Zuletzt geprüft:
GPT-Researcher ist der sauberste Open-Source-Deep-Research-Agent, den ich bisher genutzt habe. Er plant Teilanfragen, durchsucht das Web, bewertet Quellen und fasst alles in einem belegten Report zusammen. Die Hosting-Geschichte ist interessant, weil der Großteil der Ressourcenlast vom Web-Scraping kommt, nicht vom Agenten selbst.
Ich habe sechs Wochen lang zwei GPT-Researcher-Instanzen bei zwei Anbietern parallel betrieben, um zu vergleichen, wie sich die Scraping-Pipeline im Alltag schlägt.
Was GPT-Researcher wirklich braucht
Drei Ressourcenkurven:
- Die Agenten-Laufzeitumgebung. Python plus Orchestrierung. 200 bis 400 MB Resident Memory.
- Playwright. Für JS-gerenderte Seiten. Kommt je nach Browser-Pool-Größe und gleichzeitigen Seiten mit 500 MB bis 1,5 GB dazu.
- Embeddings und Ranking. Lokaler Sentence-Transformer für das Quellen-Ranking, plus ein kleiner Cache. 400 MB bis 1 GB.
Was das README nicht erwähnt: Der Deep-Research-Modus lässt mehrere Agenten parallel laufen, und jeder startet seine eigene Playwright-Session. Auf einem 4-GB-Server bricht genau hier alles zusammen.
VPS-Vergleich für GPT-Researcher
| Anbieter | Plan | vCPU | RAM | Speicher | Monatlich | Beste Verwendung |
|---|---|---|---|---|---|---|
| Hetzner Cloud | CCX13 | 2 | 8 GB | 80 GB NVMe | 42,99 EUR | Standard, Einzellauf-Modus |
| Contabo VPS | VPS S | 4 | 8 GB | 100 GB NVMe | 4,50 EUR | Budget, einrichten und laufen lassen |
| DigitalOcean | Premium AMD 4 GB | 2 | 8 GB | 100 GB NVMe | 28 USD | US-Team, brauchbare Scraping-Latenz |
| Hetzner Cloud | CCX23 | 4 | 16 GB | 160 GB NVMe | 85,99 EUR | Deep Research, parallele Läufe |
Hetzner Cloud CCX13: Der Standard
NVMe, dedizierte vCPU, großzügige ausgehende Bandbreite. Hetzners EU-Rechenzentren sind gut angebunden, was zählt, wenn du eine breite Masse an Websites scrapst. Der Einzellauf-Modus auf dem CCX13 bewältigt einen typischen Recherche-Workflow für einen mittelgroßen Report in unter drei Minuten.
Vorteile, die zählen:
- 20 TB ausgehender Traffic sind großzügig für normales Recherche-Volumen
- Unter 80 ms Latenz zu OpenAI, Anthropic und den meisten Anbietern
- API plus Terraform, falls du Recherche-Läufe aus der Infra heraus skripten willst
Echter Nachteil: 8 GB RAM werden knapp, sobald du Deep Research mit parallelen Agenten-Läufen aktivierst. Steig auf den CCX23 um, wenn du dauerhaft in diesem Modus arbeitest.
Jetzt bei Hetzner: Hetzner Cloud.
Contabo VPS S: Der günstigste Server, der wirklich funktioniert
4 vCPU und 8 GB für 4,50 EUR. Die neueren NVMe-Pläne eignen sich gut für die Kombination aus Scraping und Embeddings. Die üblichen Kompromisse:
- Provisioning ist langsam
- Die ausgehende Latenz zu Modell-APIs liegt 100 bis 200 ms höher als bei Hetzner, gemessen von EU-Contabo-Standorten
- Die günstigsten Stufen können lautere Nachbarn haben
Für Recherchen, die nach Zeitplan laufen und bei denen dir die Provisioning-Geschwindigkeit egal ist, ist das der Preissieger.
Jetzt bei Contabo: Contabo VPS.
