Sibyl

KI-gestützter Deep-Research-Agent. Stellen Sie eine beliebige Frage – Sibyl durchsucht das Web über mehrere Quellen hinweg, liest Dutzende von Seiten, vergleicht Erkenntnisse und erstellt einen Forschungsbericht in Management-Qualität mit Analysen, Prognosen und Quellenangaben.

Nicht einfach nur ein weiterer Such-Zusammenfasser. Sibyl ist eine Plattform für Forschungsanalysen – sie führt strukturierte Vergleiche, SWOT-Analysen, Google-Trends-Tracking, Ereignis-Zeitstrahlen und Finanzdaten-Visualisierungen durch. Alles ausgehend von einer einzigen Frage.

Was Sibyl anders macht

	Traditionelle Suche	ChatGPT/Perplexity	GPT Researcher	Sibyl
Websuche + Zusammenfassung	Ja	Ja	Ja	Ja
Multi-Quelle (News, Reddit, Wikipedia)	Nein	Teilweise	Teilweise	Ja (4 Suchmaschinen)
Zerlegung in Unterfragen	Nein	Nein	Ja	Ja
Iterative Lückenschließung (Suche → Analyse → Lücken identifizieren → erneut suchen)	Nein	Nein	Teilweise	Ja
Quellenübergreifende Analyse (Stimmung, Konsens, Meinungsverschiedenheiten)	Nein	Nein	Nein	Ja
Strukturierte Vergleichstabellen	Nein	Nein	Nein	Ja
SWOT-Analyse	Nein	Nein	Nein	Ja
Google Trends Daten	Nein	Nein	Nein	Ja
Ereignis-Zeitstrahlen	Nein	Nein	Nein	Ja
Finanzdaten + Diagramme	Nein	Nein	Nein	Ja
MCP-Server (Claude Code, Cursor)	Nein	Nein	Nein	Ja
Multi-LLM (DeepSeek, Gemini, GLM, OpenAI)	Nein	Nein	Begrenzt	Ja (automatische Erkennung)
PDF-Berichte mit eingebetteten Diagrammen	Nein	Nein	Einfach	Ja

Schnellstart

MCP-Server (für Claude Code / Cursor)

pip install sibyl-research
claude mcp add sibyl -e DEEPSEEK_API_KEY=sk-... -- sibyl-mcp

Dann in Claude Code:

"Research the impact of AI on software engineering jobs over the next 5 years"

"Compare NVIDIA vs AMD vs Intel for AI workloads"

"SWOT analysis of Tesla in 2026"

CLI

pip install sibyl-research
export DEEPSEEK_API_KEY=sk-...   # or OPENAI_API_KEY, GEMINI_API_KEY, etc.

# Standard research
sibyl "Canadian housing market outlook 2026"

# Deep research with predictions + market data + PDF
sibyl "Will NVIDIA maintain AI chip dominance?" -d 3 --symbols NVDA,AMD,INTC --pdf

# Chinese output
sibyl "加拿大移民政策变化" -l zh --pdf -o reports/

Funktionsweise

You ask a question
  │
  ├─ Step 1: Decompose into 3-5 focused sub-questions
  ├─ Step 2: Generate 15-20 diverse search queries
  ├─ Step 3: Search across 4 engines (DuckDuckGo, Google News, Reddit, Wikipedia)
  ├─ Step 4: Scrape 15-20 sources (realistic browser headers, retry, Google Cache fallback)
  ├─ Step 5: Filter sources by relevance (LLM-scored)
  ├─ Step 6: Analyze each sub-question independently
  ├─ Step 7: Identify knowledge gaps → auto-search for missing info
  ├─ Step 8: Cross-reference sources (sentiment, consensus, disagreements)
  ├─ Step 9: Section-by-section synthesis (Summary, Findings, Analysis, Predictions)
  ├─ Step 10: Review and refine draft
  └─ Output: PDF/Markdown report with Table of Contents, citations, charts

Forschungstools (11 MCP-Tools)

Kernforschung

Tool	Was es tut
`research(query, depth, language)`	Vollständiger Forschungszyklus: Suche → Scrape → Analyse → Bericht. Tiefe 1-3.
`quick_search(query)`	Schnelle Websuche, liefert Rohdaten
`read_url(url)`	Extrahiert sauberen Text von jeder URL
`analyze(text, question)`	Analysiert den bereitgestellten Text mit LLM

