Local Deep Research 是什么?
Local Deep Research 是一款 Python 工具,用于运行多步骤、带引用来源的 AI 研究,使用的 LLM 和搜索来源都由你自行配置。 其自身的 GitHub 项目简介 将其定位为面向深度、代理式调查的"AI 驱动研究助手",并强调当配置为使用本地模型时,它能实现"完全本地且加密"运行——这一设计选择面向那些希望获得有据可查、注明来源的答案,而非单一未经核实的聊天回复的研究者。
- 核心功能:一个能规划并执行多步骤研究(而非单次查询)的代理,从可配置的学术与网络来源中检索信息,并撰写带引用来源的报告
- LLM 后端:通过 Ollama(默认端点
http://localhost:11434)、LM Studio 或 llama.cpp 使用本地模型;也支持云端提供方 OpenAI、Anthropic Claude、Google Gemini、OpenRouter 和 Requesty - 搜索来源:免费选项包括 arXiv、PubMed、Semantic Scholar、维基百科、SearXNG、GitHub、Wayback Machine 和 The Guardian;高级选项(Tavily、通过 SerpAPI 的 Google、Brave Search)需要用户自己的 API 密钥
- 许可证:MIT,一种宽松的开源许可
- 开发者/组织:LearningCircuit GitHub 组织——该项目源代码、发布版本与问题追踪的权威、持续维护的主页
- 接口:基于浏览器的 Web 界面、Python API(
quick_query()和LDRClient类)、用于基准测试与自动化的命令行工具、经身份验证的 REST API,以及面向 Claude Desktop 和 Claude Code 的 MCP 服务器
Local Deep Research 的项目历史与版本里程碑
截至本评测撰写时,GitHub 仓库主分支显示已有数千次提交,表明 Local Deep Research 一直在持续发布更新,陆续加入了搜索来源集成、MCP 服务器,以及按用户加密的数据库等功能。以下里程碑基于该项目公开仓库的活动记录整理——完整、最新的历史请直接查看 GitHub 仓库。
- 1核心多步骤研究引擎与命令行工具
Why it matters: 这是基础性的代理式研究循环——规划查询、搜索多个来源、综合生成带引用来源的答案——而不是一次搜索-总结调用。 - 2免费的学术与网络搜索来源集成(arXiv、PubMed、Semantic Scholar、维基百科、SearXNG、GitHub、Wayback Machine、The Guardian)
Why it matters: 让代理无需付费搜索 API 即可访问可引用的学术文献和一般网络来源。 - 3支持本地 LLM 后端(Ollama、LM Studio、llama.cpp)
Why it matters: 让整个研究流程——规划、搜索和报告生成——都可以运行在你自己的硬件上的模型之上,不会有研究查询发送给第三方。 - 4内置 Ollama 和 SearXNG 的 Docker Compose 部署方式
Why it matters: 通过一条 `docker compose up -d` 命令,在启动研究代理的同时一并启动本地模型服务(Ollama)和自托管搜索引擎(SearXNG),简化了自托管流程。 - 5按用户加密的 AES-256 数据库
Why it matters: 为研究历史和结果新增了按用户数据库级别的加密,对为多个用户自托管 Local Deep Research 的场景尤其重要。 - 6面向 Claude Desktop 和 Claude Code 的 MCP 服务器
Why it matters: 让 Local Deep Research 可以通过模型上下文协议,作为 Claude Desktop 或 Claude Code 内部的一个工具使用,而不只是作为独立的 Web 界面或命令行工具。 - 7v1.10.3 —— 要求固定 SearXNG 实例 URL
Why it matters: 从该版本起,使用 SearXNG 的本地搜索引擎需要在配置中固定实例 URL——记录在项目的 `docs/SearXNG-Setup.md` 中,是本评测能核实到的最新版本相关变更。
用 Local Deep Research 能做什么?
