¿Qué es Local Deep Research?
Local Deep Research es una herramienta Python para ejecutar investigación de IA citada y de varios pasos, usando un LLM y fuentes de búsqueda que tú mismo configuras. Su propia descripción en GitHub la posiciona como un "asistente de investigación potenciado por IA" para investigaciones agénticas profundas, destacando que ejecuta "todo local y cifrado" cuando se configura con modelos locales — una decisión de diseño pensada para investigadores que quieren una respuesta documentada y con fuentes citadas en vez de una única respuesta de chat sin verificar.
- Función principal: un agente que planifica y ejecuta investigación de varios pasos (no una única consulta), extrayendo de fuentes académicas y web configurables, y redactando después un informe citado
- Backends de LLM: modelos locales vía Ollama (endpoint predeterminado
http://localhost:11434), LM Studio o llama.cpp; también se admiten los proveedores en la nube OpenAI, Anthropic Claude, Google Gemini, OpenRouter y Requesty - Fuentes de búsqueda: las opciones gratuitas incluyen arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine y The Guardian; las opciones premium (Tavily, Google vía SerpAPI, Brave Search) requieren claves de API propias del usuario
- Licencia: MIT, una licencia de código abierto permisiva
- Desarrollador/organización: la organización de GitHub LearningCircuit — el hogar canónico y activamente mantenido del código fuente, lanzamientos y seguimiento de incidencias del proyecto
- Interfaces: una interfaz web en el navegador, una API de Python (clases
quick_query()yLDRClient), una CLI para benchmarking y automatización, una API REST autenticada, y un servidor MCP para Claude Desktop y Claude Code
Historia del proyecto y hitos de versiones de Local Deep Research
Local Deep Research ha publicado de forma continua, y el repositorio de GitHub muestra miles de commits en su rama principal a fecha de esta reseña, añadiendo por el camino integraciones de fuentes de búsqueda, un servidor MCP y bases de datos cifradas por usuario. Los hitos siguientes provienen de la actividad pública del repositorio del proyecto — consulta directamente el repositorio de GitHub para el historial completo y actualizado.
- 1Motor de investigación de varios pasos principal y CLI
Why it matters: El bucle fundamental de investigación agéntica — planificar una consulta, buscar en varias fuentes y sintetizar una respuesta citada — en vez de una única llamada de búsqueda y resumen. - 2Integraciones de fuentes de búsqueda académicas y web gratuitas (arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine, The Guardian)
Why it matters: Da al agente acceso a literatura académica citable y fuentes web generales sin necesitar una API de búsqueda de pago. - 3Soporte de backend de LLM local (Ollama, LM Studio, llama.cpp)
Why it matters: Permite que todo el bucle de investigación — planificación, búsqueda y generación del informe — se ejecute contra un modelo en tu propio hardware, sin enviar ninguna consulta de investigación a un tercero. - 4Despliegue con Docker Compose con Ollama y SearXNG incluidos
Why it matters: Simplifica la autoalojar al levantar el servidor del modelo local y un motor de búsqueda autoalojado (SearXNG) junto al agente de investigación en un solo comando `docker compose up -d`. - 5Bases de datos cifradas con AES-256 por usuario
Why it matters: Añade cifrado a nivel de base de datos por usuario para el historial y los resultados de investigación, relevante para cualquiera que autoaloje Local Deep Research para varios usuarios. - 6Servidor MCP para Claude Desktop y Claude Code
Why it matters: Permite que Local Deep Research actúe como una herramienta dentro de Claude Desktop o Claude Code mediante el Model Context Protocol, en vez de ser solo una interfaz web o CLI independiente. - 7v1.10.3 — requisito de fijación de URL de instancia de SearXNG
Why it matters: A partir de esta versión, usar los motores de búsqueda localhost de SearXNG requiere fijar la URL de la instancia en la configuración — documentado en el `docs/SearXNG-Setup.md` del proyecto, el cambio específico de versión más reciente que esta reseña pudo verificar.
¿Qué puedes hacer con Local Deep Research?
El conjunto de funciones de Local Deep Research se centra en convertir una pregunta de investigación en una investigación citada de varios pasos, con soporte de modelo local como opción de primer nivel en vez de un añadido tardío. Esto es lo que hace realmente cada parte, según el propio README de GitHub del proyecto.
