einstellungen selbst

In .cursor/mcp.json in deinem Projekt oder in ~/.cursor/mcp.json einfügen

{
  "mcpServers": {
    "agentic-research": {
      "command": "uvx",
      "args": [
        "agentic-research-engine"
      ],
      "env": {
        "OPENAI_BASE_URL": "your-value",
        "OPENAI_API_KEY": "your-value",
        "MODEL_SYNTHESIZER": "your-value",
        "MODEL_PLANNER": "your-value",
        "EMBED_MODEL": "your-value",
        "SEARXNG_URL": "your-value",
        "LOCAL_CORPUS_PATH": "your-value",
        "ENABLE_RERANK": "your-value",
        "ENABLE_FETCH": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

In VS Code öffnen

Oder kopier die Einstellungen selbst

In .vscode/mcp.json in deinem Projekt einfügen

{
  "servers": {
    "agentic-research": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "agentic-research-engine"
      ],
      "env": {
        "OPENAI_BASE_URL": "your-value",
        "OPENAI_API_KEY": "your-value",
        "MODEL_SYNTHESIZER": "your-value",
        "MODEL_PLANNER": "your-value",
        "EMBED_MODEL": "your-value",
        "SEARXNG_URL": "your-value",
        "LOCAL_CORPUS_PATH": "your-value",
        "ENABLE_RERANK": "your-value",
        "ENABLE_FETCH": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

Dieser Server läuft auf deinem Computer, und ChatGPT kann sich nur mit Servern im Internet verbinden. Wähle eine andere App.

Deine Auswahl bleibt in einem Cookie auf diesem Gerät; kein Konto nötig.

Werte, die du selbst einträgst

OPENAI_BASE_URL env
Any OpenAI-compatible endpoint. Default: OpenAI cloud. Use http://localhost:11434/v1 for Ollama.
OPENAI_API_KEY geheim env
API key for the endpoint above. Use 'ollama' as a sentinel value when running locally against Ollama.
MODEL_SYNTHESIZER env
Model identifier used for the synthesize node. Defaults to 'gpt-5-mini'; set to 'gemma3:4b' for Mac-local Ollama.
MODEL_PLANNER env
Model for the plan / classify / critic / compress / verify nodes. Defaults to 'gpt-5-nano'.
EMBED_MODEL env
Embedding model identifier (for retrieval + memory). Default 'text-embedding-3-small'; use 'nomic-embed-text' on Ollama.
SEARXNG_URL env
Base URL of the SearXNG meta-search instance. Default http://localhost:8888.
LOCAL_CORPUS_PATH env
Path to an index directory built via scripts/index_corpus.py. When set, local corpus hits augment web search.
ENABLE_RERANK env
Set to '1' to enable the BAAI/bge-reranker-v2-m3 cross-encoder rerank stage. First run downloads ~560MB.
ENABLE_FETCH env
Set to '0' to skip the trafilatura full-page fetch stage. Default '1'.

Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.

Was er kann

Läuft auf deinem Computer; die Tool-Liste erscheint nach der Installation in deiner KI-App.

Basischecksi

Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 6. Nov. 2026

✓ Bestanden
Entwickler passt zum Repo
Der Registry-Name wurde mit dem GitHub-Konto TheAiSingularity bestätigt, dem das Repo gehört
… Noch nicht geprüft
Wird noch gepflegt
Dieses Repo haben wir noch nicht von GitHub gelesen
… Noch nicht geprüft
Hat eine Lizenz
Dieses Repo haben wir noch nicht von GitHub gelesen
– Nicht zutreffend
Endpunkt antwortet
Dieser Server läuft auf deinem Computer; es gibt keinen Endpunkt im Internet
– Nicht zutreffend
Anmeldung mit OAuth
Läuft auf deinem Computer und nutzt stattdessen lokale Einstellungen
… Noch nicht geprüft
Keine versteckten Anweisungen in Tool-Beschreibungen
Läuft auf deinem Computer; Tool-Listen können wir nur von Endpunkten im Internet lesen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Mehr Sterne als 0 % der anderen 7231 Server in dieser Kategorie
Neuer in der Registry veröffentlicht als 10 % der anderen 7231 Server in dieser Kategorie
Basischecks gleich gut wie oder besser als bei 100 % der anderen 7231 Server in dieser Kategorie

Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.

Häufige Fragen

Ist Agentic Research sicher?

Er hat 1 von 1 zutreffenden Basischecks bestanden. Den Code haben wir nicht gelesen. Bevor du einen Schlüssel oder Token hinzufügst, sieh nach, welche Zugriffe der Server verlangt, und nutze einen Schlüssel, der nur die Berechtigungen hat, die du brauchst.

