Agentic Research

Name: Agentic Research
Author: TheAiSingularity

de TheAiSingularityversión 0.1.3i★ –iSe ejecuta en tu computadora

Nombre en el registroio.github.TheAiSingularity/agentic-research

Instalar

Resumen

Descripción del creador (original en inglés)

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

Los tres pilares de PopNx MCP

Estos tres nunca se combinan en una sola puntuación: las opiniones, las mediciones y la popularidad son cosas distintas.

Opinión de usuariosiAún no hay reseñasLas reseñas se abrirán junto con las cuentas en una etapa posterior
Nuestras revisiones básicasi1 de 1 superadasRevisado con información pública; el código aún no se ha escaneado
UsoiAún sin medir★ –

Qué puedes hacer con él

Todavía no escribimos un resumen sencillo para este. Abajo están los datos que leímos del registro.

Conexión: Se ejecuta en tu computadora
Transporte: stdio
Categoría: Búsqueda y memoria de IA
Debes completar: OPENAI_API_KEY

Instalación

Elige la app de IA que usas y copia la configuración.

Antes de instalar

Revisiones básicas: 1 de 1 superadas
Se ejecuta en tu computadora con los permisos de tu usuario (archivos, red, apps).
Debes completar tú: OPENAI_BASE_URL, OPENAI_API_KEY, MODEL_SYNTHESIZER, MODEL_PLANNER, EMBED_MODEL, SEARXNG_URL, LOCAL_CORPUS_PATH, ENABLE_RERANK, ENABLE_FETCH

Los valores marcados como secretos son llaves de tu cuenta. Nunca los compartas ni los pegues en un chat.

Necesitas

PyPIuv de Python instalado (para el comando uvx)

¿Qué app usas?

ClaudeClaude CodeCursorVS CodeChatGPT

Elige tu app arriba. La recordamos, así que la próxima vez el botón dirá “Instalar en …”.

Abre Claude Desktop → Settings → Developer → Edit Config y pega esto en claude_desktop_config.json

{
  "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"
      }
    }
  }
}

Ejecuta esto en tu terminal

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

Completa los valores vacíos antes de ejecutarlo.

Abrir en Cursor

O copia la configuración tú

Pégalo en .cursor/mcp.json de tu proyecto, o en ~/.cursor/mcp.json

{
  "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"
      }
    }
  }
}

Tu navegador te pide permiso para abrir la app; luego la app muestra la configuración y te pide confirmar. Los valores de las claves quedan vacíos para que los completes tú.

Abrir en VS Code

O copia la configuración tú

Pégalo en .vscode/mcp.json de tu proyecto

{
  "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"
      }
    }
  }
}

Tu navegador te pide permiso para abrir la app; luego la app muestra la configuración y te pide confirmar. Los valores de las claves quedan vacíos para que los completes tú.

Este se ejecuta en tu computadora, y ChatGPT solo puede conectarse a servidores en internet. Elige otra app.

Tu elección se guarda en una cookie en este dispositivo; no necesitas cuenta.

Valores que debes completar

OPENAI_BASE_URL env
Any OpenAI-compatible endpoint. Default: OpenAI cloud. Use http://localhost:11434/v1 for Ollama.
OPENAI_API_KEY secreto 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'.

Esta configuración se genera a partir de la ficha del creador en el registro. Si el README dice otra cosa, sigue el README.

Qué puede hacer

Se ejecuta en tu computadora; la lista de herramientas aparece en tu app de IA después de instalarlo.

Revisiones básicasi

Revisamos información que cualquiera puede ver; no hemos leído el código. Las revisiones que no aplican no se cuentan. · Revisado el 6 nov 2026

✓ Superada
El creador coincide con el repo
El nombre en el registro se verificó con la cuenta de GitHub TheAiSingularity, dueña del repo
… Aún sin revisar
Sigue en mantenimiento
Todavía no hemos leído este repo en GitHub
… Aún sin revisar
Tiene licencia
Todavía no hemos leído este repo en GitHub
– No aplica
El endpoint responde
Este se ejecuta en tu computadora; no hay endpoint en internet
– No aplica
Inicio de sesión con OAuth
Se ejecuta en tu computadora y usa ajustes locales en su lugar
… Aún sin revisar
Sin instrucciones ocultas en las descripciones de herramientas
Se ejecuta en tu computadora; solo podemos leer listas de herramientas de endpoints en internet

Comparado con otros en Búsqueda y memoria de IAi

Más estrellas que el 0% de los otros 7230 servidores de esta categoría
Publicado en el registro más recientemente que el 10% de los otros 7230 servidores de esta categoría
Revisiones básicas iguales o mejores que el 100% de los otros 7230 servidores de esta categoría

Comparado con todos los servidores activos de esta categoría en el registro. Las estrellas solo cuentan cuando quien lo publica es dueño del repo.

Preguntas frecuentes

¿Es seguro Agentic Research?

Superó 1 de 1 revisiones básicas aplicables. No hemos leído el código. Antes de agregar una clave o un token, revisa qué acceso pide el servidor y usa una clave que tenga solo los permisos que necesitas.

¿Qué claves o códigos necesita?

Debes completar: OPENAI_API_KEY

¿Se ejecuta en mi computadora o en la nube?

Se ejecuta en tu computadora. Tu app de IA lo inicia cuando hace falta, y los datos no pasan por los servidores del creador (a menos que el propio servidor llame a un servicio en línea).

¿Sigue en mantenimiento?

El repo de GitHub cambió por última vez –, y la última versión (0.1.3) llegó al registro hace 7 meses.

¿Qué apps pueden usarlo?

Las apps compatibles con MCP, como Claude Desktop, Claude Code, Cursor y VS Code. También necesitas Python (uv) en tu computadora.

¿Qué puedo usar en su lugar?

En la misma categoría: Context7, Codebase Memory, Exa

Alternativas

Servidores de la misma categoría hechos por otros creadores, ordenados por estrellas.

Cómo leer una tarjeta:★ Estrellas de GitHubiTres pilares: reseñas · revisiones · usoiActualizado = fecha en que se publicó la última versión en el registroi

Context7

de upstash

Up-to-date docs for AI agents

Computadora o nube★ 64.224MITActualizado hace 3 días

Instalar

Codebase Memory

de DeusData

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

Se ejecuta en tu computadora★ 48.148MITActualizado hace 20 días

Instalar

Exa

de exa-labs

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

Se ejecuta en la nube★ 5213MITActualizado hace 44 días

Instalar

README del creador

Abrir el README

Copiado tal cual del repo del creador. PopNx MCP no lo ha revisado ni lo respalda. Se quitaron HTML, imágenes y scripts. Los enlaces llevan fuera de este sitio.

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

Solo se muestra el principio; lee el resto en el repo

Agentic Research

Resumen

Los tres pilares de PopNx MCP

Qué puedes hacer con él

Instalación

Antes de instalar

Valores que debes completar

Qué puede hacer

Revisiones básicasi

El creador coincide con el repo

Sigue en mantenimiento

Tiene licencia

El endpoint responde

Inicio de sesión con OAuth

Sin instrucciones ocultas en las descripciones de herramientas

Comparado con otros en Búsqueda y memoria de IAi

Preguntas frecuentes

Alternativas

Context7

Codebase Memory

Exa

README del creador

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