Sibyl
Sibyl
AIを活用したディープリサーチエージェント。 質問を投げかけるだけで、Sibylが複数のソースからウェブを検索し、数十ページを読み込み、情報をクロスリファレンスして、分析、予測、引用を含むエグゼクティブ品質のリサーチレポートを作成します。
単なる検索要約ツールではありません。Sibylはリサーチ分析プラットフォームであり、構造化された比較、SWOT分析、Googleトレンドの追跡、イベントのタイムライン作成、財務データの可視化を一つの質問から実行します。
Sibylの特長
従来の検索 | ChatGPT/Perplexity | GPT Researcher | Sibyl | |
ウェブ検索 + 要約 | はい | はい | はい | はい |
マルチソース (ニュース, Reddit, Wikipedia) | いいえ | 部分的 | 部分的 | はい (4エンジン) |
サブ質問への分解 | いいえ | いいえ | はい | はい |
反復的なギャップ埋め (検索 → 分析 → ギャップ特定 → 再検索) | いいえ | いいえ | 部分的 | はい |
ソース間分析 (感情、コンセンサス、不一致) | いいえ | いいえ | いいえ | はい |
構造化比較テーブル | いいえ | いいえ | いいえ | はい |
SWOT分析 | いいえ | いいえ | いいえ | はい |
Googleトレンドデータ | いいえ | いいえ | いいえ | はい |
イベントタイムライン | いいえ | いいえ | いいえ | はい |
財務データ + チャート | いいえ | いいえ | いいえ | はい |
MCPサーバー (Claude Code, Cursor) | いいえ | いいえ | いいえ | はい |
マルチLLM (DeepSeek, Gemini, GLM, OpenAI) | いいえ | いいえ | 限定的 | はい (自動検出) |
チャート埋め込みPDFレポート | いいえ | いいえ | 基本的 | はい |
クイックスタート
MCPサーバー (Claude Code / Cursor用)
pip install sibyl-research
claude mcp add sibyl -e DEEPSEEK_API_KEY=sk-... -- sibyl-mcp次にClaude Codeで以下のように入力します：
"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/仕組み
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リサーチツール (11個のMCPツール)
コアリサーチ
ツール | 機能 |
| 完全なリサーチサイクル：検索 → スクレイピング → 分析 → レポート作成。深度1-3。 |
| 高速ウェブ検索、生の検索結果を返す |
| URLからクリーンなテキストを抽出 |
| LLMを使用して提供されたテキストを分析 |
分析ツール (Sibyl独自の機能)
ツール | 機能 |
| 指標と推奨事項を含む構造化されたサイドバイサイド比較テーブル |
| 根拠に基づいた強み / 弱み / 機会 / 脅威の分析 |
| 実際のGoogleトレンドデータ：関心度、傾向、急上昇ワード |
| 日付と影響評価を含む時系列イベントテーブル |
財務データ
ツール | 機能 |
| 実際の株価/ETF価格、トレンド、移動平均、52週レンジ |
| 価格トレンドチャート (PNG) を生成 |
出力
ツール | 機能 |
| PDF (チャート埋め込み) および/または Markdown で保存 |
リサーチの深度
深度 | 動作 | LLM呼び出し回数 | 時間 |
1 (高速) | 2-3件の検索クエリ、基本的な統合 | ~3 | 20-30秒 |
2 (標準) | サブ質問への分解、質問ごとの分析、クロスリファレンス、レビュー | ~10 | 60-90秒 |
3 (詳細) | + 知識ギャップの埋め合わせ、強気/弱気/ベースケースの予測、信頼度評価 | ~13 | 90-120秒 |
マルチプロバイダーサポート
SibylはあらゆるLLMで動作します。環境変数から自動的に検出します：
プロバイダー | 環境変数 | モデル |
DeepSeek |
|
|
OpenAI |
|
|
Anthropic |
|
|
Gemini |
|
|
GLM (ZhipuAI) |
|
|
または、役割ごとに複数のプロバイダーを設定することも可能です：
# 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レポート例
Sibylによって生成された実際のトピックに関するレポート：
2026-2027年の連邦準備制度理事会（FRB）の金利見通し — 5ページ、12の調査結果、6つのソース、「高金利の長期化」対「着実な緩和」の議論の分析
2026年のトランプ関税が貿易に与える影響 — 5ページ、10の調査結果、4つのソース、スムート・ホーリー法との歴史的比較、AI労働力置換への二次的影響
2026年のAI業界の展望 — 市場規模（5,380億ドル）、投資トレンド（2.9兆ドルのインフラ）、規制の見通し、NVDA/GOOGL/METAの株価チャート付き
要件
Python 3.10以上
少なくとも1つのLLM APIキー
他のAPIキーは不要 (すべての検索エンジンは無料です)
ライセンス
MIT
Latest Blog Posts
MCP directory API
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/chriswu727/sibyl'
If you have feedback or need assistance with the MCP directory API, please join our Discord server