Ultima verifica:
GPT-Researcher è l’agente di deep research open source più pulito che abbia usato. Pianifica sottoquery, fa scraping del web, classifica le fonti e sintetizza un report con citazioni. La storia dell’hosting è interessante perché la maggior parte della pressione sulle risorse viene dallo scraping web, non dall’agente in sé.
Ho fatto girare due istanze di GPT-Researcher per sei settimane su due provider diversi per confrontare come regge la pipeline di scraping.
Cosa serve davvero a GPT-Researcher
Tre curve di risorse:
- Il runtime dell’agente. Python più l’orchestrazione. 200-400 MB residenti.
- Playwright. Per le pagine renderizzate in JS. Aggiunge 500 MB-1,5 GB a seconda della dimensione del pool di browser e delle pagine concorrenti.
- Embeddings e ranking. Un sentence transformer locale per il ranking delle fonti, più una piccola cache. 400 MB-1 GB.
Quello che il README non segnala: la modalità deep research fa girare più agenti in parallelo, e ognuno avvia la propria sessione Playwright. Su un server da 4 GB è proprio lì che le cose si rompono.
Confronto VPS per GPT-Researcher
| Provider | Piano | vCPU | RAM | Disco | Mensile | Migliore per |
|---|---|---|---|---|---|---|
| Hetzner Cloud | CCX13 | 2 | 8 GB | 80 GB NVMe | 42.99 EUR | Predefinito, modalità esecuzione singola |
| Contabo VPS | VPS S | 4 | 8 GB | 100 GB NVMe | 4.50 EUR | Economico, imposta e dimentica |
| DigitalOcean | Premium AMD 4 GB | 2 | 8 GB | 100 GB NVMe | 28 USD | Team US, latenza di scraping decente |
| Hetzner Cloud | CCX23 | 4 | 16 GB | 160 GB NVMe | 85.99 EUR | Deep research, esecuzioni parallele |
Hetzner Cloud CCX13: La scelta predefinita
NVMe, vCPU dedicata, banda in uscita generosa. I data center UE di Hetzner sono ben interconnessi, cosa che conta quando fai scraping su un’ampia gamma di siti. La modalità esecuzione singola sul CCX13 gestisce un workflow di ricerca tipico in meno di tre minuti per un report di media dimensione.
Pro che contano:
- 20 TB in uscita sono generosi per un volume di ricerca normale
- Latenza sotto gli 80 ms verso OpenAI, Anthropic e la maggior parte dei provider
- API più Terraform se vuoi scriptare le esecuzioni di ricerca dall’infrastruttura
Vero svantaggio: 8 GB di RAM diventano stretti non appena attivi il deep research con esecuzioni di agenti parallele. Passa al CCX23 se vivi in quella modalità.
Ottieni Hetzner: Hetzner Cloud.
Contabo VPS S: Il server più economico che funziona davvero
4 vCPU e 8 GB a 4.50 EUR. I piani NVMe più recenti vanno bene per la combinazione scraping più embeddings. I compromessi soliti:
- Il provisioning è lento
- La latenza in uscita verso le API dei modelli è 100-200 ms più alta rispetto a Hetzner dalle sedi Contabo in UE
- I livelli più economici possono avere vicini più rumorosi
Per ricerche che girano secondo pianificazione e dove la velocità di provisioning non ti interessa, questo è il vincitore sul prezzo.
Ottieni Contabo: Contabo VPS.
DigitalOcean Premium AMD 4 GB: Per i team US
Se la tua ricerca fa scraping soprattutto di fonti US, la regione NYC3 riduce la latenza a ogni richiesta. Il piano Premium AMD da 8 GB gestisce bene la modalità esecuzione singola. Il deep research con esecuzioni parallele è troppo per questo livello.
Svantaggio onesto: 28 USD al mese sono cari rispetto alle opzioni UE. La regione è il valore aggiunto.
Ottieni DigitalOcean: DigitalOcean.
Hetzner Cloud CCX23: Per il deep research ad alto volume
Se esegui spesso GPT-Researcher in modalità deep research, con agenti paralleli e un gran numero di fonti, passa al CCX23. 16 GB di RAM e 4 vCPU dedicate mantengono reattivi il pool Playwright, la cache degli embeddings e l’orchestrazione.
Ottieni Hetzner: Hetzner Cloud.
Problemi che incontrerai prima del previsto
Tre problemi reali in cui mi sono imbattuto:
- Rate limiting. Lo scraping intenso da un singolo IP finisce presto contro Cloudflare e i rate limit. Prevedi un servizio di rotazione proxy o accetta che alcune fonti ti blocchino.
- Memoria per il parsing dei PDF. I PDF grandi fanno gonfiare il processo Python. Imposta una dimensione massima delle fonti o vedrai OOM sui piani più piccoli.
- La cache risparmia banda. Attiva la cache delle fonti e puliscila periodicamente. I cache hit tra report riducono in modo significativo la banda totale.
Cosa sceglierei davvero
Se stai iniziando oggi:
- UE, modalità esecuzione singola predefinita: Hetzner CCX13
- UE, economico, job pianificati: Contabo VPS S
- Team US: DigitalOcean Premium AMD 8 GB
- Deep research, esecuzioni parallele: Hetzner CCX23
Per il quadro più ampio del self-hosting, guarda il confronto SelfHostVPS. GPT-Researcher itera velocemente e aggiorno questa pagina quando lo strato di scraping o orchestrazione cambia in modo significativo.
Frequently asked questions
Qual è la specifica minima di VPS per GPT-Researcher?
2 vCPU e 4 GB di RAM sono il limite realistico per un'unica esecuzione di ricerca concorrente con il ventaglio predefinito di dieci fonti. Il processo Python più l'istanza Playwright per le pagine renderizzate in JS occupano circa 1,5 GB di memoria residente. Report più grandi o esecuzioni parallele ti spingono verso 8 GB.
GPT-Researcher ha bisogno di una GPU sul VPS?
No. Tutta l'inferenza avviene presso il provider di modello che configuri. Il carico locale è scraping web, embeddings e il ciclo di orchestrazione, tutto legato alla CPU. Un VPS solo CPU come un Hetzner CCX o un Contabo NVMe è la configurazione normale.
Perché GPT-Researcher consuma così tanta banda?
Ogni report recupera tra 10 e 50 fonti, spesso inclusi PDF e pagine pesanti in JS. Un'esecuzione intensa di deep research può scaricare 200 MB di materiale sorgente. Moltiplicato per il volume di report, la bolletta di banda sui provider più piccoli può far male.
GPT-Researcher può girare su un server Contabo da 5 dollari?
Sì, per volumi bassi con il ventaglio predefinito di dieci fonti e report brevi. Il punto di rottura arriva con le esecuzioni parallele e la modalità deep research, dove l'istanza Playwright e la cache degli embeddings iniziano a contendersi la RAM.