Points clés
- Local Deep Research est gratuit et open source ; le fichier LICENSE officiel est MIT
- Exécute une recherche agentique multi-étapes (pas un seul appel de recherche-et-résumé) et produit des rapports avec des citations vers les sources
- Fonctionne avec des LLM locaux — Ollama, LM Studio et llama.cpp sont des backends pris en charge — ou des fournisseurs cloud (OpenAI, Anthropic Claude, Google Gemini, OpenRouter, Requesty)
- Sources de recherche gratuites : arXiv, PubMed, Semantic Scholar, Wikipédia, SearXNG, GitHub, la Wayback Machine et The Guardian ; les options premium (Tavily, Google via SerpAPI, Brave Search) sont facultatives et nécessitent leurs propres clés API
- Interfaces : une interface web (
localhost:5000), une bibliothèque Python (quick_query(),LDRClient), une CLI, une API REST authentifiée et un serveur MCP pour Claude Desktop et Claude Code - Bases de données chiffrées AES-256 par utilisateur, sans télémétrie, analytique ni traçage intégré à l'outil lui-même, selon la documentation du projet
- Disponible via
pip install local-deep-researchou Docker Compose (qui exécute aussi Ollama et SearXNG en parallèle) - Le dépôt GitHub (github.com/LearningCircuit/local-deep-research) affiche environ 9 100 étoiles en septembre 2026
📍 En une phrase
Local Deep Research est un agent de recherche IA gratuit, open source et auto-hébergé qui exécute une recherche multi-étapes à travers des sources académiques et web et produit un rapport cité à l'aide d'un LLM que vous configurez, local ou cloud.
💬 En termes simples
Plutôt que de poser une seule question à un chatbot et d'obtenir une réponse unique non vérifiée, Local Deep Research décompose une question de recherche en plusieurs étapes, interroge plusieurs sources (comme arXiv et PubMed pour les sujets académiques, ou le web ouvert pour les sujets généraux), et rédige un rapport citant d'où vient chaque affirmation — vous pouvez exécuter le tout sur votre propre machine avec un modèle local comme Ollama, de sorte que la question de recherche elle-même n'a jamais besoin de quitter votre ordinateur.
📌Remarque: Cet avis est le complément approfondi de l'entrée de Local Deep Research dans le Répertoire de logiciels LLM locaux — voir cette page pour comparer l'outil en un coup d'œil à des dizaines d'autres outils IA locaux et auto-hébergés.
Qu'est-ce que Local Deep Research ?
Local Deep Research est un outil Python pour exécuter une recherche IA multi-étapes et citée, en utilisant un LLM et des sources de recherche que vous configurez vous-même. Sa propre description GitHub le positionne comme un « assistant de recherche propulsé par IA » pour des investigations agentiques approfondies, soulignant qu'il fait tourner « tout en local et chiffré » lorsqu'il est configuré avec des modèles locaux — un choix de conception destiné aux chercheurs qui veulent une réponse documentée et citée plutôt qu'une seule réponse de chat non vérifiée.
- Fonction principale : un agent qui planifie et exécute une recherche multi-étapes (pas une seule requête), en puisant dans des sources académiques et web configurables, puis rédige un rapport cité
- Backends LLM : modèles locaux via Ollama (point de terminaison par défaut
http://localhost:11434), LM Studio ou llama.cpp ; les fournisseurs cloud OpenAI, Anthropic Claude, Google Gemini, OpenRouter et Requesty sont aussi pris en charge - Sources de recherche : les options gratuites incluent arXiv, PubMed, Semantic Scholar, Wikipédia, SearXNG, GitHub, la Wayback Machine et The Guardian ; les options premium (Tavily, Google via SerpAPI, Brave Search) nécessitent les propres clés API de l'utilisateur
- Licence : MIT, une licence open source permissive
- Développeur/organisation : l'organisation GitHub LearningCircuit — l'emplacement canonique et activement maintenu du code source, des versions et du suivi des problèmes du projet
- Interfaces : une interface web dans le navigateur, une API Python (classes
quick_query()etLDRClient), une CLI pour le benchmarking et l'automatisation, une API REST authentifiée, et un serveur MCP pour Claude Desktop et Claude Code
Historique du projet Local Deep Research et jalons de versions
Local Deep Research publie en continu, le dépôt GitHub affichant des milliers de commits sur sa branche principale au moment de cet avis, ajoutant au passage des intégrations de sources de recherche, un serveur MCP et des bases de données chiffrées par utilisateur. Les jalons ci-dessous sont tirés de l'activité publique du dépôt du projet — consultez directement le dépôt GitHub pour l'historique complet et à jour.
