Was ist Local Deep Research?
Local Deep Research ist ein Python-Tool für mehrstufige, zitierte KI-Recherche mit einem LLM und Suchquellen, die Sie selbst konfigurieren. Die eigene GitHub-Beschreibung positioniert es als "KI-gestützten Rechercheassistenten" für tiefgehende, agentenbasierte Untersuchungen und betont, dass es bei Konfiguration mit lokalen Modellen "alles lokal und verschlüsselt" abwickelt — eine Designentscheidung für Forschende, die eine dokumentierte, quellenbelegte Antwort statt einer einzelnen ungeprüften Chat-Antwort wollen.
- Kernfunktion: ein Agent, der mehrstufige Recherche plant und ausführt (keine einzelne Abfrage), dabei aus konfigurierbaren akademischen und Web-Quellen schöpft und einen zitierten Bericht verfasst
- LLM-Backends: lokale Modelle über Ollama (Standard-Endpunkt
http://localhost:11434), LM Studio oder llama.cpp; unterstützt werden zudem die Cloud-Anbieter OpenAI, Anthropic Claude, Google Gemini, OpenRouter und Requesty - Suchquellen: kostenlose Optionen umfassen arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, das Wayback Machine und The Guardian; kostenpflichtige Optionen (Tavily, Google über SerpAPI, Brave Search) benötigen eigene API-Schlüssel der Nutzerin bzw. des Nutzers
- Lizenz: MIT, eine freizügige Open-Source-Lizenz
- Entwickler/Organisation: die GitHub-Organisation LearningCircuit — die kanonische, aktiv gepflegte Heimat des Quellcodes, der Releases und des Issue-Trackers des Projekts
- Schnittstellen: eine browserbasierte Web-UI, eine Python-API (Klassen
quick_query()undLDRClient), eine CLI für Benchmarking und Automatisierung, eine authentifizierte REST-API sowie ein MCP-Server für Claude Desktop und Claude Code
Projektgeschichte und Versions-Meilensteine von Local Deep Research
Local Deep Research wird laufend weiterentwickelt, das GitHub-Repository zeigt Stand dieser Review Tausende von Commits im Main-Branch und hat dabei Integrationen für Suchquellen, einen MCP-Server und verschlüsselte, nutzerbezogene Datenbanken ergänzt. Die folgenden Meilensteine stammen aus der öffentlichen Repository-Aktivität des Projekts — für die vollständige, aktuelle Historie prüfen Sie direkt das GitHub-Repository.
- 1Kern-Rechercheengine mit mehreren Schritten und CLI
Why it matters: Die grundlegende agentenbasierte Rechercheschleife — eine Abfrage planen, mehrere Quellen durchsuchen und eine zitierte Antwort synthetisieren — statt eines einzelnen Such-und-Zusammenfassungs-Aufrufs. - 2Kostenlose Integrationen akademischer und Web-Suchquellen (arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine, The Guardian)
Why it matters: Gibt dem Agenten Zugriff auf zitierfähige akademische Literatur und allgemeine Web-Quellen, ohne eine kostenpflichtige Such-API zu erfordern. - 3Unterstützung lokaler LLM-Backends (Ollama, LM Studio, llama.cpp)
Why it matters: Lässt die gesamte Rechercheschleife — Planung, Suche und Berichtserstellung — gegen ein Modell auf der eigenen Hardware laufen, ohne dass eine Rechercheanfrage an Dritte gesendet wird. - 4Docker-Compose-Deployment mit gebündeltem Ollama und SearXNG
Why it matters: Vereinfacht das Selbsthosten, indem der lokale Modellserver und eine selbst gehostete Suchmaschine (SearXNG) mit einem einzigen Befehl `docker compose up -d` neben dem Rechercheagenten gestartet werden. - 5Pro Nutzer AES-256-verschlüsselte Datenbanken
Why it matters: Fügt Verschlüsselung auf Ebene der nutzerbezogenen Datenbank für Recherchehistorie und -ergebnisse hinzu, relevant für alle, die Local Deep Research für mehrere Nutzer selbst hosten. - 6MCP-Server für Claude Desktop und Claude Code
Why it matters: Lässt Local Deep Research über das Model Context Protocol als Tool innerhalb von Claude Desktop oder Claude Code agieren, statt nur als eigenständige Web-UI oder CLI. - 7v1.10.3 — Pflicht zur Angabe der SearXNG-Instanz-URL
Why it matters: Ab dieser Version erfordert die Nutzung von SearXNGs Localhost-Suchmaschinen das Festlegen der Instanz-URL in der Konfiguration — dokumentiert in der projekteigenen `docs/SearXNG-Setup.md`, die jüngste versionsspezifische Änderung, die diese Review verifizieren konnte.