- Modos de investigación — resúmenes rápidos para una visión general veloz, investigación detallada para una investigación más profunda de varias fuentes, generación de informes completos, y análisis de documentos sobre archivos que tú proporciones
- Búsqueda agéntica de varios pasos — el agente planifica un enfoque de investigación, consulta varias fuentes configuradas, y sintetiza los hallazgos en un informe con citas de vuelta a cada fuente, en vez de devolver una única respuesta de chat sin verificar
- Soporte de LLM local — ejecuta todo el pipeline de investigación y redacción contra un modelo local mediante Ollama (predeterminado
http://localhost:11434), LM Studio (http://localhost:1234/v1) o llama.cpp (http://localhost:8080/v1), de modo que la pregunta de investigación y los resultados nunca salen de tu máquina - Soporte de LLM en la nube — conecta OpenAI, Anthropic Claude, Google Gemini, OpenRouter (más de 100 modelos) o Requesty (más de 100 modelos) como alternativa opcional a un modelo local
- Fuentes de búsqueda académica y web — las fuentes gratuitas incluyen arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG (metabúsqueda autoalojada), GitHub, Wayback Machine y The Guardian; las fuentes premium (Tavily, Google vía SerpAPI, Brave Search) requieren clave de API propia del usuario
- Búsqueda de documentos personalizada y local — busca en tus propios documentos locales, conecta recuperadores de LangChain, o combina varias fuentes en una configuración de metabúsqueda
- Suscripciones de noticias — configura resúmenes de investigación automatizados y recurrentes sobre un tema con un calendario de entrega personalizable
- API REST, panel de analítica y herramientas de benchmarking — una API HTTP autenticada con protección CSRF, un panel para seguir las ejecuciones de investigación, y utilidades de benchmarking integradas para comparar configuraciones de modelo/búsqueda
- Exportación e integración — exporta los informes de investigación a PDF o Markdown, y conecta Local Deep Research a Claude Desktop o Claude Code como servidor MCP
Ejemplos de uso: tres formas de usar Local Deep Research
Estos son flujos de trabajo concretos construidos a partir de las funciones documentadas de Local Deep Research descritas arriba — no son casos de uso hipotéticos.
Ejecuta una revisión bibliográfica citada totalmente local
Instala con pip install local-deep-research, configura Ollama como backend de LLM, y activa fuentes académicas gratuitas como arXiv, PubMed y Semantic Scholar. Envía una pregunta de investigación a través de la interfaz web en localhost:5000 y deja que el agente planifique una búsqueda de varios pasos, recupere artículos relevantes y genere un informe citando cada fuente — sin que ninguna consulta de investigación ni contenido recuperado se envíe a una API de terceros, ya que tanto el modelo como las fuentes implicadas (aparte de las propias solicitudes de búsqueda públicas) se ejecutan localmente.
Consulta Local Deep Research mediante programación desde un script de Python
Usa la función quick_query() de la librería de Python o la clase LDRClient para enviar una pregunta de investigación directamente desde un script, en vez de usar la interfaz web. Esto encaja en pipelines automatizados — por ejemplo, generar un informe de investigación como parte de un trabajo más grande de procesamiento de datos, o programar consultas recurrentes mediante la función de suscripciones de noticias.
Usa Local Deep Research como herramienta MCP dentro de Claude Desktop o Claude Code
Configura el servidor MCP de Local Deep Research y conéctalo a Claude Desktop o Claude Code. Esto te permite invocar investigación profunda, de varios pasos y citada como una llamada de herramienta desde dentro de una conversación de Claude, en vez de cambiar a la interfaz web propia de Local Deep Research para cada pregunta de investigación.
Instalar Local Deep Research
Local Deep Research se instala vía pip o Docker Compose — es una herramienta Python, no un instalador de escritorio firmado. Los comandos y enlaces siguientes provienen del README oficial de GitHub — verifica siempre directamente en esa página, ya que los pasos de instalación pueden cambiar entre lanzamientos.