Local Deep Research 的功能核心是把一个研究问题转化为多步骤、带引用来源的调查过程,并将本地模型支持作为一等选项,而非事后补充。以下是根据该项目自身 GitHub README 整理的具体功能说明。
- 研究模式——快速摘要用于快速概览,详细研究用于更深入的多来源调查,完整报告生成,以及针对你提供的文件的文档分析
- 多步骤代理式搜索——代理会规划研究方案,查询多个已配置来源,并将结果综合为一份带来源引用的报告,而不是返回一个未经核实的单一聊天回答
- 本地 LLM 支持——通过 Ollama(默认
http://localhost:11434)、LM Studio(http://localhost:1234/v1)或 llama.cpp(http://localhost:8080/v1)在本地模型上运行整个研究与写作流程,让研究问题和结果都不离开你的机器 - 云端 LLM 支持——可连接 OpenAI、Anthropic Claude、Google Gemini、OpenRouter(100 多种模型)或 Requesty(100 多种模型),作为本地模型的可选替代方案
- 学术与网络搜索来源——免费来源包括 arXiv、PubMed、Semantic Scholar、维基百科、SearXNG(自托管的元搜索引擎)、GitHub、Wayback Machine 和 The Guardian;高级来源(Tavily、通过 SerpAPI 的 Google、Brave Search)需要用户自己的 API 密钥
- 自定义与本地文档搜索——搜索你自己的本地文档,连接 LangChain 检索器,或在元搜索配置中组合多个来源
- 新闻订阅——为某个主题设置自动化的定期研究摘要,并可自定义投递计划
- REST API、分析仪表盘与基准测试工具——带 CSRF 防护的经身份验证 HTTP API、用于追踪研究运行情况的仪表盘,以及用于比较模型/搜索配置的内置基准测试工具
- 导出与集成——将研究报告导出为 PDF 或 Markdown,并可将 Local Deep Research 作为 MCP 服务器连接到 Claude Desktop 或 Claude Code
使用示例:三种使用 Local Deep Research 的方式
以下是基于 Local Deep Research 上述已记录功能构建的具体工作流程——而非假设性用例。
运行一次完全本地、带引用来源的文献综述
通过 pip install local-deep-research 安装,将 Ollama 配置为 LLM 后端,并启用 arXiv、PubMed 和 Semantic Scholar 等免费学术来源。在 localhost:5000 的 Web 界面中提交一个研究问题,让代理规划多步骤搜索、检索相关论文,并生成一份注明每个来源的报告——由于所用的模型和涉及的来源(除公开搜索请求本身之外)都运行在本地,因此没有研究查询或检索到的内容被发送给第三方 API。
通过 Python 脚本以编程方式查询 Local Deep Research
使用 Python 库的 quick_query() 函数或 LDRClient 类,直接从脚本中提交研究问题,而不使用 Web 界面。这适用于自动化流水线——例如,作为更大的数据处理任务的一部分生成研究报告,或通过新闻订阅功能安排定期查询。
在 Claude Desktop 或 Claude Code 中将 Local Deep Research 用作 MCP 工具
配置 Local Deep Research 的 MCP 服务器,并将其连接到 Claude Desktop 或 Claude Code。这样你就可以在 Claude 对话中直接以工具调用的方式发起深度、多步骤、带引用来源的研究,而不必为每个研究问题都切换到 Local Deep Research 自己的 Web 界面。
安装 Local Deep Research
Local Deep Research 通过 pip 或 Docker Compose 安装——它是一款 Python 工具,而不是带签名的桌面安装包。 以下命令和链接均来自官方 GitHub README——由于安装步骤可能随版本更新而变化,请始终以该页面为准进行核实。
Source | Link |
|---|---|
| GitHub 仓库(源代码,MIT) | github.com/LearningCircuit/local-deep-research |
| pip 安装(随后运行 Web 应用) | pip install local-deep-research,然后运行 python -m local_deep_research.web.app |
| Docker Compose(内置 Ollama + SearXNG) | docker compose up -d,依据仓库中的 docker-compose.yml |
| SearXNG 配置文档 | GitHub 仓库中的 docs/SearXNG-Setup.md |
| MCP 服务器配置(Claude Desktop / Claude Code) | 参见 GitHub README 中的 MCP 章节 |
Docker Compose 是搭建完全本地环境最简单的方式,因为它会在启动 Local Deep Research 本身的同时,一并启动 Ollama(本地 LLM)和 SearXNG(自托管元搜索),并根据仓库配置默认应用安全加固措施(cap_drop: ALL、no-new-privileges、非 root 运行)。与任何本地模型工具一样,实际硬件需求取决于你选择的 LLM 后端——使用云端提供方可以去除本地硬件要求,而本地模型的 VRAM/RAM 需求则完全取决于该模型本身,而非 Local Deep Research 额外增加的负担。
Local Deep Research 定价:真的免费吗?