- 1Moteur de recherche multi-étapes principal et CLI
Why it matters: La boucle de recherche agentique fondamentale — planifier une requête, interroger plusieurs sources et synthétiser une réponse citée — plutôt qu'un seul appel de recherche-et-résumé. - 2Intégrations de sources de recherche académiques et web gratuites (arXiv, PubMed, Semantic Scholar, Wikipédia, SearXNG, GitHub, Wayback Machine, The Guardian)
Why it matters: Donne à l'agent accès à une littérature académique citable et à des sources web générales sans nécessiter d'API de recherche payante. - 3Support de backends LLM locaux (Ollama, LM Studio, llama.cpp)
Why it matters: Permet à toute la boucle de recherche — planification, recherche et génération de rapport — de tourner sur un modèle installé sur votre propre matériel, sans envoyer de requête de recherche à un tiers. - 4Déploiement Docker Compose avec Ollama et SearXNG inclus
Why it matters: Simplifie l'auto-hébergement en démarrant le serveur de modèle local et un moteur de recherche auto-hébergé (SearXNG) aux côtés de l'agent de recherche, en une seule commande `docker compose up -d`. - 5Bases de données chiffrées AES-256 par utilisateur
Why it matters: Ajoute un chiffrement au niveau de la base de données par utilisateur pour l'historique et les résultats de recherche, pertinent pour quiconque auto-héberge Local Deep Research pour plusieurs utilisateurs. - 6Serveur MCP pour Claude Desktop et Claude Code
Why it matters: Permet à Local Deep Research d'agir comme un outil dans Claude Desktop ou Claude Code via le Model Context Protocol, plutôt que seulement comme interface web ou CLI autonome. - 7v1.10.3 — exigence de fixation de l'URL d'instance SearXNG
Why it matters: Depuis cette version, l'utilisation des moteurs de recherche localhost de SearXNG nécessite de fixer l'URL de l'instance dans la configuration — documenté dans le `docs/SearXNG-Setup.md` du projet, le changement le plus récent spécifique à une version que cet avis a pu vérifier.
Que peut-on faire avec Local Deep Research ?
L'ensemble de fonctionnalités de Local Deep Research se concentre sur la transformation d'une question de recherche en une investigation citée et multi-étapes, avec le support des modèles locaux comme option de premier plan plutôt qu'un ajout secondaire. Voici ce que fait réellement chaque partie, selon le README GitHub du projet.
