Principais conclusões
- O Local Deep Research é gratuito e de código aberto; o arquivo LICENSE oficial é MIT
- Executa pesquisas agênticas e multietapas (não uma única chamada de busca e resumo) e produz relatórios com citações às fontes
- Funciona com LLMs locais — Ollama, LM Studio e llama.cpp são back-ends suportados — ou provedores na nuvem (OpenAI, Anthropic Claude, Google Gemini, OpenRouter, Requesty)
- Fontes de busca gratuitas: arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, o Wayback Machine e o The Guardian; opções premium (Tavily, Google via SerpAPI, Brave Search) são opcionais e exigem chaves de API próprias
- Interfaces: uma interface web (
localhost:5000), uma biblioteca Python (quick_query(),LDRClient), uma CLI, uma API REST autenticada e um servidor MCP para Claude Desktop e Claude Code - Bancos de dados criptografados em AES-256 por usuário, sem telemetria, análises ou rastreamento embutidos na própria ferramenta, segundo a documentação do projeto
- Disponível via
pip install local-deep-researchou Docker Compose (que também roda o Ollama e o SearXNG junto) - O repositório no GitHub (github.com/LearningCircuit/local-deep-research) mostra cerca de 9.100 estrelas em setembro de 2026
📍 Em uma frase
O Local Deep Research é um agente de pesquisa com IA gratuito, de código aberto e autohospedado, que executa pesquisas multietapas em fontes acadêmicas e web e produz um relatório citado usando um LLM que você configura, local ou na nuvem.
💬 Em termos simples
Em vez de fazer uma pergunta a um chatbot e receber uma resposta única e não verificada, o Local Deep Research divide uma pergunta de pesquisa em várias etapas, busca em diversas fontes (como arXiv e PubMed para temas acadêmicos, ou a web aberta para temas gerais) e escreve um relatório que cita de onde veio cada afirmação — você pode rodar tudo na sua própria máquina com um modelo local como o Ollama, de modo que a pergunta de pesquisa nunca precisa sair do seu computador.
📌Nota: Esta análise é o complemento aprofundado da entrada do Local Deep Research no Diretório de Software LLM Local — veja essa página para comparar rapidamente com dezenas de outras ferramentas de IA local e autohospedada.
O Que É o Local Deep Research?
O Local Deep Research é uma ferramenta Python para executar pesquisas com IA multietapas e citadas, usando um LLM e fontes de busca que você mesmo configura. Sua própria descrição no GitHub o posiciona como um "assistente de pesquisa com IA" para investigações agênticas e profundas, destacando que ele roda "tudo local e criptografado" quando configurado com modelos locais — uma escolha de design voltada a pesquisadores que querem uma resposta documentada e citada, em vez de uma única resposta de chat não verificada.
- Função principal: um agente que planeja e executa pesquisas multietapas (não uma única consulta), extraindo de fontes acadêmicas e web configuráveis e escrevendo um relatório citado
- Back-ends de LLM: modelos locais via Ollama (endpoint padrão
http://localhost:11434), LM Studio ou llama.cpp; provedores na nuvem OpenAI, Anthropic Claude, Google Gemini, OpenRouter e Requesty também são suportados - Fontes de busca: opções gratuitas incluem arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, o Wayback Machine e o The Guardian; opções premium (Tavily, Google via SerpAPI, Brave Search) exigem chaves de API próprias do usuário
- Licença: MIT, uma licença de código aberto permissiva
- Desenvolvedor/organização: a organização LearningCircuit no GitHub — a base canônica e ativamente mantida do código-fonte, releases e rastreador de issues do projeto
- Interfaces: uma interface web baseada em navegador, uma API Python (classes
quick_query()eLDRClient), uma CLI para benchmarking e automação, uma API REST autenticada, e um servidor MCP para Claude Desktop e Claude Code
Histórico do Projeto e Marcos de Versão do Local Deep Research
O Local Deep Research tem lançado versões continuamente, com o repositório no GitHub mostrando milhares de commits na branch principal até esta análise, adicionando pelo caminho integrações de fontes de busca, um servidor MCP e bancos de dados criptografados por usuário. Os marcos abaixo vêm da atividade pública do repositório do projeto — consulte o repositório GitHub diretamente para o histórico completo e atual.
