Local Deep Research란 무엇이며 비용은 얼마인가요?

Local Deep Research는 학술 및 웹 출처에 걸쳐 다단계 리서치를 실행하고, 사용자가 설정한 LLM — 로컬(Ollama, llama.cpp) 또는 클라우드(OpenAI, Anthropic, Gemini) — 을 사용해 출처가 명시된 보고서를 생성하는 무료 오픈소스 셀프 호스팅 AI 리서치 에이전트입니다. 유료 티어가 없으며, 유일한 비용은 연결하기로 선택한 LLM 제공업체나 프리미엄 검색 API(Tavily, SerpAPI)뿐입니다.

홈/고급 로컬 LLM/Local Deep Research 리뷰: 셀프 호스팅 출처 명시형 AI 리서치 에이전트

Local AI Agents & Tool Use

Local Deep Research 리뷰: 셀프 호스팅 출처 명시형 AI 리서치 에이전트

최종 업데이트: 2026년 9월 19일·12분 읽기·Hans Kuepper 저 · PromptQuorum 창립자 · 오픈 웨이트·오픈소스 AI 디스커버리 엔진

Local Deep Research는 arXiv, PubMed, Wikipedia, GitHub, 일반 웹 같은 출처에 걸쳐 다단계 리서치를 실행한 뒤, 사용자가 직접 설정한 LLM을 사용해 출처가 명시된 보고서를 생성하는 무료 오픈소스 셀프 호스팅 AI 리서치 에이전트(소스는 github.com/LearningCircuit/local-deep-research)입니다. MIT 라이선스이며 유료 티어가 없습니다 — GitHub 저장소에는 가격 페이지가 없으며, 유일한 비용은 연결하기로 선택한 LLM 제공업체나 검색 API뿐입니다. pip install local-deep-research로 설치되고, Ollama, LM Studio, llama.cpp를 통한 로컬 모델과 작동하며, 클라우드 제공업체(OpenAI, Anthropic, Google Gemini, OpenRouter)와 프리미엄 검색 API(Tavily, SerpAPI, Brave Search)도 선택적 추가 기능으로 지원합니다.

핵심 요점

Local Deep Research는 무료 오픈소스이며, 공식 LICENSE 파일은 MIT입니다
단순한 한 번의 검색·요약 호출이 아니라 다단계 에이전트 리서치를 실행하고, 출처로 다시 연결되는 인용을 포함한 보고서를 생성함
로컬 LLM — Ollama, LM Studio, llama.cpp가 지원되는 백엔드 — 또는 클라우드 제공업체(OpenAI, Anthropic Claude, Google Gemini, OpenRouter, Requesty)와 작동함
무료 검색 출처: arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine, The Guardian. 프리미엄 옵션(Tavily, SerpAPI를 통한 Google, Brave Search)은 선택 사항이며 각자의 API 키가 필요함
인터페이스: 웹 UI(localhost:5000), Python 라이브러리(quick_query(), LDRClient), CLI, 인증된 REST API, 그리고 Claude Desktop과 Claude Code용 MCP 서버
프로젝트 자체 문서에 따르면 사용자별 AES-256 암호화 데이터베이스를 사용하며, 도구 자체에는 텔레메트리, 분석, 추적 기능이 내장되어 있지 않음
pip install local-deep-research 또는 Docker Compose(Ollama와 SearXNG도 함께 실행)로 설치 가능
GitHub 저장소(github.com/LearningCircuit/local-deep-research)는 2026년 9월 기준 약 9,100개의 스타를 기록

📍 한 문장으로

Local Deep Research는 학술 및 웹 출처에 걸쳐 다단계 리서치를 실행하고, 로컬이든 클라우드든 사용자가 설정한 LLM을 사용해 출처가 명시된 보고서를 생성하는 무료 오픈소스 셀프 호스팅 AI 리서치 에이전트입니다.