Welche Schlüssel oder Codes braucht er?

Das musst du eintragen: OPENAI_API_KEY

Läuft er auf meinem Computer oder in der Cloud?

Er läuft auf deinem Computer. Deine KI-App startet ihn bei Bedarf, und die Daten laufen nicht über die Server des Entwicklers (außer der Server ruft selbst einen Onlinedienst auf).

Wird er noch gepflegt?

Das GitHub-Repo wurde zuletzt – geändert, und die neueste Version (0.1.3) kam vor 7 Monaten in die Registry.

Welche Apps können ihn nutzen?

Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Außerdem brauchst du Python (uv) auf deinem Computer.

Was kann ich stattdessen nutzen?

In derselben Kategorie: Context7, Codebase Memory, Exa

Alternativen

Server derselben Kategorie von anderen Entwicklern, sortiert nach Sternen.

So liest du eine Karte:★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti

Context7

von upstash

Up-to-date docs for AI agents

Computer oder Cloud★ 64.224MITAktualisiert vor 3 Tagen

Installieren

Codebase Memory

von DeusData

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

Läuft auf deinem Computer★ 48.148MITAktualisiert vor 20 Tagen

Installieren

Exa

von exa-labs

Connect AI agents to Exa for web search, content fetching, and multi-step research.

Läuft in der Cloud★ 5.213MITAktualisiert vor 44 Tagen

Installieren

README vom Entwickler

README öffnen

Unverändert aus dem Repo des Entwicklers übernommen. PopNx MCP hat den Inhalt weder geprüft noch empfiehlt es ihn. HTML, Bilder und Skripte wurden entfernt. Links führen von dieser Website weg.

agentic-research-engine-oss

The best $0 research agent that runs on a laptop. Open-source end-to-end, reproducible, privacy-preserving. No cloud dependency by default; no telemetry; every LLM call, every source, and every verification decision is visible.

TL;DR
Why use this instead of…
Quickstart — Mac local
Quickstart — no install (Google Colab)
Three ways to drive it
What ships
Domain presets
Bring your own documents
MCP + Claude plugin
Plugin / skill loader
Architecture at a glance
Repo layout
Configuration (env vars)
Testing
Troubleshooting
Honest limits
Status + roadmap
Contributing
License

TL;DR

Local-first research agent that verifies its own answers. Runs on Gemma 3 4B + Ollama (3.3 GB on disk) for $0/query; swaps to any OpenAI-compatible endpoint with one env var.

pip install agentic-research-engine

agentic-research ask "what is Anthropic's contextual retrieval?" --domain papers


Interfaces	CLI · Textual TUI · FastAPI web GUI · MCP server (Claude Desktop / Cursor / Continue)
Pipeline	8-node LangGraph (`classify → plan → search → retrieve → fetch → compress → synthesize → verify`); every node env-toggleable for ablation
Retrieval	SearXNG meta-search + trafilatura fetch + hybrid BM25 / dense / RRF; opt-in `bge-reranker-v2-m3` cross-encoder
Reasoning	HyDE query expansion · FLARE active retrieval · Chain-of-Verification (Dhuliawala et al 2023) · ThinkPRM step critic
Domains	6 presets (`general` · `medical` · `papers` · `financial` · `stock_trading` · `personal_docs`) — write your own in 10 lines of YAML
Plugins	load Claude plugins or `agentskills.io` skills from GitHub or local paths
Memory	opt-in local SQLite trajectory log with semantic retrieval; wipe anytime; no telemetry
Providers	OpenAI · Groq · vLLM · SGLang · Together · Ollama — any OpenAI-compatible endpoint via `OPENAI_BASE_URL`
Quality	137 mocked tests, zero-network · honest live benchmarks published in `RESULTS.md` · MIT end-to-end

Why use this instead of…

you currently use	we give you
Perplexity / ChatGPT Deep Research / Kagi Assistant	the same reasoning-with-citations flow, local and free, with your data never leaving the machine
Perplexica self-hosted	the UX Perplexica has plus a CoVe verifier, FLARE active retrieval, adaptive compute router, and Claude-plugin packaging
Khoj	stronger research-specific reasoning (we're not personal-knowledge-focused), six domain presets, and an MCP server for other agents to call
gpt-researcher	newer pipeline architecture, better small-model handling, observable trace, plugin ecosystem
MiroThinker-H1 / OpenResearcher-30B	they're stronger on BrowseComp; we run on a laptop with no GPU and cost $0
Writing your own LangGraph research agent	save 2-3 months; reuse our 8-node pipeline + 30+ tested env gates + 137 tests

Honest read: on complex multi-hop reasoning benchmarks, Gemma 3 4B sits 15–25% below 30 B+ open models. We don't claim to beat GPT-5.4 Pro. We claim to be the best $0, runs-on-your-laptop, fully-open research agent in April 2026.