- 1Motor de pesquisa multietapas central e CLI
Why it matters: O laço de pesquisa agêntica fundamental — planejar uma consulta, buscar em várias fontes e sintetizar uma resposta citada — em vez de uma única chamada de busca e resumo. - 2Integrações de fontes de busca acadêmicas e web gratuitas (arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, Wayback Machine, The Guardian)
Why it matters: Dá ao agente acesso a literatura acadêmica citável e fontes web gerais sem exigir uma API de busca paga. - 3Suporte a back-ends de LLM locais (Ollama, LM Studio, llama.cpp)
Why it matters: Permite que todo o laço de pesquisa — planejamento, busca e geração de relatório — rode em um modelo no seu próprio hardware, sem nenhuma consulta de pesquisa enviada a terceiros. - 4Implantação via Docker Compose com Ollama e SearXNG incluídos
Why it matters: Simplifica a autohospedagem ao subir o servidor de modelo local e um mecanismo de busca autohospedado (SearXNG) junto com o agente de pesquisa em um único comando `docker compose up -d`. - 5Bancos de dados criptografados em AES-256 por usuário
Why it matters: Adiciona criptografia no nível do banco de dados por usuário para histórico e resultados de pesquisa, relevante para quem autohospeda o Local Deep Research para múltiplos usuários. - 6Servidor MCP para Claude Desktop e Claude Code
Why it matters: Permite que o Local Deep Research atue como uma ferramenta dentro do Claude Desktop ou Claude Code via Model Context Protocol, em vez de apenas como uma interface web ou CLI independente. - 7v1.10.3 — Exigência de fixação da URL da instância SearXNG
Why it matters: A partir desta versão, usar os mecanismos de busca localhost do SearXNG exige fixar a URL da instância na configuração — documentado em `docs/SearXNG-Setup.md` do projeto, a mudança mais recente específica de versão que esta análise conseguiu verificar.
O Que Você Pode Fazer Com o Local Deep Research?
O conjunto de recursos do Local Deep Research é centrado em transformar uma pergunta de pesquisa em uma investigação citada e multietapas, com suporte a modelos locais como opção de primeira classe, não como algo secundário. Veja o que cada parte realmente faz, segundo o próprio README no GitHub do projeto.
- Modos de pesquisa — resumos rápidos para uma visão geral veloz, pesquisa detalhada para uma investigação mais profunda com várias fontes, geração de relatório completo e análise de documentos sobre arquivos que você fornece
- Busca agêntica multietapas — o agente planeja uma abordagem de pesquisa, consulta várias fontes configuradas e sintetiza os achados em um relatório com citações a cada fonte, em vez de retornar uma única resposta de chat não verificada
- Suporte a LLM local — rode todo o pipeline de pesquisa e escrita em um modelo local via Ollama (padrão
http://localhost:11434), LM Studio (http://localhost:1234/v1) ou llama.cpp (http://localhost:8080/v1), de modo que a pergunta de pesquisa e os resultados nunca saem da sua máquina - Suporte a LLM na nuvem — conecte OpenAI, Anthropic Claude, Google Gemini, OpenRouter (mais de 100 modelos) ou Requesty (mais de 100 modelos) como alternativa opcional a um modelo local
- Fontes de busca acadêmicas e web — fontes gratuitas incluem arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG (meta-busca autohospedada), GitHub, o Wayback Machine e o The Guardian; fontes premium (Tavily, Google via SerpAPI, Brave Search) exigem chave de API própria do usuário
- Busca em documentos próprios e locais — busque nos seus próprios documentos locais, conecte retrievers do LangChain, ou combine várias fontes em uma configuração de meta-busca
- Assinaturas de notícias — configure resumos de pesquisa automatizados e recorrentes sobre um tema, com um cronograma de entrega personalizável
- API REST, painel de análises e ferramentas de benchmarking — uma API HTTP autenticada com proteção CSRF, um painel para acompanhar execuções de pesquisa e utilitários de benchmarking embutidos para comparar configurações de modelo/busca
- Exportação e integração — exporte relatórios de pesquisa em PDF ou Markdown, e conecte o Local Deep Research ao Claude Desktop ou Claude Code como um servidor MCP
Exemplos de Uso: Três Formas de Usar o Local Deep Research
Estes são fluxos de trabalho concretos construídos a partir dos recursos documentados do Local Deep Research acima — não casos de uso hipotéticos.
Instalar o Local Deep Research
O Local Deep Research é instalado via pip ou Docker Compose — é uma ferramenta Python, não um instalador de desktop assinado. Os comandos e links abaixo vêm do README oficial no GitHub — sempre verifique diretamente nessa página, já que os passos de instalação podem mudar entre releases.
