GPT Researcher 0.16/v3.7.0：默认用 Jev 按「有用性」筛上下文，相关度较 embeddings 高 59%

核心背景与行业痛点

自主调研智能体每轮会抓几十页网页，但写作者真正需要的往往只有少数与子查询相关的段落。旧默认用 embeddings 余弦相似度筛上下文：语义「像」≠「对回答有用」，噪声一进 writer，幻觉与跑题成本立刻放大；反过来，又强迫每条流水线挂上嵌入模型与向量预算。国内团队还常卡在「没 TypeSafe/嵌入密钥就跑不起来」的门槛上。

架构亮点与底层机制

v3.7.0（PyPI 0.16.x）把 Context Filter 接到 select_context()：子查询并发检索→抓页→每页最多 50,000 字符、切成 1,000 字符块（100 overlap）→过滤器挑片→拼给 writer。默认 CONTEXT_FILTER=auto：存在 TYPESAFE_API_KEY 时对每块问 Jev「对子查询有多有用」（四级 score），过阈值才保留；否则走本地 BM25。Jev 遇缺钥/429/畸形响应回退 keyword；embeddings 模式建不起模型时同样回退。报告对话把整份报告当单页、最新消息当查询，复用同一过滤链。另增 gpt_researcher.retrievers 插件入口，可把搜索提供方打成独立包。

权威 Benchmark 与实测跑分对比

官方在 28 项研究任务、相同源材料 上回放对比：Jev 保留段落相关度 73%，embeddings 46%，相对提升约 59%，并称成本相当。无密钥时 BM25 在该基准各指标上匹配或超过 embeddings，故成为无密钥默认。验收请复现 evals/context_filter/，不要把「相关度%」直接外推为自己语料的最终报告分。

开发者实战落地与开箱指南

环境需 Python 3.12+。pip install -U gpt-researcher。要用 Jev：导出 TYPESAFE_API_KEY，保持默认 auto 或显式 CONTEXT_FILTER=jev。要旧嵌入行为：CONTEXT_FILTER=embeddings 并配置嵌入提供方。无云密钥可直接跑 keyword。细节见 Context Filter 文档 与 发行说明。