💬 쉽게 말하면

챗봇에 한 가지 질문을 던지고 검증되지 않은 답 하나를 받는 대신, Local Deep Research는 리서치 질문을 여러 단계로 나누고, 여러 출처(학술 주제라면 arXiv와 PubMed 같은 곳, 일반 주제라면 공개 웹)를 검색한 뒤, 각 주장이 어디서 나왔는지 인용한 보고서를 작성합니다 — Ollama 같은 로컬 모델로 전체 과정을 자신의 컴퓨터에서 실행할 수 있으므로, 리서치 질문 자체가 컴퓨터를 벗어날 필요가 없습니다.

언어 선택:

🇺🇸en 🇩🇪de 🇫🇷fr 🇯🇵ja 🇨🇳zh 🇪🇸es 🇧🇷pt 🇸🇦ar 🇰🇷ko

Local Deep Research(github.com/LearningCircuit/local-deep-research)는 arXiv, PubMed, Wikipedia, 웹 같은 출처를 조회하는 다단계 에이전트 리서치를 실행하고 출처가 명시된 보고서를 생성한 뒤, 사용자가 설정한 LLM — Ollama나 llama.cpp를 통한 로컬 모델, 또는 클라우드 API — 로 결과를 요약하는 무료 오픈소스 Python 도구입니다. pip install local-deep-research로 설치되며, 웹 UI, Python 라이브러리, CLI, HTTP API, 그리고 Claude Desktop 및 Claude Code 통합을 위한 MCP 서버를 제공합니다. 이 리뷰는 이 도구가 실제로 무엇을 하는지, 어떻게 설치하고 설정하는지, 그리고 다른 셀프 호스팅 리서치·검색 에이전트와 어떻게 비교되는지를 다룹니다.

Local Deep Research란 무엇인가?

Local Deep Research는 사용자가 직접 설정한 LLM과 검색 출처를 사용해 다단계의 출처 명시형 AI 리서치를 실행하는 Python 도구입니다. GitHub 설명에서는 깊이 있는 에이전트 조사를 위한 "AI 기반 리서치 어시스턴트"로 소개하며, 로컬 모델로 설정했을 때 "모든 것이 로컬에서 암호화되어" 실행된다는 점을 강조합니다 — 한 번의 검증되지 않은 채팅 응답이 아니라 문서화되고 출처가 명시된 답을 원하는 연구자를 겨냥한 설계 선택입니다.

핵심 기능: 단일 질의가 아니라 다단계 리서치를 계획하고 실행하는 에이전트로, 설정 가능한 학술 및 웹 출처에서 가져온 뒤 출처가 명시된 보고서를 작성함
LLM 백엔드: Ollama(기본 엔드포인트 http://localhost:11434), LM Studio, llama.cpp를 통한 로컬 모델, 그리고 클라우드 제공업체 OpenAI, Anthropic Claude, Google Gemini, OpenRouter, Requesty도 지원됨
검색 출처: 무료 옵션으로는 arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine, The Guardian이 있으며, 프리미엄 옵션(Tavily, SerpAPI를 통한 Google, Brave Search)은 사용자 자신의 API 키가 필요함
라이선스: 관대한 오픈소스 라이선스인 MIT
개발자/조직: LearningCircuit GitHub 조직 — 프로젝트 소스 코드, 릴리스, 이슈 트래커의 정식이자 적극적으로 유지되는 본거지
인터페이스: 브라우저 기반 웹 UI, Python API(quick_query() 및 LDRClient 클래스), 벤치마킹·자동화용 CLI, 인증된 REST API, 그리고 Claude Desktop과 Claude Code용 MCP 서버

Local Deep Research의 프로젝트 히스토리와 버전 마일스톤

Local Deep Research는 이 리뷰 작성 시점 기준 메인 브랜치에 수천 건의 커밋이 있는 GitHub 저장소가 보여주듯 지속적으로 릴리스되어 왔으며, 그 과정에서 검색 출처 통합, MCP 서버, 사용자별 암호화 데이터베이스를 추가했습니다. 아래 마일스톤은 프로젝트의 공개 저장소 활동에서 가져온 것입니다 — 완전하고 최신인 히스토리는 GitHub 저장소에서 직접 확인하세요.