- Modes de recherche — résumés rapides pour un aperçu express, recherche détaillée pour une investigation multi-sources plus approfondie, génération de rapport complet, et analyse de documents sur des fichiers que vous fournissez
- Recherche agentique multi-étapes — l'agent planifie une approche de recherche, interroge plusieurs sources configurées, et synthétise les résultats en un rapport avec des citations vers chaque source, plutôt que de renvoyer une seule réponse de chat non vérifiée
- Support des LLM locaux — exécutez tout le pipeline de recherche et de rédaction sur un modèle local via Ollama (
http://localhost:11434par défaut), LM Studio (http://localhost:1234/v1) ou llama.cpp (http://localhost:8080/v1), afin que la question de recherche et les résultats ne quittent jamais votre machine - Support des LLM cloud — connectez OpenAI, Anthropic Claude, Google Gemini, OpenRouter (plus de 100 modèles) ou Requesty (plus de 100 modèles) comme alternative facultative à un modèle local
- Sources de recherche académiques et web — les sources gratuites incluent arXiv, PubMed, Semantic Scholar, Wikipédia, SearXNG (méta-recherche auto-hébergée), GitHub, la Wayback Machine et The Guardian ; les sources premium (Tavily, Google via SerpAPI, Brave Search) nécessitent la propre clé API de l'utilisateur
- Recherche de documents personnalisée et locale — recherchez dans vos propres documents locaux, connectez des retrievers LangChain, ou combinez plusieurs sources dans une configuration de méta-recherche
- Abonnements d'actualités — configurez des digests de recherche automatisés et récurrents sur un sujet, avec un calendrier de livraison personnalisable
- API REST, tableau de bord analytique et outils de benchmarking — une API HTTP authentifiée avec protection CSRF, un tableau de bord pour suivre les exécutions de recherche, et des utilitaires de benchmarking intégrés pour comparer les configurations de modèle/recherche
- Export et intégration — exportez les rapports de recherche en PDF ou Markdown, et connectez Local Deep Research à Claude Desktop ou Claude Code comme serveur MCP
Exemples d'utilisation : trois façons d'utiliser Local Deep Research
Voici des workflows concrets construits à partir des fonctionnalités documentées de Local Deep Research ci-dessus — pas des cas d'usage hypothétiques.
Installer Local Deep Research
Local Deep Research s'installe via pip ou Docker Compose — c'est un outil Python, pas un installeur desktop signé. Les commandes et liens ci-dessous proviennent du README GitHub officiel — vérifiez toujours directement sur cette page, car les étapes d'installation peuvent changer entre les versions.
Source | Lien |
|---|---|
| Dépôt GitHub (code source, MIT) | github.com/LearningCircuit/local-deep-research |
| Installation pip (puis lancer l'appli web) | pip install local-deep-research puis python -m local_deep_research.web.app |
| Docker Compose (inclut Ollama + SearXNG) | docker compose up -d, selon le docker-compose.yml du dépôt |
| Documentation de configuration SearXNG | docs/SearXNG-Setup.md dans le dépôt GitHub |
| Configuration du serveur MCP (Claude Desktop / Claude Code) | Voir la section MCP du README GitHub |
Le chemin Docker Compose est le moyen le plus simple d'obtenir une configuration entièrement locale opérationnelle, car il démarre Ollama (LLM local) et SearXNG (méta-recherche auto-hébergée) aux côtés de Local Deep Research lui-même, avec un renforcement de sécurité (cap_drop: ALL, no-new-privileges, exécution non-root) appliqué par défaut selon le dépôt. Comme pour tout outil basé sur un modèle local, les besoins matériels réels dépendent du backend LLM choisi — un fournisseur cloud supprime l'exigence matérielle locale, tandis que les besoins en VRAM/RAM d'un modèle local sont propres à ce modèle, pas ajoutés par Local Deep Research.
Tarifs de Local Deep Research : est-ce vraiment gratuit ?
Oui — Local Deep Research lui-même n'a pas de palier payant. Le dépôt GitHub n'a pas de page de tarifs, et sa licence MIT s'applique à l'ensemble du code, sans fonctionnalité verrouillée derrière un paiement. Les coûts que vous pourriez réellement encourir proviennent du fournisseur LLM et des sources de recherche que vous choisissez de connecter, pas de Local Deep Research lui-même.
Logiciel Local Deep Research
- Coût:
- Gratuit, sous licence MIT, aucune limite d'usage imposée par l'outil
Backend LLM local (Ollama, LM Studio, llama.cpp)
- Coût:
- Gratuit — tourne sur votre matériel, aucun coût API par requête
Backend LLM cloud (OpenAI, Anthropic, Gemini, OpenRouter, Requesty)
- Coût:
- Facturé directement par le fournisseur ; Local Deep Research n'ajoute pas de marge
Sources de recherche gratuites (arXiv, PubMed, Wikipédia, SearXNG, GitHub, etc.)