Was können Sie mit Local Deep Research tun?
Local Deep Researchs Funktionsumfang dreht sich darum, eine Rechercheanfrage in eine mehrstufige, zitierte Untersuchung zu verwandeln, wobei Unterstützung für lokale Modelle als vollwertige Option und nicht als Nachgedanke gilt. Hier ist, was jeder Teil tatsächlich leistet, laut dem eigenen GitHub-README des Projekts.
- Recherche-Modi — schnelle Zusammenfassungen für einen raschen Überblick, detaillierte Recherche für eine tiefere Untersuchung über mehrere Quellen, vollständige Berichtserstellung sowie Dokumentenanalyse über von Ihnen bereitgestellte Dateien
- Mehrstufige, agentenbasierte Suche — der Agent plant einen Rechercheansatz, fragt mehrere konfigurierte Quellen ab und fasst die Ergebnisse in einem Bericht mit Verweisen auf jede Quelle zusammen, statt eine einzelne ungeprüfte Chat-Antwort zu liefern
- Unterstützung lokaler LLMs — die gesamte Recherche- und Schreibpipeline gegen ein lokales Modell über Ollama (Standard
http://localhost:11434), LM Studio (http://localhost:1234/v1) oder llama.cpp (http://localhost:8080/v1) laufen lassen, sodass Rechercheanfrage und Ergebnisse Ihren Rechner nie verlassen - Unterstützung von Cloud-LLMs — OpenAI, Anthropic Claude, Google Gemini, OpenRouter (100+ Modelle) oder Requesty (100+ Modelle) als optionale Alternative zu einem lokalen Modell anbinden
- Akademische und Web-Suchquellen — kostenlose Quellen umfassen arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG (selbst gehostete Metasuche), GitHub, das Wayback Machine und The Guardian; kostenpflichtige Quellen (Tavily, Google über SerpAPI, Brave Search) benötigen einen eigenen API-Schlüssel
- Benutzerdefinierte und lokale Dokumentsuche — eigene lokale Dokumente durchsuchen, LangChain-Retriever anbinden oder mehrere Quellen in einer Metasuch-Konfiguration kombinieren
- News-Abonnements — automatisierte, wiederkehrende Recherche-Digests zu einem Thema mit anpassbarem Zustellplan einrichten
- REST-API, Analytics-Dashboard und Benchmarking-Tools — eine authentifizierte HTTP-API mit CSRF-Schutz, ein Dashboard zur Nachverfolgung von Recherche-Läufen sowie eingebaute Benchmarking-Werkzeuge für den Vergleich von Modell-/Suchkonfigurationen
- Export und Integration — Rechercheberichte als PDF oder Markdown exportieren und Local Deep Research als MCP-Server mit Claude Desktop oder Claude Code verbinden
Anwendungsbeispiele: Drei Wege, Local Deep Research zu nutzen
Dies sind konkrete Workflows auf Basis der oben dokumentierten Funktionen von Local Deep Research — keine hypothetischen Anwendungsfälle.
Eine vollständig lokale, zitierte Literaturrecherche durchführen
Per pip install local-deep-research installieren, Ollama als LLM-Backend konfigurieren und kostenlose akademische Quellen wie arXiv, PubMed und Semantic Scholar aktivieren. Eine Rechercheanfrage über die Web-UI unter localhost:5000 einreichen und den Agenten eine mehrstufige Suche planen, relevante Arbeiten abrufen und einen Bericht mit Quellenangaben erstellen lassen — ohne dass Rechercheanfrage oder abgerufene Inhalte an eine Drittanbieter-API gesendet werden, da sowohl das Modell als auch die beteiligten Quellen (abgesehen von den öffentlichen Suchanfragen selbst) lokal laufen.