1
핵심 다단계 리서치 엔진 및 CLI
Why it matters: 단순한 한 번의 검색·요약 호출이 아니라, 질의를 계획하고 여러 출처를 검색한 뒤 출처가 명시된 답을 종합하는 기본적인 에이전트 리서치 루프입니다.
2
무료 학술·웹 검색 출처 통합(arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine, The Guardian)
Why it matters: 유료 검색 API 없이도 에이전트가 인용 가능한 학술 문헌과 일반 웹 출처에 접근할 수 있게 합니다.
3
로컬 LLM 백엔드 지원(Ollama, LM Studio, llama.cpp)
Why it matters: 계획, 검색, 보고서 생성을 포함한 전체 리서치 루프를 자신의 하드웨어에 있는 모델로 실행할 수 있게 하며, 리서치 질의가 서드파티로 전송되지 않습니다.
4
Ollama와 SearXNG가 번들된 Docker Compose 배포
Why it matters: 로컬 모델 서버와 셀프 호스팅 검색 엔진(SearXNG)을 리서치 에이전트와 함께 `docker compose up -d` 한 번의 명령으로 띄워 셀프 호스팅을 단순화합니다.
5
사용자별 AES-256 암호화 데이터베이스
Why it matters: 리서치 히스토리와 결과에 대해 사용자별 데이터베이스 수준의 암호화를 추가하며, 여러 사용자를 위해 Local Deep Research를 셀프 호스팅하는 경우 관련성이 있습니다.
6
Claude Desktop 및 Claude Code용 MCP 서버
Why it matters: Model Context Protocol을 통해 Local Deep Research가 독립형 웹 UI나 CLI로서뿐 아니라 Claude Desktop이나 Claude Code 안의 도구로도 작동할 수 있게 합니다.
7
v1.10.3 — SearXNG 인스턴스 URL 고정 요구
Why it matters: 이 버전부터 SearXNG의 localhost 검색 엔진을 사용하려면 설정에서 인스턴스 URL을 고정해야 합니다 — 프로젝트의 `docs/SearXNG-Setup.md`에 문서화되어 있으며, 이 리뷰가 확인할 수 있었던 가장 최근의 버전별 변경 사항입니다.

Local Deep Research로 무엇을 할 수 있는가?

Local Deep Research의 기능은 리서치 질문을 다단계의 출처 명시형 조사로 바꾸는 것을 중심으로 하며, 로컬 모델 지원을 부수적 기능이 아니라 1급 옵션으로 다룹니다. 각 기능이 실제로 무엇을 하는지는 프로젝트 자체의 GitHub README를 기준으로 정리했습니다.

