本地深度研究

🚀 什么是本地深度研究？

一款由您掌控的 AI 研究助手。可在本地运行以保护隐私，支持任意大语言模型，并可构建您自己的可搜索知识库。数据完全归您所有，您可以清楚地了解其运作方式。

⚡ 快速入门

选项 1：Docker 运行（Linux）

# 第一步：拉取并运行 Ollama
docker run -d -p 11434:11434 --name ollama ollama/ollama
docker exec ollama ollama pull gpt-oss:20b

# 第二步：拉取并运行 SearXNG 以获得最佳搜索结果
docker run -d -p 8080:8080 --name searxng searxng/searxng

# 第三步：拉取并运行本地深度研究
docker run -d -p 5000:5000 --network host \
  --name local-deep-research \
  --volume "deep-research:/data" \
  -e LDR_DATA_DIR=/data \
  localdeepresearch/local-deep-research

选项 2：Docker Compose

仅 CPU（所有平台）：

curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml && docker compose up -d

配备 NVIDIA GPU（Linux）：

curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml && \
curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.gpu.override.yml && \
docker compose -f docker-compose.yml -f docker-compose.gpu.override.yml up -d

约 30 秒后打开 http://localhost:5000。有关 GPU 设置、环境变量等更多信息，请参阅 Docker Compose 指南。

选项 3：pip 安装

pip install local-deep-research

支持 Windows、macOS 和 Linux。通过预编译的 wheel 包含 SQLCipher 加密功能，无需自行编译。 在 Windows 上导出 PDF 文件需要 Pango（设置指南）。 如果遇到加密问题，可设置 export LDR_BOOTSTRAP_ALLOW_UNENCRYPTED=true，以使用标准 SQLite 替代。

更多安装选项 →

🏗️ 工作原理

研究

您提出一个复杂的问题。LDR：

• 自动为您完成研究
• 横跨网络、学术论文以及您自己的文档进行搜索
• 将所有内容综合成一份带有规范引用的报告

从 20 多种研究策略中选择，以获取快速事实、深入分析或进行学术研究。

新增：LangGraph 代理策略 — 一种自主的代理式研究模式，由大语言模型决定搜索内容、使用哪些专业引擎（如 arXiv、PubMed、Semantic Scholar 等），以及何时进行综合。初步结果令人鼓舞——它会根据所发现的内容自适应地切换搜索引擎，并收集到比基于流水线的策略多得多的资料。在设置中选择 langgraph-agent 即可尝试。

构建您的知识库

flowchart LR
    R[研究] --> D[下载来源]
    D --> L[(图书馆)]
    L --> I[索引与嵌入]
    I --> S[搜索您的文档]
    S -.-> R

每次研究都会找到有价值的资料。您可以直接将其下载到您的加密图书馆中——例如来自 arXiv 的学术论文、PubMed 文章以及网页内容。LDR 会提取文本、建立索引，并使其可搜索。下次研究时，您可以同时查询您自己的文档和实时网络，从而实现知识的不断积累。

🛡️ 安全

flowchart LR
    U1[用户 A] --> D1[(加密数据库)]
    U2[用户 B] --> D2[(加密数据库)]

您的数据始终属于您。每位用户都拥有独立的、采用 AES-256 加密的 SQLCipher 数据库（信号级别的安全性）。由于不提供密码恢复功能，因此实现了真正的零知识保护——即使是服务器管理员也无法读取您的数据。您可以完全在本地运行 LDR，结合 Ollama 和 SearXNG，确保所有数据都不会离开您的设备。

内存中的凭据：如同所有在运行时使用敏感信息的应用程序一样——包括 密码管理器、浏览器和 API 客户端——凭据会在活动会话期间以明文形式存储在进程内存中。这是整个行业普遍接受的事实（参见 OWASP 密钥管理备忘录），并非 LDR 特有的问题：如果攻击者能够读取进程内存，他们同样可以获取任何正在使用的解密密钥。我们通过限制凭据的有效期仅限于当前会话，并排除核心转储文件来降低这一风险。如果您有进一步改进的想法，欢迎随时通过 GitHub Issues 提出。更多详情请参阅我们的 安全策略。