Local Deep Research programmatisch aus einem Python-Skript abfragen
Die Funktion quick_query() der Python-Bibliothek oder die Klasse LDRClient nutzen, um eine Rechercheanfrage direkt aus einem Skript statt über die Web-UI einzureichen. Das passt zu automatisierten Pipelines — etwa um einen Recherchebericht als Teil eines größeren Datenverarbeitungsjobs zu erstellen oder wiederkehrende Abfragen über die News-Abonnement-Funktion zu planen.
Local Deep Research als MCP-Tool innerhalb von Claude Desktop oder Claude Code nutzen
Den MCP-Server von Local Deep Research konfigurieren und mit Claude Desktop oder Claude Code verbinden. So lässt sich tiefgehende, mehrstufige, zitierte Recherche als Tool-Aufruf innerhalb einer Claude-Konversation auslösen, statt für jede Rechercheanfrage zur eigenen Web-UI von Local Deep Research zu wechseln.
Local Deep Research installieren
Local Deep Research wird per pip oder Docker Compose installiert — es ist ein Python-Tool, kein signierter Desktop-Installer. Befehle und Links unten stammen aus dem offiziellen GitHub-README — prüfen Sie diese Seite direkt, da sich Installationsschritte zwischen Releases ändern können.
Quelle | Link |
|---|---|
| GitHub-Repository (Quellcode, MIT) | github.com/LearningCircuit/local-deep-research |
| pip install (danach die Web-App starten) | pip install local-deep-research, danach python -m local_deep_research.web.app |
| Docker Compose (bündelt Ollama + SearXNG) | docker compose up -d, laut docker-compose.yml des Repositorys |
| SearXNG-Einrichtungsdokumentation | docs/SearXNG-Setup.md im GitHub-Repository |
| MCP-Server-Einrichtung (Claude Desktop / Claude Code) | Siehe den MCP-Abschnitt im GitHub-README |
Der Docker-Compose-Weg ist der einfachste Weg zu einem vollständig lokalen Setup, da er Ollama (lokales LLM) und SearXNG (selbst gehostete Metasuche) zusammen mit Local Deep Research selbst startet, standardmäßig mit Sicherheitshärtung (cap_drop: ALL, no-new-privileges, Non-Root-Laufzeit) laut Repository. Wie bei jedem Tool mit lokalem Modell hängt der tatsächliche Hardware-Bedarf vom gewählten LLM-Backend ab — ein Cloud-Anbieter entfernt die lokale Hardware-Anforderung, während der VRAM-/RAM-Bedarf eines lokalen Modells dessen eigener ist und nicht zusätzlich von Local Deep Research kommt.
Local Deep Research Preise: Wirklich kostenlos?
Ja — Local Deep Research selbst hat keine kostenpflichtige Stufe. Das GitHub-Repository hat keine Preisseite, und seine MIT-Lizenz gilt für die gesamte Codebasis, ohne dass eine Funktion hinter einer Bezahlschranke steckt. Die Kosten, die tatsächlich anfallen können, stammen vom gewählten LLM-Anbieter und den Suchquellen, nicht von Local Deep Research selbst.
Local-Deep-Research-Software
- Kosten:
- Kostenlos, MIT-lizenziert, keine Nutzungslimits durch das Tool selbst
Lokales LLM-Backend (Ollama, LM Studio, llama.cpp)
- Kosten:
- Kostenlos — läuft auf der eigenen Hardware, keine API-Kosten pro Anfrage
Cloud-LLM-Backend (OpenAI, Anthropic, Gemini, OpenRouter, Requesty)
- Kosten:
- Direkte Zahlung an den Anbieter für die API-Nutzung; Local Deep Research schlägt nichts auf
Kostenlose Suchquellen (arXiv, PubMed, Wikipedia, SearXNG, GitHub etc.)
- Kosten:
- Kostenlos, für die meisten davon kein API-Schlüssel nötig
Kostenpflichtige Suchquellen (Tavily, SerpAPI/Google, Brave Search)
- Kosten:
- Direkte Zahlung an den Anbieter für die API-Nutzung — optional, nicht zur Nutzung des Tools erforderlich
Ein vollständig lokales Setup — ein lokales Modell über Ollama plus kostenlose Suchquellen wie arXiv, PubMed und SearXNG — kann Local Deep Research praktisch kostenlos betreiben, abgesehen von eigener Hardware und Stromkosten. Cloud-LLMs oder kostenpflichtige Suchanbieter bringen nutzungsabhängige Kosten von diesen Anbietern mit sich, völlig getrennt von Local Deep Researchs eigener, MIT-lizenzierter, kostenloser Codebasis.