- Coût:
- Gratuites, sans clé API requise pour la plupart
Une configuration entièrement locale — un modèle local via Ollama plus des sources gratuites comme arXiv, PubMed et SearXNG — peut faire tourner Local Deep Research à un coût quasi nul au-delà de votre propre matériel et électricité. Ajouter des fournisseurs LLM cloud ou de recherche premium introduit des coûts à l'usage de ces fournisseurs, totalement distincts du code gratuit sous licence MIT de Local Deep Research.
Local Deep Research vs Vane
Local Deep Research et Vane (anciennement Perplexica) sont tous deux des alternatives open source et auto-hébergées à des produits de recherche IA à code fermé, mais ils ciblent des profondeurs de recherche différentes. Vane est conçu pour répondre rapidement à une question avec une réponse citée façon Perplexity ; Local Deep Research est conçu pour des investigations plus profondes et multi-étapes, qui peuvent prendre nettement plus de temps mais couvrent davantage de terrain.
Cas d'usage principal
- Local Deep Research:
- Rapports de recherche approfondie multi-étapes avec citations
- Vane:
- Réponses rapides façon Perplexity, avec citations
Sources académiques
- Local Deep Research:
- arXiv, PubMed, Semantic Scholar intégrés
- Vane:
- Voir l'avis Vane dédié pour sa liste de sources
Support LLM local
- Local Deep Research:
- Ollama, LM Studio, llama.cpp
- Vane:
- Voir l'avis Vane dédié pour ses backends pris en charge
Interfaces
- Local Deep Research:
- Interface web, bibliothèque Python, CLI, API REST, serveur MCP
- Vane:
- Voir l'avis Vane dédié pour ses options d'interface
Licence
- Local Deep Research:
- MIT
- Vane:
- Voir l'avis Vane dédié pour la licence actuelle
Profondeur des rapports
- Local Deep Research:
- Rapports multi-étapes, modes du résumé rapide au rapport complet
- Vane:
- Réponses en un tour ou conversationnelles, pas de mode rapport dédié
Si votre besoin principal est une réponse rapide et citée à une question précise en navigant — un remplaçant auto-hébergé de Perplexity — Vane convient directement à ce cas d'usage ; voir l'avis Vane complet. Si votre besoin principal est un rapport de recherche plus long et multi-sources que vous pouvez exporter et citer, le design plus profond et multi-étapes de Local Deep Research convient mieux.
Qui devrait utiliser Local Deep Research ?
Le choix de Local Deep Research dépend de si vous avez besoin de rapports de recherche véritablement multi-étapes et cités, et êtes à l'aise pour exécuter un outil Python avec votre propre backend LLM configuré.
Local Deep Research vs autres outils de recherche et d'agents
Local Deep Research se situe dans une catégorie plus large d'outils auto-hébergés pour la recherche assistée par IA et les workflows d'agents/recherche autonomes. Voici comment il se compare à d'autres options dans cet espace — voir le Répertoire de logiciels LLM locaux pour le catalogue complet, et la comparaison dédiée Local Deep Research vs Vane ci-dessus pour le face-à-face le plus proche.
- Vane (anciennement Perplexica) — un moteur de réponse IA auto-hébergé façon Perplexity, conçu pour une recherche citée rapide et en un seul tour plutôt que des rapports approfondis multi-étapes ; voir la section de comparaison dédiée ci-dessus et l'avis Vane pour tous les détails.
- Onyx (anciennement Danswer) — une plateforme de recherche et RAG d'entreprise auto-hébergée, conçue pour interroger les propres documents et connecteurs internes d'une organisation, un cas d'usage différent de la focalisation académique/web de Local Deep Research ; voir l'avis Onyx.
- Agent Zero — un framework d'agent autonome généraliste capable de recherche parmi de nombreux autres types de tâches, plus large en portée mais moins spécialisé en recherche académique citée que Local Deep Research ; voir l'avis Agent Zero.