供应链安全：Docker 镜像已使用 Cosign 进行签名，包含 SLSA 来源证明，并附带 SBOM 文件。您可以通过以下命令验证：

cosign verify localdeepresearch/local-deep-research:latest

安全透明度：扫描器抑制规则及其理由均已记录在 安全警报评估、评分卡合规性、容器 CVE 抑制列表以及 SAST 规则依据中。部分警报（如 Dependabot 和代码扫描）只能在 GitHub 安全选项卡中被忽略或难以抑制，因此上述文件并未涵盖所有被忽略的发现。

详细架构 → | 安全策略 → | 安全审查流程 →

🔒 隐私与数据

Local Deep Research 不包含任何遥测、分析或跟踪功能。我们不会收集、传输或存储关于您或您的使用情况的任何数据。没有分析 SDK，没有主动上报，没有崩溃报告，也没有外部脚本。使用指标仅保留在您本地的加密数据库中。

LDR 唯一的网络请求均由 您 主动发起：搜索查询（向您配置的搜索引擎发送）、LLM API 调用（向您选择的服务提供商发送）以及通知（仅当您设置了 Apprise 时才会发送）。

由于我们不收集任何使用数据，因此我们依赖您的反馈来了解哪些功能有效、哪些存在问题，以及您希望未来看到哪些新功能——无论是 错误报告、功能建议，还是您喜欢或从未使用过的功能，这些都能帮助我们不断改进 LDR。

📊 性能

SimpleQA 基准测试准确率约 95%（初步结果）

• 测试环境为 GPT-4.1-mini + SearXNG + 精准迭代策略
• 性能可与最先进的 AI 研究系统相媲美
• 本地模型在适当配置下也能达到类似效果
• 社区基准测试与排行榜 → | 在 Hugging Face 上浏览 →

✨ 核心功能

🔍 研究模式

• 快速摘要：在 30 秒至 3 分钟内获得带有引用的答案
• 详细研究：提供结构化的综合分析结果
• 报告生成：生成包含章节和目录的专业报告
• 文档分析：利用 AI 搜索您的私人文档

🛠️ 高级功能

• LangChain 集成 - 使用任何向量存储作为搜索引擎
• REST API - 带有用户专属数据库的认证 HTTP 访问
• 基准测试 - 测试并优化您的配置
• 分析仪表板 - 跟踪成本、性能和使用指标
• 实时更新 - 支持 WebSocket，可查看研究进度
• 导出选项 - 将结果下载为 PDF 或 Markdown 格式
• 研究历史 - 保存、搜索并重新访问过往的研究记录
• 自适应限流 - 智能重试系统，可学习最佳等待时间
• 键盘快捷键 - 高效导航（ESC、Ctrl+Shift+1-5）
• 用户加密数据库 - 为每位用户提供安全、隔离的数据存储

📰 新闻与研究订阅

• 自动化研究摘要 - 订阅感兴趣的主题，接收由 AI 驱动的研究摘要
• 可定制频率 - 每日、每周或自定义时间表获取研究更新
• 智能过滤 - AI 仅筛选并总结最相关的内容
• 多格式交付 - 可以以 Markdown 报告或结构化摘要的形式接收更新
• 主题与查询支持 - 追踪特定搜索或广泛的研究领域

🌐 搜索引擎

免费搜索引擎

• 学术类: arXiv、PubMed、Semantic Scholar
• 通用类: Wikipedia、SearXNG
• 技术类: GitHub、Elasticsearch
• 历史类: Wayback Machine
• 新闻类: The Guardian、Wikinews

付费搜索引擎

• Tavily - 基于 AI 的搜索引擎
• Google - 通过 SerpAPI 或 Programmable Search Engine
• Brave Search - 注重隐私的网页搜索引擎

自定义来源

• 本地文档 - 使用 AI 搜索您的文件
• LangChain 检索器 - 任何向量存储或数据库
• 元搜索引擎 - 智能整合多个引擎

LDR 会尊重 robots.txt 文件，并在抓取网页时如实声明身份——不使用任何隐身或反检测技术。在极少数情况下，这意味着会被阻止自动访问的页面将不会被抓取，我们认为这是合理的权衡。