Source | Link |
|---|---|
| Repositório GitHub (código-fonte, MIT) | github.com/LearningCircuit/local-deep-research |
| pip install (depois rode o app web) | pip install local-deep-research e depois python -m local_deep_research.web.app |
| Docker Compose (inclui Ollama + SearXNG) | docker compose up -d, conforme o docker-compose.yml do repositório |
| Documentação de configuração do SearXNG | docs/SearXNG-Setup.md no repositório GitHub |
| Configuração do servidor MCP (Claude Desktop / Claude Code) | Veja a seção MCP do README no GitHub |
O caminho via Docker Compose é a forma mais simples de rodar uma configuração totalmente local, já que sobe o Ollama (LLM local) e o SearXNG (meta-busca autohospedada) junto com o próprio Local Deep Research, com reforço de segurança (cap_drop: ALL, no-new-privileges, execução não-root) aplicado por padrão segundo o repositório. Como em qualquer ferramenta de modelo local, as necessidades reais de hardware dependem do back-end de LLM escolhido — um provedor na nuvem remove o requisito de hardware local, enquanto as necessidades de VRAM/RAM de um modelo local são do próprio modelo, não algo que o Local Deep Research adiciona.
Preços do Local Deep Research: É Realmente Gratuito?
Sim — o Local Deep Research em si não tem nível pago. O repositório GitHub não tem página de preços, e sua licença MIT se aplica a toda a base de código, sem nenhum recurso bloqueado por pagamento. Os custos que você pode de fato ter vêm do provedor de LLM e das fontes de busca que você escolher conectar, não do próprio Local Deep Research.
Software Local Deep Research
- Custo:
- Gratuito, licenciado sob MIT, sem limites de uso impostos pela própria ferramenta
Back-end de LLM local (Ollama, LM Studio, llama.cpp)
- Custo:
- Gratuito — roda no seu próprio hardware, sem custo de API por consulta
Back-end de LLM na nuvem (OpenAI, Anthropic, Gemini, OpenRouter, Requesty)
- Custo:
- Pague o provedor direto pelo uso da API; o Local Deep Research não adiciona margem
Fontes de busca gratuitas (arXiv, PubMed, Wikipedia, SearXNG, GitHub etc.)
- Custo:
- Gratuitas, sem chave de API exigida na maioria dos casos
Uma configuração totalmente local — um modelo local via Ollama mais fontes de busca gratuitas como arXiv, PubMed e SearXNG — pode rodar o Local Deep Research a custo contínuo praticamente zero além do seu próprio hardware e energia elétrica. Adicionar LLM na nuvem ou provedores de busca premium introduz custos por uso desses provedores, totalmente separados da base de código gratuita e licenciada sob MIT do próprio Local Deep Research.
Local Deep Research vs. Vane
O Local Deep Research e o Vane (antes Perplexica) são ambos alternativas autohospedadas e de código aberto a produtos de busca de IA fechados, mas visam profundidades de pesquisa diferentes. O Vane é feito para responder uma pergunta rapidamente com uma resposta citada ao estilo Perplexity; o Local Deep Research é feito para investigações mais profundas e multietapas, que podem levar significativamente mais tempo, mas cobrem mais terreno.
Caso de uso principal
- Local Deep Research:
- Relatórios de pesquisa multietapas e profundos com citações
- Vane:
- Respostas rápidas ao estilo Perplexity, com citações
Fontes acadêmicas
- Local Deep Research:
- arXiv, PubMed, Semantic Scholar embutidos
- Vane:
- Veja a análise dedicada do Vane para sua lista de fontes
Suporte a LLM local
- Local Deep Research:
- Ollama, LM Studio, llama.cpp
- Vane:
- Veja a análise dedicada do Vane para seus back-ends suportados
Interfaces
- Local Deep Research:
- Interface web, biblioteca Python, CLI, API REST, servidor MCP
- Vane:
- Veja a análise dedicada do Vane para suas opções de interface
Licença
- Local Deep Research:
- MIT
- Vane:
- Veja a análise dedicada do Vane para detalhes de licença atuais
Profundidade do relatório
- Local Deep Research:
- Relatórios multietapas, modos de resumo rápido a relatório completo
- Vane:
- Respostas de turno único ou conversacionais, sem modo dedicado de relatório multietapas
Se sua principal necessidade é uma resposta rápida e citada a uma pergunta específica enquanto navega — um substituto autohospedado do Perplexity — o Vane atende diretamente esse caso de uso; veja a análise completa do Vane. Se sua principal necessidade é um relatório de pesquisa mais longo e com várias fontes que você pode exportar e citar, o design mais profundo e multietapas do Local Deep Research se encaixa melhor.
Quem Deveria Usar o Local Deep Research?
Se o Local Deep Research se encaixa para você depende de você precisar genuinamente de resultados de pesquisa multietapas e citados, e se sentir confortável em rodar uma ferramenta Python com seu próprio back-end de LLM configurado.