Analysetools (einzigartig bei Sibyl)

Tool	Was es tut
`compare(items)`	Strukturierte Vergleichstabelle mit Metriken und Empfehlung
`swot(subject)`	Stärken / Schwächen / Chancen / Risiken mit Belegen
`trends(keywords)`	Echte Google Trends Daten: Interesse, Richtung, aufkommende Suchanfragen
`timeline(topic)`	Chronologische Ereignistabelle mit Daten und Auswirkungsbewertung

Finanzdaten

Tool	Was es tut
`fetch_market_data(symbols)`	Echte Aktien-/ETF-Kurse, Trends, gleitende Durchschnitte, 52-Wochen-Spanne
`chart(symbols)`	Erzeugt Preistrend-Diagramme (PNG)

Ausgabe

Tool	Was es tut
`save_report(format)`	Speichern als PDF (mit eingebetteten Diagrammen) und/oder Markdown

Forschungstiefe

Tiefe	Was passiert	LLM-Aufrufe	Zeit
1 (schnell)	2-3 Suchanfragen, grundlegende Synthese	~3	20-30s
2 (standard)	Zerlegung in Unterfragen, Analyse pro Frage, Querverweise, Überprüfung	~10	60-90s
3 (tief)	+ Schließen von Wissenslücken, Prognosen mit Best-/Worst-/Base-Case, Konfidenzbewertung	~13	90-120s

Multi-Provider-Unterstützung

Sibyl funktioniert mit jedem LLM. Automatische Erkennung über Umgebungsvariablen:

Provider	Env-Variable	Modell
DeepSeek	`DEEPSEEK_API_KEY`	`deepseek/deepseek-chat`
OpenAI	`OPENAI_API_KEY`	`gpt-4o-mini`
Anthropic	`ANTHROPIC_API_KEY`	`claude-sonnet-4-20250514`
Gemini	`GEMINI_API_KEY`	`gemini/gemini-2.5-flash`
GLM (ZhipuAI)	`ZHIPUAI_API_KEY`	`glm-4-flash`

Oder konfigurieren Sie mehrere Provider mit Rollen:

# sibyl.yaml
providers:
  - model: deepseek/deepseek-chat
    api_key: sk-xxx
    role: analysis

  - model: gemini/gemini-2.5-flash
    api_key: xxx
    role: fast

  - model: openai/glm-4-flash
    api_key: xxx
    api_base: https://open.bigmodel.cn/api/paas/v4
    role: chinese

Beispielberichte

Von Sibyl erstellte Berichte zu aktuellen Themen:

Ausblick der Federal Reserve auf die Zinssätze 2026-2027 — 5 Seiten, 12 Erkenntnisse, 6 Quellen, Analyse der Debatte "Higher-for-longer" vs. "stetige Lockerung"
Auswirkungen der Trump-Zölle auf den Handel 2026 — 5 Seiten, 10 Erkenntnisse, 4 Quellen, historischer Vergleich mit Smoot-Hawley, Auswirkungen zweiter Ordnung auf die Verdrängung von KI-Arbeitsplätzen
KI-Industrielandschaft 2026 — Marktgröße (538 Mrd. $), Investitionstrends (2,9 Bio. $ Infrastruktur), regulatorischer Ausblick, mit NVDA/GOOGL/META Aktiendiagrammen

Anforderungen

Python 3.10+
Mindestens ein LLM-API-Schlüssel
Keine weiteren API-Schlüssel erforderlich (alle Suchmaschinen sind kostenlos)

Lizenz

MIT

Sibyl

Sibyl

Was Sibyl anders macht

Schnellstart

MCP-Server (für Claude Code / Cursor)

CLI

Funktionsweise

Forschungstools (11 MCP-Tools)

Kernforschung

Analysetools (einzigartig bei Sibyl)

Finanzdaten

Ausgabe

Forschungstiefe

Multi-Provider-Unterstützung

Beispielberichte

Anforderungen

Lizenz

Resources

Tools

Latest Blog Posts

MCP directory API