- BabyAGI — un framework d'agent autonome de gestion de tâches précoce et influent ; un contexte utile sur l'évolution des boucles de recherche agentiques, bien que moins spécialisé pour la recherche citée que Local Deep Research ; voir l'avis BabyAGI.
Erreurs courantes en évaluant Local Deep Research
La plupart des confusions sur Local Deep Research viennent de l'hypothèse qu'il fonctionne comme un chatbot à une seule question, d'une mauvaise compréhension de quelles parties de son pipeline tournent réellement en local, ou d'une surestimation de ses chiffres de benchmark rapportés comme universels.
Questions fréquemment posées
Qu'est-ce que Local Deep Research ?
Local Deep Research (code source sur github.com/LearningCircuit/local-deep-research) est un outil Python gratuit et open source qui exécute une recherche agentique multi-étapes à travers des sources académiques et web et produit un rapport cité à l'aide d'un LLM que vous configurez, local ou cloud.
Local Deep Research est-elle gratuite ?
Oui. L'outil lui-même est gratuit et sous licence MIT, sans page de tarifs ni palier payant. Si vous connectez un fournisseur LLM cloud ou une API de recherche premium, vous payez ce fournisseur directement — Local Deep Research n'ajoute pas de marge.
Local Deep Research est-elle open source ? Quelle licence utilise-t-elle ?
Oui, elle est open source sous licence MIT, confirmée via le fichier LICENSE de son dépôt GitHub.
Local Deep Research peut-elle fonctionner entièrement hors ligne / en local ?
Oui, si elle est configurée ainsi. Utiliser un backend LLM local (Ollama, LM Studio ou llama.cpp) avec des sources gratuites comme arXiv, PubMed, Wikipédia et une instance SearXNG auto-hébergée garde le pipeline de recherche et de génération sur votre propre matériel. Les requêtes de recherche publiques vers des sources comme arXiv ou Wikipédia quittent tout de même votre machine pour atteindre ces services publics, ce qui est une considération distincte de la localité de votre inférence LLM.
Comment installer Local Deep Research ?
Installez via pip install local-deep-research puis lancez python -m local_deep_research.web.app, ou utilisez docker compose up -d avec le fichier Docker Compose du dépôt, qui démarre aussi Ollama et SearXNG aux côtés de l'application.
Quels fournisseurs LLM Local Deep Research prend-elle en charge ?
Backends locaux : Ollama, LM Studio et llama.cpp. Fournisseurs cloud : OpenAI, Anthropic Claude, Google Gemini, OpenRouter (plus de 100 modèles) et Requesty (plus de 100 modèles), plus des points de terminaison personnalisés compatibles OpenAI et Anthropic.
Quelles sources de recherche Local Deep Research utilise-t-elle ?
Les sources gratuites incluent arXiv, PubMed, Semantic Scholar, Wikipédia, SearXNG, GitHub, la Wayback Machine et The Guardian. Les sources premium facultatives incluent Tavily, Google (via SerpAPI) et Brave Search, chacune nécessitant la propre clé API de l'utilisateur.
Local Deep Research dispose-t-elle d'une API ou d'un support MCP ?
Oui. Elle propose une API REST authentifiée avec protection CSRF, une bibliothèque Python (quick_query(), LDRClient), et un serveur MCP pour l'intégration avec Claude Desktop et Claude Code.
En quoi Local Deep Research diffère-t-elle de Vane (anciennement Perplexica) ?
Vane est conçu pour des réponses citées rapides, en un seul tour, façon Perplexity. Local Deep Research est conçu pour une recherche plus profonde et multi-étapes avec des modes de recherche dédiés (du résumé rapide au rapport complet) et des sources académiques intégrées comme arXiv et PubMed — voir la section de comparaison dédiée ci-dessus.
Qui développe Local Deep Research ?
Local Deep Research est maintenu sous l'organisation GitHub LearningCircuit, qui héberge le code source actif, les versions et le suivi des problèmes du projet.