Local Deep Research vs. Vane
Local Deep Research und Vane (früher Perplexica) sind beide selbst gehostete, quelloffene Alternativen zu geschlossenen KI-Suchprodukten, zielen aber auf unterschiedliche Rechercheiefe ab. Vane ist darauf ausgelegt, eine Frage schnell mit einer zitierten Antwort im Perplexity-Stil zu beantworten; Local Deep Research ist für tiefere, mehrstufige Untersuchungen gebaut, die deutlich länger dauern können, dafür aber mehr Boden abdecken.
Primärer Anwendungsfall
- Local Deep Research:
- Mehrstufige, tiefgehende Rechercheberichte mit Zitaten
- Vane:
- Schnelles Beantworten im Perplexity-Stil mit Zitaten
Akademische Quellen
- Local Deep Research:
- arXiv, PubMed, Semantic Scholar eingebaut
- Vane:
- Quellenliste in der eigenen Vane-Review
Unterstützung lokaler LLMs
- Local Deep Research:
- Ollama, LM Studio, llama.cpp
- Vane:
- Unterstützte Backends in der eigenen Vane-Review
Schnittstellen
- Local Deep Research:
- Web-UI, Python-Bibliothek, CLI, REST-API, MCP-Server
- Vane:
- Schnittstellenoptionen in der eigenen Vane-Review
Lizenz
- Local Deep Research:
- MIT
- Vane:
- Aktuelle Lizenzdetails in der eigenen Vane-Review
Berichtstiefe
- Local Deep Research:
- Mehrstufige Berichte, Modi von schneller Zusammenfassung bis Vollbericht
- Vane:
- Einzel- oder Dialogantworten, kein dedizierter Mehrschritt-Berichtsmodus
Wenn Ihr Hauptbedarf eine schnelle, zitierte Antwort auf eine konkrete Frage beim Browsen ist — ein selbst gehosteter Perplexity-Ersatz —, passt Vane direkt; siehe die vollständige Vane-Review. Wenn Ihr Hauptbedarf ein längerer, mehrquelliger Recherchebericht ist, den Sie exportieren und zitieren können, passt Local Deep Researchs tieferes, mehrstufiges Design besser.
Für wen eignet sich Local Deep Research?
Ob Local Deep Research passt, hängt davon ab, ob Sie wirklich mehrstufige, zitierte Rechercheergebnisse brauchen und bereit sind, ein Python-Tool mit einem selbst konfigurierten LLM-Backend zu betreiben.
Nutzen Sie Local Deep Research, wenn
- Sie mehrstufige, zitierte Rechercheberichte brauchen — keine einzelne Chat-Antwort — und diesen Prozess auf selbst kontrollierter Infrastruktur ausführen möchten
- Sie die gesamte Pipeline, einschließlich des LLM, wahlweise vollständig lokal über Ollama, LM Studio oder llama.cpp laufen lassen möchten
- Sie Recherche betreiben, die von automatisch abgefragten akademischen Quellen wie arXiv, PubMed und Semantic Scholar profitiert
- Sie tiefe Recherche als programmatisches Tool integrieren möchten — über die Python-Bibliothek, die REST-API oder als MCP-Server in Claude Desktop oder Claude Code —, statt ausschließlich über eine eigenständige Web-UI
- Sie mit einer
pip install-/Docker-Compose-Einrichtung statt einem Ein-Klick-Desktop-Installer zurechtkommen
Warten Sie noch oder schauen Sie sich um, wenn
- Sie eine schnelle, einzelne zitierte Antwort statt eines längeren mehrstufigen Berichts wollen — siehe Vane im Vergleich oben für diesen Anwendungsfall
- Sie sich mit Python-Paketinstallation, Docker oder der eigenen Konfiguration eines LLM-Backends nicht wohlfühlen — dies ist ein Tool für Entwicklerinnen und Forschende, keine ausgefeilte Consumer-App
- Sie einen universellen autonomen Agenten für Aufgaben jenseits von Recherche (Browsing, Coding, Multi-Tool-Workflows) benötigen — siehe Agent Zero oder BabyAGI im Wettbewerbsabschnitt unten
- Sie garantiert niedrige Latenzen für ein produktives, kundenseitiges Produkt benötigen — tiefe, mehrstufige Rechercheläufe können planmäßig deutlich länger dauern als ein einzelner LLM-Aufruf
Local Deep Research vs. andere Recherche- und Agenten-Tools
Local Deep Research gehört zu einer breiteren Kategorie selbst gehosteter Tools für KI-gestützte Suche und autonome Recherche-/Agenten-Workflows. So schneidet es im Vergleich zu anderen Optionen in diesem Bereich ab — den vollständigen Katalog finden Sie im Local LLM Software Directory, das direkteste Duell im dedizierten Local-Deep-Research-vs.-Vane-Vergleich oben.