Source | Link |
|---|---|
| Repositorio de GitHub (código fuente, MIT) | github.com/LearningCircuit/local-deep-research |
| pip install (luego ejecuta la app web) | pip install local-deep-research y después python -m local_deep_research.web.app |
| Docker Compose (incluye Ollama + SearXNG) | docker compose up -d, según el docker-compose.yml del repositorio |
| Documentación de configuración de SearXNG | docs/SearXNG-Setup.md en el repositorio de GitHub |
| Configuración del servidor MCP (Claude Desktop / Code) | Ver la sección MCP del README de GitHub |
La vía de Docker Compose es la forma más sencilla de tener una configuración totalmente local en funcionamiento, ya que levanta Ollama (LLM local) y SearXNG (metabúsqueda autoalojada) junto a Local Deep Research, con refuerzo de seguridad (cap_drop: ALL, no-new-privileges, ejecución sin root) aplicado por defecto según el repositorio. Como con cualquier herramienta de modelo local, las necesidades reales de hardware dependen del backend de LLM que elijas — un proveedor en la nube elimina el requisito de hardware local, mientras que las necesidades de VRAM/RAM de un modelo local son las del propio modelo, no algo que Local Deep Research añada encima.
Precios de Local Deep Research: ¿es realmente gratis?
Sí — Local Deep Research en sí no tiene ningún nivel de pago. El repositorio de GitHub no tiene página de precios, y su licencia MIT se aplica a todo el código base sin ninguna función bloqueada tras un pago. Los costes que podrías incurrir realmente vienen del proveedor de LLM y las fuentes de búsqueda que elijas conectar, no de Local Deep Research en sí.
Software Local Deep Research
- Coste:
- Gratis, licencia MIT, sin límites de uso impuestos por la propia herramienta
Backend de LLM local (Ollama, LM Studio, llama.cpp)
- Coste:
- Gratis — se ejecuta en tu propio hardware, sin coste de API por consulta
Backend de LLM en la nube (OpenAI, Anthropic, Gemini, OpenRouter, Requesty)
- Coste:
- Pagas directamente al proveedor por el uso de la API; Local Deep Research no añade margen
Fuentes de búsqueda gratuitas (arXiv, PubMed, Wikipedia, SearXNG, GitHub, etc.)
- Coste:
- Gratis, sin clave de API requerida para la mayoría
Una configuración totalmente local — un modelo local vía Ollama más fuentes de búsqueda gratuitas como arXiv, PubMed y SearXNG — puede ejecutar Local Deep Research prácticamente a coste cero, más allá de tu propio hardware y electricidad. Añadir proveedores de LLM en la nube o fuentes de búsqueda premium introduce costes por uso de esos proveedores, totalmente separados del código base gratuito y con licencia MIT de Local Deep Research.
Local Deep Research vs. Vane
Local Deep Research y Vane (antes Perplexica) son ambas alternativas autoalojadas y de código abierto a productos de búsqueda de IA de código cerrado, pero apuntan a profundidades de investigación distintas. Vane está construido para responder una pregunta rápido con una respuesta citada estilo Perplexity; Local Deep Research está construido para investigaciones más profundas y de varios pasos que pueden tardar bastante más pero cubren más terreno.
Caso de uso principal
- Local Deep Research:
- Informes de investigación profunda de varios pasos con citas
- Vane:
- Respuestas rápidas estilo Perplexity con citas
Fuentes académicas
- Local Deep Research:
- arXiv, PubMed, Semantic Scholar integrados
- Vane:
- Ver la reseña dedicada de Vane para su lista de fuentes
Soporte de LLM local
- Local Deep Research:
- Ollama, LM Studio, llama.cpp
- Vane:
- Ver la reseña dedicada de Vane para sus backends compatibles
Interfaces
- Local Deep Research:
- Interfaz web, librería Python, CLI, API REST, servidor MCP
- Vane:
- Ver la reseña dedicada de Vane para sus opciones de interfaz
Licencia
- Local Deep Research:
- MIT
- Vane:
- Ver la reseña dedicada de Vane para la licencia actual
Profundidad del informe
- Local Deep Research:
- Informes de varios pasos, modos desde resumen rápido a informe completo
- Vane:
- Respuestas de un solo turno o conversacionales, sin un modo dedicado de informe de varios pasos
Si tu necesidad principal es una respuesta rápida y citada a una pregunta concreta mientras navegas — un reemplazo autoalojado de Perplexity — Vane encaja directamente en ese caso de uso; ver la reseña completa de Vane. Si tu necesidad principal es un informe de investigación más largo y de varias fuentes que puedas exportar y citar, el diseño más profundo y de varios pasos de Local Deep Research encaja mejor.