是的——Local Deep Research 本身没有付费套餐。 GitHub 仓库 没有定价页面,其 MIT 许可证 适用于整个代码库,没有任何功能被付费锁定。你可能实际产生的费用来自你选择连接的 LLM 提供方和搜索来源,而不是 Local Deep Research 本身。
Local Deep Research 软件本身
- Cost:
- 免费,MIT 许可,工具本身不施加任何使用限制
本地 LLM 后端(Ollama、LM Studio、llama.cpp)
- Cost:
- 免费——运行在你自己的硬件上,没有按查询计费的 API 成本
云端 LLM 后端(OpenAI、Anthropic、Gemini、OpenRouter、Requesty)
- Cost:
- 直接向提供方支付 API 使用费;Local Deep Research 不额外加价
免费搜索来源(arXiv、PubMed、维基百科、SearXNG、GitHub 等)
- Cost:
- 免费,其中大多数无需 API 密钥
高级搜索来源(Tavily、SerpAPI/Google、Brave Search)
- Cost:
- 直接向提供方支付 API 使用费——这些是可选项,并非使用本工具的必需条件
完全本地的配置——本地模型(通过 Ollama)搭配 arXiv、PubMed、SearXNG 等免费搜索来源——可以让 Local Deep Research 在除自身硬件和电费之外,基本零额外成本地运行。加入云端 LLM 或高级搜索提供方,会产生来自这些提供方的按使用量计费成本,与 Local Deep Research 本身完全免费、MIT 许可的代码库是完全独立的两件事。
Local Deep Research 对比 Vane
Local Deep Research 和 Vane(原名 Perplexica)都是面向闭源 AI 搜索产品的自托管开源替代品,但两者面向的研究深度不同。Vane 的定位是以 Perplexity 风格,快速给出带引用来源的回答;Local Deep Research 的定位则是进行更深入的多步骤调查,耗时可能明显更长,但覆盖面更广。
主要用途
- Local Deep Research:
- 多步骤、带引用来源的深度研究报告
- Vane:
- 快速的 Perplexity 风格带引用回答
学术来源
- Local Deep Research:
- 内置 arXiv、PubMed、Semantic Scholar
- Vane:
- 具体来源列表见 Vane 专门评测
本地 LLM 支持
- Local Deep Research:
- Ollama、LM Studio、llama.cpp
- Vane:
- 支持的后端见 Vane 专门评测
接口
- Local Deep Research:
- Web 界面、Python 库、命令行工具、REST API、MCP 服务器
- Vane:
- 接口选项见 Vane 专门评测
许可证
- Local Deep Research:
- MIT
- Vane:
- 当前许可证详情见 Vane 专门评测
报告深度
- Local Deep Research:
- 多步骤报告,研究模式从快速摘要到完整报告
- Vane:
- 单轮或对话式回答,没有专门的多步骤报告模式
如果你的主要需求是在浏览时对某个具体问题获得快速、带引用来源的回答——即一个自托管的 Perplexity 替代品——Vane 更适合这一用例;详见完整的 Vane 评测。如果你的主要需求是一份可以导出并引用的、更长的多来源研究报告,Local Deep Research 更深入的多步骤设计更合适。
谁适合使用 Local Deep Research?