Quickstart — Mac local

Option A — PyPI (fastest)

# 1) Local inference (Ollama + Gemma 3 4B + embedding model — 3.6 GB combined)

brew install ollama ollama pull gemma3:4b nomic-embed-text

2) Self-hosted meta-search (Docker; optional but recommended)

docker run -d --name searxng -p 8888:8080 searxng/searxng

3) The engine itself

pip install agentic-research-engine

4) Go

export OPENAI_BASE_URL=http://localhost:11434/v1 OPENAI_API_KEY=ollama export MODEL_SYNTHESIZER=gemma3:4b EMBED_MODEL=nomic-embed-text export SEARXNG_URL=http://localhost:8888 agentic-research ask "what is Anthropic's contextual retrieval?" --domain papers

Option B — from source

# 1) Same local-inference prereqs as Option A (ollama pull + docker run)

2) Clone + install (gives you the CLI, TUI, Web GUI, MCP server, benchmarks, tutorials)

git clone https://github.com/TheAiSingularity/agentic-research-engine-oss cd agentic-research-engine-oss (cd scripts/searxng && docker compose up -d) cd engine && make install make smoke # end-to-end run on the canonical "what is contextual retrieval" question

Expected wall-clock on an M-series Mac: ~45 s for a factoid, ~90 s for multi-hop synthesis. Zero dollars per query.

Higher honesty — cloud-model mode

Gemma 3 4B is surprisingly good at structure (plan, route, verify, compress) but confabulates specific factoids when SearXNG doesn't surface a source containing the right token. Live SimpleQA-mini run on 2026-04-21 (see engine/benchmarks/RESULTS.md) showed gemma3:4b emitting "2023" for *"year Anthropic published Contextual Retrieval"* (gold: 2024) and "LayoutLMv3" for *"which cross-encoder for reranking"* (gold: bge-reranker-v2-m3).

The fix you probably want isn't a smarter synthesizer — it's a more honest one. A 5-question head-to-head on the same retrieval output showed gpt-5-nano + gpt-5-mini refuse to confabulate when evidence was missing (*"The provided evidence does not answer this question"*), where gemma3:4b confidently guessed. Per-claim faithfulness went from 82.9 % → 100 %. Pass rate barely moved (1/5 vs 0/5) because retrieval is the real bottleneck — if SearXNG didn't return a source with the gold token, neither model can produce it.

Swap the whole stack to a cloud endpoint:

# drop the Ollama base URL (fall back to OpenAI cloud)

unset OPENAI_BASE_URL export OPENAI_API_KEY=sk-...

defaults are already cloud-sized: gpt-5-nano for plan/verify, gpt-5-mini for synth.

Explicit override if you want to pin them:

export MODEL_PLANNER=gpt-5-nano export MODEL_SYNTHESIZER=gpt-5-mini # or gpt-5, claude-sonnet-4-5, etc. agentic-research ask "…" --domain papers

Cost is dominated by synthesizer tokens (~5–15 k per query). Full cloud mode with gpt-5-nano + gpt-5-mini runs roughly $0.02–0.05 per research query and is ~2-3× slower than Gemma local (measured: 127 s vs 52 s mean wall on the 5-question subset). Works with any OpenAI-compatible endpoint — Groq, Together, Mistral, DeepSeek, local vLLM — so you can pick a cheap fast model (llama-3.3-70b on Groq ≈ $0.003/query) or a frontier one. Per-node base-URL routing (run gemma3:4b locally for plan/verify AND gpt-5-mini on cloud for synth in the same query) is tracked for 0.2; today the pipeline uses one global OPENAI_BASE_URL.

The bigger accuracy lever is retrieval. Point LOCAL_CORPUS_PATH at an indexed corpus containing your answer and either model will be correct.

Quickstart — no install (Google Colab)

Five runnable notebooks in tutorials/:

01 — Engine API quickstart (mocked, no key) — see how the pipeline works without running inference.
02 — Groq cloud inference (free tier) — real LLM, no local GPU.
03 — Build your own corpus — upload PDFs, index them, query.
04 — MCP server from Python — drive the engine as a tool from another agent.
05 — Domain presets showcase — compare presets on the same question.

Each notebook is self-contained, runs end-to-end on Colab free tier, no credit card required.

