GPT Researcher 如何配置 Azure OpenAI 部署名、text-embedding-3-large 嵌入模型与配额要求

GPT Researcher 如何配置 Azure OpenAI 部署名、text-embedding-3-large 嵌入模型与配额要求

【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcher

如果你的 GPT Researcher 目前直连 OpenAI，现在需要把 LLM 和嵌入模型迁移到 Azure OpenAI，这篇文章给出文档支撑的完整配置路径：在 Azure 侧创建部署（含强制要求的text-embedding-3-large嵌入模型部署）、在项目的.env中按azure_openai:部署名格式填写各角色模型、处理嵌入模型的配额申请，最后启动服务验证配置生效。前置要求：本地已安装 Python 3.11 或更高版本（requirements.txt 中的注释为 LangChain v1 要求 Python 3.10+），并已克隆 gpt-researcher 仓库。

GPT Researcher 通过更新SMART_LLM、FAST_LLM、STRATEGIC_LLM和EMBEDDING四个环境变量在提供商之间切换（见 LLM 配置文档），azure_openai是受支持的 LLM 与 embedding 提供商。

Azure 侧：创建部署并申请配额

在 Azure OpenAI Portal 上，你需要为每个要用的模型各创建一个 deployment，然后在项目的.env文件中登记这些部署。文档给出的推荐模型（2025 年 1 月版本）是：

• gpt-4o-mini
• gpt-4o
• o1-preview或o1-mini（这两者可能需要先申请访问权限才能部署）

文档列出了三条必备前置条件（Required Precondition）：

1. Endpoint 可以是任意合法名称；
2. 模型的部署名（deployment name）必须与模型名相同——这决定了后面环境变量里冒号后面该填什么；
3. 必须部署一个 Embedding 模型：GPT Researcher 要求使用text-embedding-3-large，需要把这个具体模型部署到你的 Azure Endpoint。

同时有一条推荐项（Recommended）：应该申请配额提升（quota increase），尤其是嵌入模型的配额，因为默认配额不足。也就是说部署完成不等于能跑——嵌入模型配额不够时，这是文档明确给出的应对方式，而不是自行调参能解决的。

在 .env 中配置 Azure OpenAI

按 LLM 配置文档 的 Azure OpenAI 一节，在项目根目录的.env文件中写入（[Your Key]替换为你的 Azure API key，{your-endpoint}替换为你的 endpoint 名称，OPENAI_API_VERSION可用你实际使用的版本）：

AZURE_OPENAI_API_KEY=[Your Key] AZURE_OPENAI_ENDPOINT=https://{your-endpoint}.openai.azure.com/ OPENAI_API_VERSION=2024-05-01-preview # each string is "azure_openai:deployment_name". ensure that your deployment have the same name as the model you use! FAST_LLM=azure_openai:gpt-4o-mini SMART_LLM=azure_openai:gpt-4o STRATEGIC_LLM=azure_openai:o1-preview # specify embedding EMBEDDING=azure_openai:text-embedding-3-large

几个关键点：

• FAST_LLM/SMART_LLM/STRATEGIC_LLM的格式是azure_openai:deployment_name，冒号后面填的是部署名而不是模型名（另一份 Azure 配置示例 的注释明确写着 "change to the name of your deployment (not model-name)"）。配合上一条前置条件"部署名必须与模型名相同"，实操中直接填模型名即可。
• EMBEDDING=azure_openai:text-embedding-3-large就是上面必备前置条件第 3 条的落点：嵌入模型也按同一格式指向 Azure 侧的部署。
• 解析逻辑在 gpt_researcher/config/config.py：parse_llm和parse_embedding按第一个冒号拆出提供商和模型名，提供商不在支持列表时会报错（例如Unsupported ...并列出支持的提供商）；字符串不含冒号时抛出Set SMART_LLM or FAST_LLM = '<llm_provider>:<llm_model>'提示。
• 环境变量如何被消费：嵌入客户端在 gpt_researcher/memory/embeddings.py 中构造，azure_openai分支使用langchain_openai.AzureOpenAIEmbeddings，azure_endpoint和openai_api_key直接取自AZURE_OPENAI_ENDPOINT与AZURE_OPENAI_API_KEY（缺任一变量会在构造时直接抛错）；API 版本优先读AZURE_OPENAI_API_VERSION，未设置时回退到OPENAI_API_VERSION——这就是文档示例只写OPENAI_API_VERSION也能生效的原因。