리서치 모드 — 빠른 개요를 위한 간단 요약, 더 깊은 다중 출처 조사를 위한 상세 리서치, 전체 보고서 생성, 그리고 사용자가 제공한 파일에 대한 문서 분석
다단계 에이전트 검색 — 검증되지 않은 채팅 답 하나를 돌려주는 대신, 에이전트가 리서치 접근 방식을 계획하고 여러 설정된 출처를 질의한 뒤 각 출처로 다시 연결되는 인용과 함께 결과를 종합함
로컬 LLM 지원 — Ollama(기본 http://localhost:11434), LM Studio(http://localhost:1234/v1), 또는 llama.cpp(http://localhost:8080/v1)를 통해 전체 리서치·작성 파이프라인을 로컬 모델로 실행할 수 있어, 리서치 질문과 결과가 자신의 컴퓨터를 벗어나지 않음
클라우드 LLM 지원 — 로컬 모델의 선택적 대안으로 OpenAI, Anthropic Claude, Google Gemini, OpenRouter(100개 이상 모델), 또는 Requesty(100개 이상 모델)를 연결
학술·웹 검색 출처 — 무료 출처로는 arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG(셀프 호스팅 메타 검색), GitHub, Wayback Machine, The Guardian이 있으며, 프리미엄 출처(Tavily, SerpAPI를 통한 Google, Brave Search)는 사용자 자신의 API 키가 필요함
커스텀 및 로컬 문서 검색 — 자신의 로컬 문서를 검색하거나, LangChain 리트리버를 연결하거나, 여러 출처를 메타 검색 설정으로 조합
뉴스 구독 — 사용자가 정한 배포 일정에 따라 특정 주제에 대한 자동화된 반복 리서치 다이제스트를 설정
REST API, 분석 대시보드, 벤치마킹 도구 — CSRF 보호를 갖춘 인증된 HTTP API, 리서치 실행을 추적하는 대시보드, 모델/검색 설정을 비교하는 내장 벤치마킹 유틸리티
내보내기 및 통합 — 리서치 보고서를 PDF나 Markdown으로 내보내고, Local Deep Research를 MCP 서버로서 Claude Desktop이나 Claude Code에 연결

사용 예시: Local Deep Research를 활용하는 세 가지 방법

아래는 위에서 설명한 Local Deep Research의 문서화된 기능을 바탕으로 한 구체적인 워크플로이며, 가상의 사용 사례가 아닙니다.

완전히 로컬에서 출처 명시형 문헌 리뷰 실행하기

pip install local-deep-research로 설치하고, Ollama를 LLM 백엔드로 설정한 뒤, arXiv, PubMed, Semantic Scholar 같은 무료 학술 출처를 활성화합니다. localhost:5000의 웹 UI를 통해 리서치 질문을 제출하면, 에이전트가 다단계 검색을 계획하고 관련 논문을 검색해 각 출처를 인용하는 보고서를 생성합니다 — 관련된 모델과 출처(공개 검색 요청 자체를 제외하면)가 모두 로컬에서 실행되므로 리서치 질의나 검색된 콘텐츠가 서드파티 API로 전송되지 않습니다.

Python 스크립트에서 프로그래밍 방식으로 Local Deep Research 질의하기

웹 UI를 사용하는 대신, Python 라이브러리의 quick_query() 함수나 LDRClient 클래스를 사용해 스크립트에서 직접 리서치 질문을 제출합니다. 예를 들어 더 큰 데이터 처리 작업의 일부로 리서치 보고서를 생성하거나 뉴스 구독 기능으로 반복 질의를 예약하는 등, 자동화된 파이프라인에 적합합니다.

Claude Desktop이나 Claude Code 안에서 Local Deep Research를 MCP 도구로 사용하기

Local Deep Research의 MCP 서버를 설정하고 Claude Desktop이나 Claude Code에 연결합니다. 이렇게 하면 매번 리서치 질문마다 Local Deep Research 자체 웹 UI로 전환하는 대신, Claude 대화 안에서 도구 호출로 깊이 있는 다단계 출처 명시형 리서치를 실행할 수 있습니다.

Local Deep Research 설치

Local Deep Research는 pip 또는 Docker Compose로 설치됩니다 — 서명된 데스크톱 설치 프로그램이 아니라 Python 도구입니다. 아래 명령과 링크는 공식 GitHub README에서 가져온 것입니다 — 설치 단계는 릴리스마다 바뀔 수 있으므로 항상 해당 페이지에서 직접 확인하세요.