Local Deep Research vs. Outras Ferramentas de Pesquisa e Agentes
O Local Deep Research está em uma categoria mais ampla de ferramentas autohospedadas para busca assistida por IA e fluxos de trabalho de pesquisa/agentes autônomos. Veja como ele se compara a outras opções nesse espaço — consulte o Diretório de Software LLM Local para o catálogo completo, e a comparação dedicada Local Deep Research vs. Vane acima para o confronto mais direto.
- Vane (antes Perplexica) — um motor de resposta com IA autohospedado ao estilo Perplexity, feito para busca citada rápida e de turno único, em vez de relatórios profundos multietapas; veja a seção de comparação dedicada acima e a análise do Vane para todos os detalhes.
- Onyx (antes Danswer) — uma plataforma empresarial autohospedada de busca e RAG feita para consultar os próprios documentos e conectores internos de uma organização, um caso de uso diferente do foco acadêmico/web do Local Deep Research; veja a análise do Onyx.
- Agent Zero — uma estrutura de agente autônomo de propósito geral capaz de pesquisa entre muitos outros tipos de tarefa, mais ampla em escopo, mas não especializada em pesquisa acadêmica citada como o Local Deep Research; veja a análise do Agent Zero.
- BabyAGI — uma estrutura de agente autônomo de gerenciamento de tarefas influente e pioneira; um contexto útil sobre como os laços de pesquisa agêntica evoluíram, embora menos especializada em resultados de pesquisa citados do que o Local Deep Research; veja a análise do BabyAGI.
Erros Comuns ao Avaliar o Local Deep Research
A maior parte da confusão sobre o Local Deep Research vem de supor que ele funciona como um chatbot de pergunta única, entender mal quais partes do pipeline realmente rodam localmente, ou superestimar seus números de benchmark reportados como universais.
Perguntas frequentes
O que é o Local Deep Research?
O Local Deep Research (código-fonte em github.com/LearningCircuit/local-deep-research) é uma ferramenta Python gratuita e de código aberto que executa pesquisas agênticas e multietapas em fontes acadêmicas e web, produzindo um relatório citado usando um LLM que você configura, local ou na nuvem.
O Local Deep Research é gratuito?
Sim. A própria ferramenta é gratuita e licenciada sob MIT, sem página de preços e sem nível pago. Se você conectar um provedor de LLM na nuvem ou uma API de busca premium, paga esse provedor diretamente — o Local Deep Research não adiciona margem.
O Local Deep Research é de código aberto? Qual licença ele usa?
Sim, é de código aberto sob a licença MIT, confirmado pelo arquivo LICENSE no repositório do GitHub.
O Local Deep Research pode rodar totalmente offline / totalmente local?
Sim, se configurado dessa forma. Usar um back-end de LLM local (Ollama, LM Studio ou llama.cpp) mais fontes gratuitas como arXiv, PubMed, Wikipedia e uma instância SearXNG autohospedada mantém o pipeline de pesquisa e geração no seu próprio hardware. Requisições públicas de busca a fontes como arXiv ou Wikipedia ainda saem da sua máquina para alcançar esses serviços públicos, o que é uma consideração separada de saber se sua inferência de LLM é local.
Como instalo o Local Deep Research?
Instale via pip install local-deep-research e rode python -m local_deep_research.web.app, ou use docker compose up -d com o arquivo Docker Compose do repositório, que também sobe o Ollama e o SearXNG junto com o app.
Quais provedores de LLM o Local Deep Research suporta?
Back-ends locais: Ollama, LM Studio e llama.cpp. Provedores na nuvem: OpenAI, Anthropic Claude, Google Gemini, OpenRouter (mais de 100 modelos) e Requesty (mais de 100 modelos), além de endpoints customizados compatíveis com OpenAI e Anthropic.
Quais fontes de busca o Local Deep Research usa?
Fontes gratuitas incluem arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, o Wayback Machine e o The Guardian. Fontes premium e opcionais incluem Tavily, Google (via SerpAPI) e Brave Search, cada uma exigindo chave de API própria do usuário.
O Local Deep Research tem API ou suporte a MCP?
Sim. Oferece uma API REST autenticada com proteção CSRF, uma biblioteca Python (quick_query(), LDRClient) e um servidor MCP para integração com Claude Desktop e Claude Code.
Como o Local Deep Research é diferente do Vane (antes Perplexica)?
O Vane é feito para respostas citadas rápidas e de turno único, ao estilo Perplexity. O Local Deep Research é feito para pesquisas mais profundas e multietapas, com modos de pesquisa dedicados (de resumo rápido a relatório completo) e fontes acadêmicas embutidas como arXiv e PubMed — veja a seção de comparação dedicada acima.
Quem desenvolve o Local Deep Research?
O Local Deep Research é mantido pela organização LearningCircuit no GitHub, que hospeda o código-fonte ativo, os releases e o rastreador de issues do projeto.