¿Quién debería usar Local Deep Research?
Que Local Deep Research te encaje depende de si necesitas resultados de investigación genuinamente de varios pasos y citados, y te sientes cómodo ejecutando una herramienta Python con tu propio backend de LLM configurado.
Usa Local Deep Research si
- Necesitas informes de investigación citados y de varios pasos — no una única respuesta de chat — y quieres ejecutar ese proceso en infraestructura que controlas
- Quieres la opción de ejecutar todo el pipeline, incluido el LLM, totalmente en local vía Ollama, LM Studio o llama.cpp
- Haces investigación que se beneficia de que fuentes académicas como arXiv, PubMed y Semantic Scholar se consulten automáticamente
- Quieres integrar la investigación profunda como herramienta programática — vía la librería de Python, la API REST, o como servidor MCP dentro de Claude Desktop o Claude Code — en vez de solo mediante una interfaz web independiente
- Te sientes cómodo con una configuración de
pip install/ Docker Compose en vez de un instalador de escritorio de un solo clic
Espera, o busca otra opción, si
- Quieres una respuesta rápida y citada de un solo turno en vez de un informe más largo de varios pasos — ver Vane en la comparación anterior para ese caso de uso
- No te sientes cómodo con la instalación de paquetes Python, Docker, o configurar tú mismo un backend de LLM — esta es una herramienta orientada a desarrolladores/investigadores, no una app de consumo pulida
- Necesitas un agente autónomo de propósito general para tareas más allá de la investigación (navegación, programación, flujos multi-herramienta) — ver Agent Zero o BabyAGI en la sección de competidores más abajo
- Necesitas respuestas garantizadas y de baja latencia para un producto en producción de cara al usuario — las ejecuciones de investigación profunda y de varios pasos pueden tardar considerablemente más que una única llamada al LLM, por diseño
Local Deep Research vs. otras herramientas de investigación y agentes
Local Deep Research se sitúa en una categoría más amplia de herramientas autoalojadas para búsqueda asistida por IA y flujos de trabajo de investigación/agentes autónomos. Así se compara con otras opciones de ese espacio — consulta el Directorio de Software LLM Local para el catálogo completo, y la comparación dedicada Local Deep Research vs. Vane anterior para el enfrentamiento más cercano.
- Vane (antes Perplexica) — un motor de respuestas de IA autoalojado estilo Perplexity, construido para búsqueda citada rápida y de un solo turno en vez de informes profundos de varios pasos; ver la sección de comparación dedicada anterior y la reseña de Vane para todos los detalles.
- Onyx (antes Danswer) — una plataforma empresarial autoalojada de búsqueda y RAG construida para consultar los propios documentos y conectores internos de una organización, un caso de uso distinto al enfoque de investigación académica/web de Local Deep Research; ver la reseña de Onyx.
- Agent Zero — un framework de agente autónomo de propósito general capaz de investigar entre muchos otros tipos de tareas, más amplio en alcance pero no especializado en investigación académica citada como lo está Local Deep Research; ver la reseña de Agent Zero.
- BabyAGI — un framework de agente de gestión de tareas autónomo, temprano e influyente; contexto útil sobre cómo han evolucionado los bucles de investigación agéntica, aunque menos especializado en resultados de investigación citados que Local Deep Research; ver la reseña de BabyAGI.
Errores comunes al evaluar Local Deep Research
La mayor parte de la confusión sobre Local Deep Research viene de asumir que funciona como un chatbot de una sola pregunta, de no entender qué partes de su pipeline se ejecutan realmente en local, o de sobrestimar sus cifras de benchmark reportadas como universales.
Error 1: esperar una única respuesta rápida como un chatbot
Local Deep Research está construido para investigación agéntica de varios pasos, no una respuesta de chat de un solo tiro. Sus modos de investigación van desde un resumen rápido hasta un informe completo de varias fuentes — los modos más profundos son intencionadamente más lentos que una única llamada al LLM, porque consultan varias fuentes y sintetizan entre ellas. Si quieres una respuesta rápida y citada de un solo turno en su lugar, ver Vane en la comparación anterior.