Source	Link
GitHub 저장소(소스 코드, MIT)	github.com/LearningCircuit/local-deep-research
pip install(이후 웹 앱 실행)	`pip install local-deep-research` 실행 후 `python -m local_deep_research.web.app`
Docker Compose(Ollama + SearXNG 번들)	저장소의 `docker-compose.yml` 기준 `docker compose up -d`
SearXNG 설정 문서	GitHub 저장소의 `docs/SearXNG-Setup.md`
MCP 서버 설정(Claude Desktop / Claude Code)	GitHub README의 MCP 섹션 참고

Docker Compose 경로는 Ollama(로컬 LLM)와 SearXNG(셀프 호스팅 메타 검색)를 Local Deep Research 자체와 함께 띄워주므로, 완전한 로컬 설정을 구축하는 가장 간단한 방법입니다. 저장소 기준으로 기본적으로 보안 강화(cap_drop: ALL, no-new-privileges, 비루트 런타임)가 적용됩니다. 다른 로컬 모델 도구와 마찬가지로 실제 하드웨어 요구 사항은 선택한 LLM 백엔드에 따라 다릅니다 — 클라우드 제공업체는 로컬 하드웨어 요구 사항을 없애지만, 로컬 모델의 VRAM/RAM 요구 사항은 Local Deep Research가 추가하는 것이 아니라 그 모델 자체의 요구 사항입니다.

Local Deep Research 가격: 정말 무료인가?

네 — Local Deep Research 자체에는 유료 티어가 없습니다. GitHub 저장소에는 가격 페이지가 없으며, MIT 라이선스가 전체 코드베이스에 적용되어 결제로 잠긴 기능이 없습니다. 실제로 발생할 수 있는 비용은 Local Deep Research 자체가 아니라 사용자가 연결하기로 선택한 LLM 제공업체와 검색 출처에서 나옵니다.

Local Deep Research 소프트웨어

Cost:: 무료, MIT 라이선스, 도구 자체가 부과하는 사용 제한 없음

로컬 LLM 백엔드(Ollama, LM Studio, llama.cpp)

Cost:: 무료 — 자신의 하드웨어에서 실행, 쿼리당 API 비용 없음

클라우드 LLM 백엔드(OpenAI, Anthropic, Gemini, OpenRouter, Requesty)

Cost:: 해당 제공업체에 API 사용료를 직접 지불함, Local Deep Research는 마크업을 추가하지 않음

무료 검색 출처(arXiv, PubMed, Wikipedia, SearXNG, GitHub 등)

Cost:: 무료, 대부분 API 키 불필요

프리미엄 검색 출처(Tavily, SerpAPI/Google, Brave Search)

Cost:: 해당 제공업체에 API 사용료를 직접 지불함 — 선택 사항이며 도구 사용에 필수는 아님

Ollama를 통한 로컬 모델과 arXiv, PubMed, SearXNG 같은 무료 검색 출처를 조합한 완전한 로컬 설정이라면, 자신의 하드웨어와 전기료를 제외하고 사실상 비용 없이 Local Deep Research를 실행할 수 있습니다. 클라우드 LLM이나 프리미엄 검색 제공업체를 추가하면 해당 제공업체로부터 사용량 기반 비용이 발생하며, 이는 Local Deep Research 자체의 무료 MIT 라이선스 코드베이스와는 완전히 별개입니다.

Local Deep Research vs. Vane

Local Deep Research와 Vane(이전 명칭 Perplexica)은 모두 폐쇄형 AI 검색 제품의 셀프 호스팅 오픈소스 대안이지만, 목표로 하는 리서치 깊이가 다릅니다. Vane은 Perplexity 스타일의 인용이 포함된 답을 빠르게 제공하도록 만들어졌고, Local Deep Research는 시간이 훨씬 더 걸리지만 더 많은 내용을 다루는 더 깊은 다단계 조사를 위해 만들어졌습니다.