- Vane (früher Perplexica) — eine selbst gehostete, Perplexity-artige KI-Antwortmaschine für schnelle, zitierte Einzelsuche statt mehrstufiger Tiefenberichte; siehe den dedizierten Vergleichsabschnitt oben und die Vane-Review für alle Details.
- Onyx (früher Danswer) — eine selbst gehostete Enterprise-Such- und RAG-Plattform für die Abfrage der eigenen internen Dokumente und Konnektoren einer Organisation, ein anderer Anwendungsfall als Local Deep Researchs Fokus auf akademische/Web-Recherche; siehe die Onyx-Review.
- Agent Zero — ein universelles autonomes Agenten-Framework, das unter vielen anderen Aufgabentypen auch Recherche beherrscht, breiter im Umfang, aber nicht so auf zitierte akademische Recherche spezialisiert wie Local Deep Research; siehe die Agent-Zero-Review.
- BabyAGI — ein frühes, einflussreiches autonomes Aufgabenverwaltungs-Framework; nützlicher Kontext dafür, wie sich agentenbasierte Rechercheschleifen entwickelt haben, wenn auch weniger auf zitierte Rechercheergebnisse spezialisiert als Local Deep Research; siehe die BabyAGI-Review.
Häufige Fehler bei der Bewertung von Local Deep Research
Die meiste Verwirrung um Local Deep Research entsteht durch die Annahme, es funktioniere wie ein Chatbot mit einer einzelnen Frage, durch Missverständnisse darüber, welche Teile der Pipeline tatsächlich lokal laufen, oder durch Überschätzung der gemeldeten Benchmark-Zahlen als universell gültig.
Fehler 1: Eine schnelle Einzelantwort wie bei einem Chatbot erwarten
Local Deep Research ist für mehrstufige, agentenbasierte Recherche gebaut, nicht für eine Ein-Schritt-Chat-Antwort. Seine Recherche-Modi reichen von einer schnellen Zusammenfassung bis zu einem vollständigen Bericht über mehrere Quellen — die tieferen Modi sind bewusst langsamer als ein einzelner LLM-Aufruf, weil sie mehrere Quellen abfragen und zusammenführen. Wenn Sie stattdessen eine schnelle, zitierte Einzelantwort wollen, siehe Vane im Vergleich oben.
Fehler 2: Annehmen, alles laufe standardmäßig lokal, ohne die LLM-Konfiguration zu prüfen
Local Deep Research unterstützt vollständig lokalen Betrieb über Ollama, LM Studio oder llama.cpp, unterstützt aber auch Cloud-LLM-Anbieter (OpenAI, Anthropic, Gemini, OpenRouter, Requesty) und kostenpflichtige Such-APIs (Tavily, SerpAPI, Brave). Ob ein konkreter Recherchelauf vollständig lokal bleibt, hängt allein davon ab, welches Backend und welche Suchquellen Sie konfigurieren — prüfen Sie Ihr eigenes Setup, statt anzunehmen, die Standardeinstellung sei vollständig offline.
Fehler 3: Die ~95 %-SimpleQA-Zahl des Projekts als universelle Genauigkeitsgarantie behandeln
Das eigene README des Projekts nennt ein spezifisches Benchmark-Ergebnis (rund 95 % auf SimpleQA), gebunden an eine bestimmte Modell- und Hardware-Kombination. Dies ist die selbst gemeldete Zahl des Projekts, nicht unabhängig von PromptQuorum verifiziert, und die tatsächliche Genauigkeit hängt stark davon ab, welches LLM, welche Suchquellen und welchen Recherche-Modus Sie für eine konkrete Anfrage verwenden.