Local Deep Research 是否适合你,取决于你是否真的需要多步骤、带引用来源的研究输出,并且愿意在自己配置的 LLM 后端上运行一款 Python 工具。
适合使用 Local Deep Research 的情况
- 你需要多步骤、带引用来源的研究报告,而不只是一次聊天回答,并且希望在自己掌控的基础设施上运行这一流程
- 你希望能够将整个流程(包括 LLM 本身)完全本地化,通过 Ollama、LM Studio 或 llama.cpp 运行
- 你所做的研究能从自动查询 arXiv、PubMed、Semantic Scholar 等学术来源中受益
- 你希望把深度研究能力以编程方式集成——通过 Python 库、REST API,或作为 Claude Desktop/Claude Code 内的 MCP 服务器——而不只是通过独立的 Web 界面
- 相比一键式桌面安装程序,你更能接受
pip install/ Docker Compose 这类配置方式
需要观望或考虑其他方案的情况
- 你想要的是快速的单轮带引用回答,而不是更长的多步骤报告——参见上文对比中的 Vane
- 你不太熟悉 Python 包安装、Docker 或自行配置 LLM 后端——这是一款面向开发者/研究人员的工具,而不是打磨精致的消费级应用
- 你需要的是超出研究范畴的通用型自主代理(浏览、编程、多工具工作流)——参见下文竞品部分中的 Agent Zero 或 BabyAGI
- 你需要为面向用户的生产环境提供低延迟且有保证的响应——按设计,深度多步骤研究运行所需的时间会明显长于单次 LLM 调用
Local Deep Research 对比其他研究与代理工具
Local Deep Research 属于自托管的 AI 辅助搜索与自主研究/代理工作流这一更广泛类别中的一员。以下是它在这一领域中与其他方案的对比——完整目录见 本地 LLM 软件目录,而与它最直接对标的方案请参见上文专门的 Local Deep Research vs. Vane 对比。
- Vane(原名 Perplexica)——一款自托管、Perplexity 风格的 AI 问答引擎,面向快速、单轮带引用搜索,而非多步骤深度报告;详见上文专门对比部分,以及 Vane 评测 的完整介绍。
- Onyx(原名 Danswer)——一款自托管的企业搜索与 RAG 平台,面向查询组织自身的内部文档与各类连接器,与 Local Deep Research 的学术/网络研究定位不同;详见 Onyx 评测。
- Agent Zero——一个通用型自主代理框架,能处理包括研究在内的多种任务类型,涵盖范围更广,但在带引用来源的学术研究方面不如 Local Deep Research 专精;详见 Agent Zero 评测。
- BabyAGI——一款早期、具有影响力的自主任务管理代理框架;有助于理解代理式研究循环的演进历程,不过在带引用研究输出方面不如 Local Deep Research 专精;详见 BabyAGI 评测。
评估 Local Deep Research 时的常见误区
关于 Local Deep Research 的大多数误解,来自于把它当作单一问答式聊天机器人来预期、误解其流程中哪些部分真正在本地运行,或者把其报告的基准数据当作普遍适用的保证。
误区 1:期待像聊天机器人一样得到单一的快速答案
Local Deep Research 是为多步骤、代理式研究而打造的,而不是一次性的聊天回答。它的研究模式从快速摘要到完整的多来源报告不等——更深入的模式在设计上就会比单次 LLM 调用更慢,因为它们需要查询多个来源并加以综合。如果你想要的是快速的单轮带引用回答,请参见上文对比中的 Vane。
误区 2:不检查 LLM 配置就以为一切默认在本地运行
Local Deep Research 支持通过 Ollama、LM Studio 或 llama.cpp 完全本地运行,但它同样支持云端 LLM 提供方(OpenAI、Anthropic、Gemini、OpenRouter、Requesty)和高级搜索 API(Tavily、SerpAPI、Brave)。某次具体的研究运行是否完全本地,完全取决于你配置了哪种后端和搜索来源——请自行核实配置,而不要想当然地认为默认就是完全离线的。
误区 3:把项目方自称的约 95% SimpleQA 数据当作普遍适用的准确率保证
该项目自己的 README 引用了一个特定的基准结果(SimpleQA 上约 95%),这一结果对应特定的模型和硬件组合。这是项目方自行报告的数字,并未经 PromptQuorum 独立验证,实际准确率很大程度上取决于你在某次具体查询中使用的 LLM、搜索来源和研究模式。
误区 4:跳过 SearXNG 实例 URL 固定这一步骤
从 v1.10.3 起,使用 SearXNG 的本地搜索引擎需要在配置中固定 SearXNG 实例 URL——记录在项目的 docs/SearXNG-Setup.md 中。在自托管 Docker Compose 部署时,跳过这一步是一个已被记录的常见故障原因。
常见问题
Local Deep Research 是什么?