주요 사용 사례

Local Deep Research:: 인용을 포함한 다단계 심층 리서치 보고서
Vane:: 인용을 포함한 빠른 Perplexity 스타일 답변

학술 출처

Local Deep Research:: arXiv, PubMed, Semantic Scholar 내장
Vane:: 출처 목록은 전용 Vane 리뷰 참고

로컬 LLM 지원

Local Deep Research:: Ollama, LM Studio, llama.cpp
Vane:: 지원 백엔드는 전용 Vane 리뷰 참고

인터페이스

Local Deep Research:: 웹 UI, Python 라이브러리, CLI, REST API, MCP 서버
Vane:: 인터페이스 옵션은 전용 Vane 리뷰 참고

라이선스

Local Deep Research:: MIT
Vane:: 현재 라이선스 세부 정보는 전용 Vane 리뷰 참고

보고서 깊이

Local Deep Research:: 다단계 보고서, 간단 요약부터 전체 보고서까지의 리서치 모드
Vane:: 단일 턴 또는 대화형 답변, 전용 다단계 보고서 모드 없음

브라우징 중 특정 질문에 대한 빠르고 인용된 답 — 셀프 호스팅 Perplexity 대체재 — 이 주된 필요라면 Vane이 바로 그 용도에 맞습니다. 전체 Vane 리뷰를 참고하세요. 내보내고 인용할 수 있는 더 길고 다중 출처 리서치 보고서가 주된 필요라면, Local Deep Research의 더 깊은 다단계 설계가 더 적합합니다.

디렉터리에서 비교

Local Deep Research는 누구에게 적합한가?

Local Deep Research가 적합한지 여부는 진정한 다단계 출처 명시형 리서치 결과가 필요하고, 직접 설정한 LLM 백엔드를 갖춘 Python 도구를 운영하는 데 익숙한지에 달려 있습니다.

다음과 같다면 Local Deep Research를 사용하세요

단일 채팅 답변이 아니라 다단계 출처 명시형 리서치 보고서가 필요하고, 자신이 관리하는 인프라에서 그 과정을 실행하고 싶은 경우
Ollama, LM Studio, llama.cpp를 통해 LLM을 포함한 전체 파이프라인을 완전히 로컬로 실행하는 옵션을 원하는 경우
arXiv, PubMed, Semantic Scholar 같은 학술 출처가 자동으로 조회되어 도움이 되는 리서치를 수행하는 경우
독립형 웹 UI로만이 아니라 Python 라이브러리, REST API, 또는 Claude Desktop이나 Claude Code 안의 MCP 서버를 통해 프로그래밍 방식 도구로 딥 리서치를 통합하고 싶은 경우
원클릭 데스크톱 설치 프로그램보다 pip install / Docker Compose 설정에 익숙한 경우

다음과 같다면 기다리거나 다른 곳을 찾아보세요

더 긴 다단계 보고서보다 빠른 단일 턴 인용 답변을 원하는 경우 — 해당 사용 사례는 위 비교의 Vane 참고
Python 패키지 설치, Docker, 직접 LLM 백엔드 설정에 익숙하지 않은 경우 — 이는 세련된 소비자 앱이 아니라 개발자/연구자 대상 도구임
리서치를 넘어선 작업(브라우징, 코딩, 멀티 도구 워크플로)을 위한 범용 자율 에이전트가 필요한 경우 — 아래 경쟁 제품 섹션의 Agent Zero나 BabyAGI 참고
프로덕션 사용자 대면 제품을 위한 보장된 저지연 응답이 필요한 경우 — 깊고 다단계인 리서치 실행은 설계상 단일 LLM 호출보다 의미 있게 더 오래 걸릴 수 있음

Local Deep Research vs. 다른 리서치·에이전트 도구

Local Deep Research는 AI 지원 검색과 자율 리서치/에이전트 워크플로를 위한 셀프 호스팅 도구라는 더 넓은 범주에 속합니다. 이 영역의 다른 옵션과 어떻게 비교되는지는 다음과 같습니다 — 전체 목록은 로컬 LLM 소프트웨어 디렉터리를, 가장 가까운 맞대결 비교는 위의 전용 Local Deep Research vs. Vane 비교를 참고하세요.