DigitalOcean Premium AMD 4 GB: Für US-Teams
Wenn deine Recherche überwiegend US-Quellen scrapt, drückt die Region NYC3 die Latenz bei jedem Abruf. Der 8-GB-Premium-AMD-Plan bewältigt den Einzellauf-Modus gut. Deep Research mit parallelen Läufen ist für diese Stufe zu viel.
Ehrlicher Nachteil: 28 USD im Monat sind happig gegen EU-Optionen. Die Region ist der Mehrwert.
Jetzt bei DigitalOcean: DigitalOcean.
Hetzner Cloud CCX23: Für Deep Research im großen Stil
Wenn du GPT-Researcher häufig im Deep-Research-Modus betreibst, mit parallelen Agenten und hohen Quellenzahlen, steig auf den CCX23 um. 16 GB RAM und 4 dedizierte vCPU halten den Playwright-Pool, den Embeddings-Cache und die Orchestrierung reaktionsschnell.
Jetzt bei Hetzner: Hetzner Cloud.
Probleme, auf die du früher stößt als gedacht
Drei echte Probleme, auf die ich gestoßen bin:
- Rate-Limiting. Intensives Scraping von einer einzigen IP läuft schnell in Cloudflare und Rate-Limits. Plane einen Proxy-Rotationsdienst ein oder akzeptiere, dass dich manche Quellen blockieren.
- PDF-Parsing-Speicher. Große PDFs lassen den Python-Prozess anschwellen. Setze eine maximale Quellgröße, sonst siehst du OOMs auf den kleineren Plänen.
- Caching spart Bandbreite. Aktiviere den Quellen-Cache und räume ihn regelmäßig auf. Cache-Treffer über mehrere Reports hinweg senken die Gesamtbandbreite deutlich.
Was ich tatsächlich wählen würde
Wenn du heute startest:
- EU, Standard-Einzellauf-Modus: Hetzner CCX13
- EU, Budget, geplante Jobs: Contabo VPS S
- US-Team: DigitalOcean Premium AMD 8 GB
- Deep Research, parallele Läufe: Hetzner CCX23
Für das größere Bild beim Self-Hosting sieh dir den SelfHostVPS-Vergleich an. GPT-Researcher entwickelt sich schnell weiter, und ich aktualisiere diese Seite, sobald sich die Scraping- oder Orchestrierungsschicht spürbar ändert.
Frequently asked questions
Welche VPS-Mindestspezifikation braucht GPT-Researcher?
2 vCPU und 4 GB RAM sind die realistische Untergrenze für einen einzelnen gleichzeitigen Recherchelauf mit dem Standard von zehn Quellen. Der Python-Prozess plus die Playwright-Instanz für JS-gerenderte Seiten belegen etwa 1,5 GB Resident Memory. Größere Reports oder parallele Läufe treiben dich auf 8 GB.
Braucht GPT-Researcher eine GPU auf dem VPS?
Nein. Die gesamte Inferenz läuft beim konfigurierten Modellanbieter. Die lokale Last besteht aus Web-Scraping, Embeddings und der Orchestrierungsschleife, alles CPU-gebunden. Ein reiner CPU-VPS wie ein Hetzner CCX oder Contabo NVMe ist der normale Aufbau.
Warum verbraucht GPT-Researcher so viel Bandbreite?
Jeder Report zieht zwischen 10 und 50 Quellen, oft inklusive PDFs und JS-lastiger Seiten. Ein umfangreicher Deep-Research-Lauf kann 200 MB Quellmaterial ziehen. Multipliziert mit dem Report-Volumen kann die Bandbreitenrechnung bei kleineren Anbietern schmerzen.
Läuft GPT-Researcher auf einem 5-Dollar-Contabo-Server?
Ja, für geringes Volumen mit dem Standard von zehn Quellen und kurzen Reports. Der Bruchpunkt sind parallele Läufe und der Deep-Research-Modus, wo die Playwright-Instanz und der Embeddings-Cache um RAM konkurrieren.