Three ways to drive it

CLI

engine ask "what is hybrid retrieval?" --domain papers --memory session

engine reset-memory engine domains list engine version

TUI (Textual — keyboard-driven, SSH-safe)

make tui

Three panes: sources · answer + hallucination flags · trace + memory hits. Press Enter to ask, Ctrl-M to cycle memory mode, Ctrl-L to clear, Ctrl-Q to quit.

Web GUI (FastAPI + HTMX on `localhost:8080`)

make gui

open http://127.0.0.1:8080 in your browser

No auth. No cloud. No analytics. Dark theme. Streams tokens in place.

What ships

`engine/` — the flagship

8-node LangGraph pipeline with 2026-SOTA composition: classify → plan → search → retrieve → fetch_url → compress → synthesize → verify

Every stage is env-toggleable for leave-one-out ablation. Techniques folded in: HyDE, CoVe verification, iterative retrieval, FLARE active retrieval, question classifier router, step critic (ThinkPRM pattern), LongLLMLingua-lite compression, cross-encoder rerank (BAAI/bge-reranker-v2-m3), Anthropic contextual chunking, W6 small- model hardening (three-case synthesize prompt + per-chunk char cap).

`core/rag/` — reusable retrieval primitives (v1 stable)

HybridRetriever (BM25 + dense + RRF) · CrossEncoderReranker · contextualize_chunks (Anthropic pattern) · CorpusIndex (bring- your-own-PDFs). 5 exports, used by the engine and the archived recipes.

`archive/recipes/` — pre-engine reference recipes

research-assistant, trading-copilot, document-qa, rust-mcp-search-tool. All still work; all tests still pass. The research-assistant/production/main.py is a thin shim over engine.core.pipeline so the cookbook framing is preserved.

Domain presets

Six YAML files in engine/domains/:

preset	when to use
`general`	default; anything
`medical`	disease / treatment / drug / trial (PubMed / Cochrane / NEJM bias; no prescriptive advice)
`papers`	academic CS / ML / physics / biology (arXiv + Semantic Scholar + OpenReview)
`financial`	SEC filings, earnings, company fundamentals (dates on every number)
`stock_trading`	technical + news per ticker — hard rule: never recommends buy/sell/hold
`personal_docs`	Q&A over your own corpus, air-gapped (only `corpus://` URLs allowed)

Write your own in ~10 lines of YAML — see docs/domains.md.

Bring your own documents

python scripts/index_corpus.py build ~/papers --out ~/papers.idx

export LOCAL_CORPUS_PATH=~/papers.idx engine ask "what do my papers say about contextual retrieval?" --domain personal_docs

Supported formats: PDF (via pypdf), Markdown, plain text, HTML (via trafilatura). The index persists as a directory with a human-readable manifest.json + a pickled index.pkl. Rebuild anytime the docs change.

Details: docs/self-learning.md covers the trajectory + memory model; docs/plugins-skills.md covers external plugins.

MCP + Claude

Nur der Anfang wird gezeigt; den Rest findest du im Repo

Agentic Research

Überblick

Die drei Säulen von PopNx MCP

Was du damit machen kannst

Installation

Bevor du installierst

Werte, die du selbst einträgst

Was er kann

Basischecksi

Entwickler passt zum Repo

Wird noch gepflegt

Hat eine Lizenz

Endpunkt antwortet

Anmeldung mit OAuth

Keine versteckten Anweisungen in Tool-Beschreibungen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Häufige Fragen

Alternativen

Context7

Codebase Memory

Exa

README vom Entwickler

Table of contents

TL;DR

Why use this instead of…

Quickstart — Mac local

Option A — PyPI (fastest)

2) Self-hosted meta-search (Docker; optional but recommended)

3) The engine itself

4) Go

Option B — from source

2) Clone + install (gives you the CLI, TUI, Web GUI, MCP server, benchmarks, tutorials)

Higher honesty — cloud-model mode

defaults are already cloud-sized: gpt-5-nano for plan/verify, gpt-5-mini for synth.

Explicit override if you want to pin them:

Quickstart — no install (Google Colab)

Three ways to drive it

CLI

TUI (Textual — keyboard-driven, SSH-safe)

Web GUI (FastAPI + HTMX on localhost:8080)

open http://127.0.0.1:8080 in your browser

What ships

engine/ — the flagship

core/rag/ — reusable retrieval primitives (v1 stable)

archive/recipes/ — pre-engine reference recipes

Domain presets

Bring your own documents

MCP + Claude

Web GUI (FastAPI + HTMX on `localhost:8080`)

`engine/` — the flagship

`core/rag/` — reusable retrieval primitives (v1 stable)

`archive/recipes/` — pre-engine reference recipes