Vane(이전 명칭 Perplexica) — 다단계 심층 보고서가 아니라 빠른 단일 턴 인용 검색을 위해 만들어진 셀프 호스팅 Perplexity 스타일 AI 답변 엔진 — 위의 전용 비교 섹션과 Vane 리뷰에서 전체 내용을 확인하세요.
Onyx(이전 명칭 Danswer) — 조직 자체의 내부 문서와 커넥터를 조회하도록 만들어진 셀프 호스팅 엔터프라이즈 검색·RAG 플랫폼으로, Local Deep Research의 학술/웹 리서치 초점과는 다른 사용 사례 — Onyx 리뷰를 참고하세요.
Agent Zero — 리서치를 포함한 여러 작업 유형을 처리할 수 있는 범용 자율 에이전트 프레임워크로, 범위는 더 넓지만 Local Deep Research만큼 인용이 명시된 학술 리서치에 특화되어 있지는 않음 — Agent Zero 리뷰를 참고하세요.
BabyAGI — 초기의 영향력 있는 자율 작업 관리 에이전트 프레임워크로, 에이전트 리서치 루프가 어떻게 발전했는지 이해하는 데 유용한 배경이지만 Local Deep Research만큼 인용된 리서치 결과물에 특화되어 있지는 않음 — BabyAGI 리뷰를 참고하세요.

디렉터리에서 비교

Local Deep Research 평가 시 흔한 실수

Local Deep Research에 대한 혼란은 대부분 단일 질문형 챗봇처럼 작동한다고 가정하거나, 파이프라인의 어느 부분이 실제로 로컬에서 실행되는지 오해하거나, 보고된 벤치마크 수치를 보편적인 것으로 과대평가하는 데서 비롯됩니다.

실수 1: 챗봇처럼 빠른 답 하나를 기대하기

Local Deep Research는 단발성 채팅 응답이 아니라 다단계 에이전트 리서치를 위해 만들어졌습니다. 리서치 모드는 간단 요약부터 전체 다중 출처 보고서까지 다양하며, 더 깊은 모드는 여러 출처를 질의하고 종합하기 때문에 의도적으로 단일 LLM 호출보다 느립니다. 빠른 단일 턴 인용 답변을 원한다면 위 비교의 Vane을 참고하세요.

실수 2: LLM 설정을 확인하지 않고 기본적으로 모든 것이 로컬에서 실행된다고 가정하기

Local Deep Research는 Ollama, LM Studio, llama.cpp를 통한 완전한 로컬 운영을 지원하지만, 클라우드 LLM 제공업체(OpenAI, Anthropic, Gemini, OpenRouter, Requesty)와 프리미엄 검색 API(Tavily, SerpAPI, Brave)도 지원합니다. 특정 리서치 실행이 완전히 로컬로 유지되는지는 전적으로 설정한 백엔드와 검색 출처에 달려 있습니다 — 기본값이 완전한 오프라인이라고 가정하지 말고 자신의 설정을 확인하세요.

실수 3: 프로젝트의 약 95% SimpleQA 수치를 보편적인 정확도 보증으로 취급하기

프로젝트 자체 README는 특정 모델과 하드웨어 조합에 묶인 특정 벤치마크 결과(SimpleQA에서 약 95%)를 인용합니다. 이는 프로젝트가 자체 보고한 수치이며 PromptQuorum이 독립적으로 검증한 것이 아니고, 실제 정확도는 특정 질의에 사용하는 LLM, 검색 출처, 리서치 모드에 크게 좌우됩니다.

실수 4: SearXNG 인스턴스 URL 고정 단계 건너뛰기

v1.10.3부터는 SearXNG의 localhost 검색 엔진을 사용하려면 설정에서 SearXNG 인스턴스 URL을 고정해야 합니다 — 프로젝트의 docs/SearXNG-Setup.md에 문서화되어 있습니다. 이 단계를 건너뛰는 것은 Docker Compose 스택을 셀프 호스팅할 때 문서화된 설정 실패의 원인입니다.