Local Deep Research(源代码见 github.com/LearningCircuit/local-deep-research)是一款免费、开源的 Python 工具,可跨学术与网络来源运行多步骤、代理式研究,并使用你自行配置的 LLM(本地或云端)生成带引用来源的报告。
Local Deep Research 是免费的吗?
是的。该工具本身免费,采用 MIT 许可,没有定价页面,也没有付费套餐。如果你连接了云端 LLM 提供方或高级搜索 API,需要直接向该提供方付费——Local Deep Research 不会额外加价。
Local Deep Research 是开源的吗?使用什么许可证?
是的,它以 MIT 许可开源,可通过其 GitHub 仓库中的 LICENSE 文件 确认。
Local Deep Research 能完全离线/完全本地运行吗?
如果配置得当,可以。使用本地 LLM 后端(Ollama、LM Studio 或 llama.cpp),搭配 arXiv、PubMed、维基百科等免费来源以及自托管的 SearXNG 实例,可以让研究与生成流程都保留在你自己的硬件上。对 arXiv 或维基百科等公开来源发起的搜索请求仍会离开你的机器,以到达这些公开服务——这与你的 LLM 推理是否本地是两个独立的问题。
如何安装 Local Deep Research?
通过 pip install local-deep-research 安装,并运行 python -m local_deep_research.web.app;或者使用仓库中的 Docker Compose 文件,运行 docker compose up -d,该方式还会同时启动 Ollama 和 SearXNG。
Local Deep Research 支持哪些 LLM 提供方?
本地后端:Ollama、LM Studio 和 llama.cpp。云端提供方:OpenAI、Anthropic Claude、Google Gemini、OpenRouter(100 多种模型)和 Requesty(100 多种模型),此外还支持自定义的 OpenAI 兼容和 Anthropic 兼容端点。
Local Deep Research 使用哪些搜索来源?
免费来源包括 arXiv、PubMed、Semantic Scholar、维基百科、SearXNG、GitHub、Wayback Machine 和 The Guardian。高级可选来源包括 Tavily、通过 SerpAPI 的 Google,以及 Brave Search,每个都需要用户自己的 API 密钥。
Local Deep Research 有 API 或 MCP 支持吗?
有。它提供带 CSRF 防护的经身份验证 REST API、Python 库(quick_query()、LDRClient),以及面向 Claude Desktop 和 Claude Code 集成的 MCP 服务器。
Local Deep Research 与 Vane(原 Perplexica)有什么不同?
Vane 面向快速、单轮、Perplexity 风格的带引用回答。Local Deep Research 面向更深入的多步骤研究,提供从快速摘要到完整报告的专门研究模式,并内置 arXiv、PubMed 等学术来源——详见上文专门的对比部分。
Local Deep Research 由谁开发?
Local Deep Research 由 LearningCircuit GitHub 组织维护,该组织托管着该项目当前活跃的源代码、发布版本与问题追踪。