另一个官方示例：搜索引擎与 token 限制

running-with-azure.md 给出了一份更早的示例，额外覆盖了搜索引擎和输出 token 限制：

OPENAI_API_VERSION="2024-05-01-preview" # or whatever you are using AZURE_OPENAI_ENDPOINT="https://CHANGEMEN.openai.azure.com/" # change to the name of your deployment AZURE_OPENAI_API_KEY="[Your Key]" # change to your API key EMBEDDING="azure_openai:text-embedding-ada-002" # change to the deployment of your embedding model FAST_LLM="azure_openai:gpt-4o-mini" # change to the name of your deployment (not model-name) FAST_TOKEN_LIMIT=4000 SMART_LLM="azure_openai:gpt-4o" # change to the name of your deployment (not model-name) SMART_TOKEN_LIMIT=4000 RETRIEVER="bing" # if you are using Bing as your search engine (which is likely if you use Azure) BING_API_KEY="[Your Key]"

注意其中EMBEDDING="azure_openai:text-embedding-ada-002"与 llms.md 中"必须部署text-embedding-3-large"的硬性要求不一致，两份文档在这里冲突；本文按标题目标采用 llms.md 的text-embedding-3-large，ada-002仅作为该旧示例的原样呈现。如果你使用 Bing 作为搜索引擎（文档认为使用 Azure 时很可能如此），把RETRIEVER与BING_API_KEY一并加入.env。token 限制类参数（FAST_TOKEN_LIMIT、SMART_TOKEN_LIMIT等）的默认值与长输出模型的调高建议见 配置参考。

安装依赖

pip install -r requirements.txt

requirements.txt已包含langchain-openai（即AzureOpenAIEmbeddings所在包）。此外 llms.md 要求为 Azure OpenAI 增加langchain-azure-dynamic-sessions：Docker 部署时把它加入你自己的 requirements.txt，否则直接pip install langchain-azure-dynamic-sessions。该依赖不在仓库默认的 requirements.txt 中，漏装会影响 Azure 会话支持。

启动并验证

按 Getting Started 的路径启动：

uvicorn main:app --reload

然后打开浏览器访问 http://localhost:8000，发起一次研究任务，确认报告能正常生成——这是文档给出的端到端验证方式。配置不当时，文档建议遵循控制台日志排错（config.md 原话："Please follow your console logs for further assistance"）。可以对照的预期错误形态：

• FAST_LLM/SMART_LLM格式错误（缺少provider:model冒号格式）会看到Set SMART_LLM or FAST_LLM = '<llm_provider>:<llm_model>'；
• 提供商名拼错会看到Unsupported <provider>加支持列表；
• .env缺少AZURE_OPENAI_ENDPOINT或AZURE_OPENAI_API_KEY时，嵌入客户端构造阶段直接抛错。

限制

• o1-preview/o1-mini在部署前可能需要先在 Azure 申请模型访问权限；
• 嵌入模型默认配额不足是文档明确承认的常见问题，配额申请属于 Azure 侧操作，完成部署后应主动发起；
• GPT Researcher 在 GPT 系列模型上优化和测试得最充分，切换到其他模型可能遇到上下文长度错误和意外响应（llms.md 的通用提示）。

验证以浏览器端研究任务成功运行、且控制台日志不再出现上述配置错误为准；配额不足导致嵌入调用失败时，回到 Azure 侧申请配额提升而不是修改项目配置。

【免费下载链接】gpt-researcherAn autonomous agent that conducts deep research on any data using any LLM providers项目地址: https://gitcode.com/GitHub_Trending/gp/gpt-researcher