자주 묻는 질문

Local Deep Research란 무엇인가요?

Local Deep Research(소스는 github.com/LearningCircuit/local-deep-research)는 학술 및 웹 출처에 걸쳐 다단계 에이전트 리서치를 실행하고, 로컬이든 클라우드든 사용자가 설정한 LLM을 사용해 출처가 명시된 보고서를 생성하는 무료 오픈소스 Python 도구입니다.

Local Deep Research는 무료인가요?

네. 도구 자체는 무료이며 MIT 라이선스이고, 가격 페이지나 유료 티어가 없습니다. 클라우드 LLM 제공업체나 프리미엄 검색 API를 연결하면 해당 제공업체에 직접 비용을 지불합니다 — Local Deep Research는 마크업을 추가하지 않습니다.

Local Deep Research는 오픈소스인가요? 어떤 라이선스를 사용하나요?

네, MIT 라이선스로 오픈소스이며, GitHub 저장소의 LICENSE 파일에서 확인할 수 있습니다.

Local Deep Research는 완전히 오프라인/완전히 로컬로 실행될 수 있나요?

그렇게 설정하면 가능합니다. 로컬 LLM 백엔드(Ollama, LM Studio, llama.cpp)와 arXiv, PubMed, Wikipedia 같은 무료 출처, 그리고 셀프 호스팅 SearXNG 인스턴스를 함께 사용하면 리서치 및 생성 파이프라인을 자신의 하드웨어에 유지할 수 있습니다. arXiv나 Wikipedia 같은 출처로의 공개 검색 요청은 해당 공개 서비스에 도달하기 위해 여전히 자신의 컴퓨터를 벗어나며, 이는 LLM 추론이 로컬인지 여부와는 별개의 사안입니다.

Local Deep Research는 어떻게 설치하나요?

pip install local-deep-research로 설치한 뒤 python -m local_deep_research.web.app을 실행하거나, 저장소의 Docker Compose 파일과 함께 docker compose up -d를 사용하면 Ollama와 SearXNG도 함께 실행됩니다.

Local Deep Research는 어떤 LLM 제공업체를 지원하나요?

로컬 백엔드: Ollama, LM Studio, llama.cpp. 클라우드 제공업체: OpenAI, Anthropic Claude, Google Gemini, OpenRouter(100개 이상 모델), Requesty(100개 이상 모델), 그리고 커스텀 OpenAI 호환 및 Anthropic 호환 엔드포인트도 지원합니다.

Local Deep Research는 어떤 검색 출처를 사용하나요?

무료 출처로는 arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine, The Guardian이 있습니다. 프리미엄 선택 출처로는 Tavily, Google(SerpAPI 경유), Brave Search가 있으며 각각 사용자 자신의 API 키가 필요합니다.

Local Deep Research는 API나 MCP를 지원하나요?

네. CSRF 보호를 갖춘 인증된 REST API, Python 라이브러리(quick_query(), LDRClient), 그리고 Claude Desktop과 Claude Code 통합을 위한 MCP 서버를 제공합니다.

Local Deep Research는 Vane(이전 명칭 Perplexica)과 어떻게 다른가요?

Vane은 빠른 단일 턴 Perplexity 스타일 인용 답변을 위해 만들어졌습니다. Local Deep Research는 간단 요약부터 전체 보고서까지 전용 리서치 모드와 arXiv, PubMed 같은 내장 학술 출처를 갖춘 더 깊은 다단계 리서치를 위해 만들어졌습니다 — 위의 전용 비교 섹션을 참고하세요.

Local Deep Research는 누가 개발하나요?

Local Deep Research는 프로젝트의 활발한 소스 코드, 릴리스, 이슈 트래커를 호스팅하는 LearningCircuit GitHub 조직 아래에서 유지되고 있습니다.

출처

← 고급 로컬 LLM으로 돌아가기