完整搜索引擎指南 →

📦 安装选项

对于大多数用户来说，上方的【快速入门】已足够。

方法	适用人群	指南
Docker Compose	多数用户（推荐）	Docker Compose 指南
Docker	极简部署	安装指南
pip	开发者、Python 集成	pip 指南
Unraid	Unraid 服务器	Unraid 指南

所有安装选项 →

💻 使用示例

Python API

from local_deep_research.api import LDRClient, quick_query

# 方案一：最简单——一行代码完成研究
summary = quick_query("username", "password", "什么是量子计算？")
print(summary)

# 方案二：适用于多次操作的客户端
client = LDRClient()
client.login("username", "password")
result = client.quick_research("量子计算领域的最新进展有哪些？")
print(result["summary"])

HTTP API

以下代码示例展示了基本的 API 结构——实际可用的示例请参见下方链接

import requests
from bs4 import BeautifulSoup

# 创建会话并进行认证
session = requests.Session()
login_page = session.get("http://localhost:5000/auth/login")
soup = BeautifulSoup(login_page.text, "html.parser")
login_csrf = soup.find("input", {"name": "csrf_token"}).get("value")

# 登录并获取 API CSRF 令牌
session.post("http://localhost:5000/auth/login",
            data={"username": "user", "password": "pass", "csrf_token": login_csrf})
csrf = session.get("http://localhost:5000/auth/csrf-token").json()["csrf_token"]

# 发送 API 请求
response = session.post("http://localhost:5000/api/start_research",
                       json={"query": "您的研究问题"},
                       headers={"X-CSRF-Token": csrf})

🚀 开箱即用的 HTTP API 示例 → examples/api_usage/http/

• ✅ 自动创建用户——无需额外配置即可使用
• ✅ 完整的认证流程，包含 CSRF 处理
• ✅ 结果重试逻辑——等待研究完成后再返回结果
• ✅ 进度监控和错误处理

命令行工具

# 从命令行运行基准测试
python -m local_deep_research.benchmarks --dataset simpleqa --examples 50

# 管理限流设置
python -m local_deep_research.web_search_engines.rate_limiting status
python -m local_deep_research.web_search_engines.rate_limiting reset

🔗 企业级集成

将 LDR 连接到您现有的知识库：

from local_deep_research.api import quick_summary

# 使用您现有的 LangChain 检索器
result = quick_summary(
    query="我们的部署流程是什么？",
    retrievers={"company_kb": your_retriever},
    search_tool="company_kb"
)

兼容：FAISS、Chroma、Pinecone、Weaviate、Elasticsearch 以及任何与 LangChain 兼容的检索器。

集成指南 →

🔌 MCP 服务器（Claude 集成）

LDR 提供一个 MCP（模型上下文协议）服务器，允许像 Claude Desktop 和 Claude Code 这样的 AI 助手执行深度研究。

⚠️ 安全提示：此 MCP 服务器专为通过 STDIO 传输的本地使用而设计（例如，Claude Desktop）。它没有内置的身份验证或限流机制。请勿将其暴露在公共网络上，除非实施适当的安全控制措施。有关网络部署要求，请参阅 MCP 安全指南。

安装

# 安装时包含 MCP 扩展
pip install "local-deep-research[mcp]"

Claude Desktop 配置

在您的 claude_desktop_config.json 中添加：

{
  "mcpServers": {
    "local-deep-research": {
      "command": "ldr-mcp",
      "env": {
        "LDR_LLM_PROVIDER": "openai",
        "LDR_LLM_OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

Claude Code 配置

在您的 .mcp.json（项目级别）或 ~/.claude/mcp.json（全局级别）中添加：

{
  "mcpServers": {
    "local-deep-research": {
      "command": "ldr-mcp",
      "env": {
        "LDR_LLM_PROVIDER": "ollama",
        "LDR_LLM_OLLAMA_URL": "http://localhost:11434"
      }
    }
  }
}

可用工具

工具	描述	耗时	LLM 成本
search	来自特定引擎的原始搜索结果（arxiv、pubmed、wikipedia 等）	5-30秒	无
quick_research	快速研究摘要	1-5分钟	是
detailed_research	全面分析	5-15分钟	是
generate_report	完整 Markdown 报告	10-30分钟	是
analyze_documents	搜索本地文档库	30秒-2分钟	是
list_search_engines	列出可用的搜索引擎	即时	无
list_strategies	列出研究策略	即时	无
get_configuration	获取当前配置	即时	无

