Агент, который читает больше, чем любой аналитик

Hyperresearch превращает Claude Code в глубокого исследователя, который, по внутренним данным, лидирует на лидерборде DeepResearch-Bench RACE. Адаптивный 16-шаговый пайплайн берёт один промпт и выдаёт отчёт, прошедший «противника»-аудитора, со ссылками на все источники — а каждый источник оседает в персистентном хранилище, и следующая сессия стартует умнее. Проект опубликован на GitHub под именем jordan-gibbs/hyperresearch и доступен через pip install hyperresearch.

⚠ Важная оговорка
Позиция на лидерборде — это проекция на основе внутреннего пилота против снимка DeepResearch-Bench. Независимая верификация третьей стороной пока не проводилась.

Что умеет Hyperresearch

250+ источников за один запуск

За один запуск инструмент собирает более 250 источников: профиль premier нацеливается на 100–130 в одной волне поиска, а раунды «погони за цитатами» и заполнения пробелов удваивают финальный корпус.

Проверка каждой цитаты

Каждая цитата проверяется до отправки отчёта: скептичный cite-checker (проверщик цитирований) убеждается, что источник действительно подтверждает утверждение в тексте. Галлюцинированные ссылки и незафиксированные отзывы публикаций — жёсткий стоп-сигнал.

Платные статьи — полностью, не реферат

Закрытая статья обычно попадает в хранилище в виде реферата на 1 500 символов — и именно он потом цитируется как прочитанный. Hyperresearch запрашивает Unpaywall, Europe PMC и CORE за легальной открытой копией и сохраняет полный текст, даже если издатель блокирует прямую загрузку. Каждая такая замена явно обозначается в заметке, метаданных и выводе CLI.

Хранилище, которое накапливается

Каждый источник попадает в markdown-хранилище на базе SQLite с полнотекстовым поиском — и следующая сессия переиспользует его, прежде чем делать новые запросы. Упавшие запуски возобновляются: каждый прогон сохраняет манифест, и команда run resume подхватывает ровно тот шаг, на котором произошёл сбой.

Три уровня глубины (Tiers)

УровеньЧто запускаетсяТипичное время
lightБыстрый маршрут: шаги 1→2→10→15→16~30–40 мин
full (по умолчанию)Все 16 шагов + проверка цитат~1.5–2.5 ч
dissertationРазбивка на главы, 300–450 источников, 25–80 тыс. слов~4–8 ч
💡 Для диссертационного уровня
Режим dissertation не включается автоматически — его нужно явно запросить в промпте. Он генерирует от 25 000 до 80 000 слов, разбитых на 4–10 глав из 300–450 источников.

Как устроен 16-шаговый пайплайн


graph TD
    A["1. Decompose\nРаскладка запроса"] --> B["2. Width sweep\nМассовый поиск"]
    B --> C["3–7. Анализ противоречий,\nглубокое исследование"]
    C --> D["8. Corpus critic\nПоиск пробелов"]
    D --> E["9. Evidence digest\nКлючевые цитаты"]
    E --> F["10. Triple draft\nТри черновика"]
    F --> G["11. Synthesize\nФинальный отчёт"]
    G --> H["12–13. Critics + Gap-fetch\n4 критика параллельно"]
    H --> I["14. Patcher\nХирургические правки"]
    I --> J["14.5. Cite-check\nПроверка цитат"]
    J --> K["15–16. Polish + Readability\nФинальная полировка"]

Ключевой принцип архитектуры — «патч, а не регенерация»: после создания финального отчёта на шаге 11 допустимы только хирургические правки через Edit-инструмент. Агент-патчер физически заблокирован от перезаписи всего документа.

Научные источники — 8 баз данных через один клиент

hpr scholar search одновременно обращается к OpenAlex, Crossref, CORE, DOAB, ClinicalTrials.gov, SEC EDGAR и FRED, возвращая единый дедуплицированный список по DOI и названию. Книги, клинические испытания и финансовые отчёты идут рядом с научными статьями — каждый тип помечен отдельно.

ℹ Гуманитарные науки не забыты
Автор специально оговаривает, что гуманитарные и социальные науки охвачены намеренно, а не как запоздалое дополнение — через DOAB и CORE в корпус попадают монографии и книги открытого доступа.

Установка и требования

# Установить в проект
cd your-project
pip install hyperresearch && hyperresearch install

# Запустить в Claude Code
/hyperresearch <ваш вопрос>

# Глобальная установка (доступна из любой сессии)
hyperresearch install --global

Поддерживаются Python 3.11–3.13. Версия 3.14 пока не поддерживается; рекомендуется использовать pyenv install 3.13 или uv venv -p 3.13.

Почему это важно для отрасли

Большинство deep research инструментов — одноразовые генераторы отчётов. Hyperresearch строит базу знаний, которая умнеет с каждым запуском.

В отличие от большинства аналогов, Hyperresearch — не генератор отчётов за один раз: каждый источник оседает в индексированном SQLite-хранилище, которым пользуются все будущие сессии.

Внутреннее тестирование проводится на RACE DeepResearch-Bench — бенчмарке, где AI-отчёты сравниваются с исследованиями уровня PhD (50 баллов = уровень PhD). При этом публичный лидерборд DeepResearch Bench охватывает 100 исследовательских задач PhD-уровня в 22 областях знаний, созданных более чем 100 экспертами.

Для команд, которые регулярно проводят глубокие исследования — от анализа рынков до научных обзоров литературы — инструмент обещает сменить разовые запросы на самонакапливающееся хранилище знаний с верифицированными источниками. Насколько эти обещания подтвердятся независимым аудитом — покажет время.