Fehler 4: Den Schritt zur Festlegung der SearXNG-Instanz-URL überspringen
Ab v1.10.3 erfordert die Nutzung von SearXNGs Localhost-Suchmaschinen das Festlegen der SearXNG-Instanz-URL in der Konfiguration — dokumentiert in der projekteigenen docs/SearXNG-Setup.md. Das Überspringen dieses Schritts ist eine dokumentierte Ursache für Einrichtungsfehler beim Selbsthosten des Docker-Compose-Stacks.
Häufig gestellte Fragen
Was ist Local Deep Research?
Local Deep Research (Quellcode unter github.com/LearningCircuit/local-deep-research) ist ein kostenloses, quelloffenes Python-Tool, das mehrstufige, agentenbasierte Recherche über akademische und Web-Quellen durchführt und mit einem von Ihnen konfigurierten LLM, lokal oder in der Cloud, einen zitierten Bericht erstellt.
Ist Local Deep Research kostenlos?
Ja. Das Tool selbst ist kostenlos und MIT-lizenziert, ohne Preisseite und ohne kostenpflichtige Stufe. Verbinden Sie einen Cloud-LLM-Anbieter oder eine kostenpflichtige Such-API, zahlen Sie direkt an diesen Anbieter — Local Deep Research schlägt nichts auf.
Ist Local Deep Research quelloffen? Welche Lizenz nutzt es?
Ja, es ist unter der MIT-Lizenz quelloffen, bestätigt durch die LICENSE-Datei im GitHub-Repository.
Kann Local Deep Research vollständig offline bzw. vollständig lokal laufen?
Ja, wenn entsprechend konfiguriert. Ein lokales LLM-Backend (Ollama, LM Studio oder llama.cpp) zusammen mit kostenlosen Quellen wie arXiv, PubMed, Wikipedia und einer selbst gehosteten SearXNG-Instanz hält die Recherche- und Generierungspipeline auf der eigenen Hardware. Öffentliche Suchanfragen an Quellen wie arXiv oder Wikipedia verlassen weiterhin Ihren Rechner, um diese öffentlichen Dienste zu erreichen — das ist unabhängig davon zu betrachten, ob Ihre LLM-Inferenz lokal läuft.
Wie installiere ich Local Deep Research?
Installation per pip install local-deep-research und python -m local_deep_research.web.app, oder mit docker compose up -d und der Docker-Compose-Datei des Repositorys, die zusätzlich Ollama und SearXNG startet.
Welche LLM-Anbieter unterstützt Local Deep Research?
Lokale Backends: Ollama, LM Studio und llama.cpp. Cloud-Anbieter: OpenAI, Anthropic Claude, Google Gemini, OpenRouter (100+ Modelle) und Requesty (100+ Modelle), zusätzlich benutzerdefinierte OpenAI- und Anthropic-kompatible Endpunkte.
Welche Suchquellen nutzt Local Deep Research?
Kostenlose Quellen umfassen arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, das Wayback Machine und The Guardian. Kostenpflichtige, optionale Quellen sind Tavily, Google (über SerpAPI) und Brave Search, jeweils mit eigenem API-Schlüssel.
Hat Local Deep Research eine API oder MCP-Unterstützung?
Ja. Es bietet eine authentifizierte REST-API mit CSRF-Schutz, eine Python-Bibliothek (quick_query(), LDRClient) und einen MCP-Server für die Integration mit Claude Desktop und Claude Code.
Wie unterscheidet sich Local Deep Research von Vane (früher Perplexica)?
Vane ist auf schnelle, einzelne, zitierte Antworten im Perplexity-Stil ausgelegt. Local Deep Research ist für tiefere, mehrstufige Recherche mit dedizierten Modi (von schneller Zusammenfassung bis Vollbericht) und eingebauten akademischen Quellen wie arXiv und PubMed gebaut — siehe den dedizierten Vergleichsabschnitt oben.
Wer entwickelt Local Deep Research?
Local Deep Research wird unter der GitHub-Organisation LearningCircuit gepflegt, die den aktiven Quellcode, die Releases und den Issue-Tracker des Projekts beherbergt.