各个搜索引擎

search 工具允许您直接查询特定的搜索引擎并获取原始结果（标题、链接、摘要片段）——无需 LLM 处理，不产生费用，速度极快。这尤其适用于 监控和订阅 场景，您希望定期检查新内容而无需消耗 LLM 的 token。

# 在 arXiv 上搜索近期论文
search(query="transformer 架构改进", engine="arxiv")

# 在 PubMed 上搜索医学文献
search(query="CRISPR 临床试验 2024", engine="pubmed")

# 在 Wikipedia 上搜索快速事实
search(query="量子纠错", engine="wikipedia")

# 在 OpenClaw 上搜索法律判例
search(query="版权合理使用先例", engine="openclaw")

# 使用 list_search_engines() 查看所有可用引擎

使用示例

"使用 quick_research 查找关于量子计算应用的信息"
"在 arxiv 上搜索关于扩散模型的最新论文"
"生成一份关于可再生能源趋势的详细研究报告"

📊 性能与分析

基准测试结果

早期在小型 SimpleQA 数据集样本上的实验：

配置	准确率	备注
gpt-4.1-mini + SearXNG + focused_iteration	90-95%	样本量有限
gpt-4.1-mini + Tavily + focused_iteration	90-95%	样本量有限
gemini-2.0-flash-001 + SearXNG	82%	单次测试运行

注意：这些是初步测试的早期结果。性能会因查询类型、模型版本和配置的不同而显著变化。运行您自己的基准测试 →

完整的社区排行榜： 社区维护着一个不断增长的基准测试结果集合，涵盖不同模型、策略和搜索引擎，并通过 CI 验证提交和自动生成排行榜：

• GitHub: LearningCircuit/ldr-benchmarks — 在这里提交您的结果
• Hugging Face: local-deep-research/ldr-benchmarks — 浏览排行榜并下载 CSV 文件

基准测试贡献者

感谢为基准测试运行做出贡献的社区成员：

查看所有贡献者 →

内置分析仪表板

通过详细的指标跟踪成本、性能和使用情况。了解更多 →

🤖 支持的 LLM

本地模型（通过 Ollama）

• Llama 3、Mistral、Gemma、DeepSeek
• LLM 处理完全在本地进行（搜索请求仍会发送到网络）
• 无 API 费用

云上模型

• OpenAI（GPT-4、GPT-3.5）
• Anthropic（Claude 3）
• Google（Gemini）
• 通过 OpenRouter 支持 100 多种模型

模型设置 →

📚 文档

入门指南

• 安装指南
• 常见问题解答
• API 快速入门
• 配置指南
• 完整配置参考

核心功能

• 所有功能指南
• 搜索引擎指南
• 分析仪表板

进阶功能

• LangChain 集成
• 基准测试系统
• Elasticsearch 设置
• SearXNG 设置

开发相关

• Docker Compose 指南
• 开发指南
• 安全指南
• 发布指南

示例与教程

• API 示例
• 基准测试示例
• 优化示例

📰 特别报道

“Local Deep Research 对于那些重视隐私的人来说值得特别提及……它经过优化，可以使用开源 LLM，在消费级 GPU 甚至 CPU 上运行。记者、研究人员或涉及敏感话题的企业可以在 查询从未触及外部服务器 的情况下进行信息调查。”

— Medium: 开源深度研究 AI 助手

新闻与文章

• Korben.info - 法国科技博客（“数字夏洛克·福尔摩斯”）
• Roboto.fr - “OpenAI Deep Research 的免费开源替代方案”
• KDJingPai AI 工具 - AI 生产力工具专题报道
• AI Sharing Circle - AI 资源专题报道

社区讨论

• Hacker News - 获得 190 多个赞，引发社区讨论
• LangChain Twitter/X - LangChain 官方推广
• LangChain LinkedIn - 获得 400 多个赞

国际报道

🇨🇳 中文

• Juejin (掘金) - 开发者社区
• Cnblogs (博客园) - 开发者博客
• GitHubDaily (Twitter/X) - 有影响力的科技账号
• Zhihu (知乎) - 科技社区
• A姐分享 - AI资源
• CSDN - 安装指南
• NetEase (网易) - 科技新闻门户