Error 2: asumir que todo se ejecuta en local por defecto sin revisar tu configuración de LLM
Local Deep Research admite operación totalmente local vía Ollama, LM Studio o llama.cpp, pero también admite proveedores de LLM en la nube (OpenAI, Anthropic, Gemini, OpenRouter, Requesty) y APIs de búsqueda premium (Tavily, SerpAPI, Brave). Que una ejecución de investigación concreta se mantenga totalmente local depende por completo de qué backend y fuentes de búsqueda configures — verifica tu propia configuración en vez de asumir que lo predeterminado es totalmente sin conexión.
Error 3: tratar la cifra de ~95% en SimpleQA del proyecto como una garantía universal de precisión
El propio README del proyecto cita un resultado de benchmark específico (alrededor del 95% en SimpleQA) asociado a una combinación concreta de modelo y hardware. Es la cifra autorreportada por el proyecto, no verificada de forma independiente por PromptQuorum, y la precisión real depende mucho de qué LLM, fuentes de búsqueda y modo de investigación uses para una consulta dada.
Error 4: saltarse el paso de fijar la URL de la instancia de SearXNG
A partir de la v1.10.3, usar los motores de búsqueda localhost de SearXNG requiere fijar la URL de la instancia de SearXNG en la configuración — documentado en el docs/SearXNG-Setup.md del proyecto. Saltarse este paso es una fuente documentada de fallos de configuración al autoalojar el stack de Docker Compose.
Preguntas frecuentes
¿Qué es Local Deep Research?
Local Deep Research (código en github.com/LearningCircuit/local-deep-research) es una herramienta Python gratuita y de código abierto que ejecuta investigación agéntica de varios pasos en fuentes académicas y web, y produce un informe citado usando un LLM que tú configuras, local o en la nube.
¿Es gratis Local Deep Research?
Sí. La herramienta en sí es gratuita y tiene licencia MIT, sin página de precios y sin nivel de pago. Si conectas un proveedor de LLM en la nube o una API de búsqueda premium, pagas directamente a ese proveedor — Local Deep Research no añade margen.
¿Es Local Deep Research de código abierto? ¿Qué licencia usa?
Sí, es de código abierto bajo licencia MIT, confirmada mediante el archivo LICENSE de su repositorio de GitHub.
¿Puede Local Deep Research funcionar totalmente sin conexión / totalmente en local?
Sí, si se configura así. Usar un backend de LLM local (Ollama, LM Studio o llama.cpp) más fuentes gratuitas como arXiv, PubMed, Wikipedia y una instancia autoalojada de SearXNG mantiene el pipeline de investigación y generación en tu propio hardware. Las solicitudes de búsqueda públicas a fuentes como arXiv o Wikipedia siguen saliendo de tu máquina para llegar a esos servicios públicos, algo distinto de si tu inferencia de LLM es local.
¿Cómo instalo Local Deep Research?
Instala con pip install local-deep-research y ejecuta python -m local_deep_research.web.app, o usa docker compose up -d con el archivo Docker Compose del repositorio, que también levanta Ollama y SearXNG junto a la app.
¿Qué proveedores de LLM admite Local Deep Research?
Backends locales: Ollama, LM Studio y llama.cpp. Proveedores en la nube: OpenAI, Anthropic Claude, Google Gemini, OpenRouter (más de 100 modelos) y Requesty (más de 100 modelos), además de endpoints personalizados compatibles con OpenAI y con Anthropic.
¿Qué fuentes de búsqueda usa Local Deep Research?
Las fuentes gratuitas incluyen arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine y The Guardian. Las fuentes premium y opcionales incluyen Tavily, Google (vía SerpAPI) y Brave Search, cada una requiriendo clave de API propia del usuario.
¿Tiene Local Deep Research API o soporte MCP?
Sí. Ofrece una API REST autenticada con protección CSRF, una librería de Python (quick_query(), LDRClient), y un servidor MCP para integración con Claude Desktop y Claude Code.
¿En qué se diferencia Local Deep Research de Vane (antes Perplexica)?
Vane está construido para respuestas rápidas, de un solo turno y citadas estilo Perplexity. Local Deep Research está construido para investigación más profunda y de varios pasos con modos de investigación dedicados (de resumen rápido a informe completo) y fuentes académicas integradas como arXiv y PubMed — ver la sección de comparación dedicada anterior.
¿Quién desarrolla Local Deep Research?
Local Deep Research se mantiene bajo la organización de GitHub LearningCircuit, que aloja el código fuente activo, los lanzamientos y el seguimiento de incidencias del proyecto.