🇯🇵 日语

• note.com: 调查革命：Local Deep Research彻底活用法 - 综合教程
• Qiita: Local Deep Researchを试す - Docker设置指南
• LangChainJP (Twitter/X) - 日本LangChain社区

🇰🇷 韩语

• PyTorch Korea Forum - 韩国机器学习社区
• GeekNews (Hada.io) - 韩国科技新闻

评论与分析

• BSAIL Lab: 学术界中Deep Research有多有用？ - 贡献者@djpetti的学术评论
• The Art Of The Terminal: 现在就使用本地LLM吧！ - 关于本地AI工具的全面评测，重点介绍了LDR的研究能力（嵌入现在已支持！）

相关项目

• SearXNG LDR-Academic - 面向学术界的SearXNG分支，内置12个研究引擎（arXiv、Google Scholar、PubMed等），专为LDR设计
• DeepWiki Documentation - 第三方文档和指南

注： 第三方项目和文章由独立维护。我们仅将其链接作为有用的资源，并不保证其代码质量或安全性。

🤝 社区与支持

• Discord - 获取帮助并分享研究技巧
• Reddit - 最新动态与成果展示
• GitHub Issues - 错误报告

🚀 贡献方式

我们欢迎各种形式的贡献——从修正错别字到新增功能。关键原则是：保持PR小而原子化（每个PR只包含一项更改）。对于较大的改动，请先提交问题或发起讨论——我们希望保护您的时间，并确保您的努力能成功合并，而不是导致方向不符的PR。请参阅我们的贡献指南以开始贡献。

致谢

Local Deep Research建立在众多开放获取倡议、学术数据库和开源项目的基础上。我们衷心感谢以下机构和个人：

学术与研究数据

来源	提供内容	许可协议
OpenAlex	约28万条学术元数据及约12万家机构信息，包括DOAJ状态	CC0
DOAJ	开放获取期刊目录——通过OpenAlex进行开放获取验证	CC0
arXiv	物理、数学、计算机科学等领域预印本	多种许可（详见arXiv许可）
PubMed / NCBI	生物医学及生命科学文献	公有领域（美国政府）
Semantic Scholar	跨学科学术搜索，附带引用数据	条款
NASA ADS	天体物理学、物理学和天文学论文	条款
Zenodo	开放研究数据、数据集和软件	每条记录许可各不相同
PubChem	化学与生物化学数据库	公有领域（美国政府）
Stop Predatory Journals	攻击性期刊/出版商黑名单	MIT
JabRef	期刊缩写数据库	CC0

知识与内容来源

Wikipedia • OpenLibrary • Project Gutenberg • GitHub • Stack Exchange • The Guardian • Wayback Machine

基础设施与框架

LangChain • Ollama • SearXNG • FAISS

支持开放获取

这些项目依靠捐赠和资助运行，而非付费墙。如果Local Deep Research对您有所帮助，请考虑回馈那些使其成为可能的开放获取生态系统：

• arXiv — 为物理、数学、计算机科学等领域提供免费预印本
• PubMed / NLM — 提供开放的生物医学文献
• Wikipedia / Wikimedia — 自由百科全书
• Internet Archive — Wayback Machine和开放数字图书馆
• DOAJ — 整理并验证全球范围内的开放获取期刊
• OpenAlex — 开放的学术元数据（由OurResearch赞助）
• Project Gutenberg — 自1971年以来一直提供免费电子书

📄 许可协议

MIT许可证 - 详见LICENSE文件。

依赖项： 所有第三方包均采用宽松许可（MIT、Apache-2.0、BSD等） - 详情见允许列表

Local Deep Research 快速上手指南

Local Deep Research 是一款由 AI 驱动的本地深度研究助手。它支持完全本地化运行，保护隐私，允许用户连接任意大语言模型（LLM）和搜索引擎，自动执行深度调研并生成带引用的报告。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux、macOS 或 Windows。
• 容器运行时（推荐）：已安装 Docker 和 Docker Compose。
  • 若使用 NVIDIA GPU 加速，需安装 NVIDIA Container Toolkit。
• Python 环境（可选）：若不使用 Docker，需安装 Python 3.8+ 及 pip。
• 网络环境：能够访问 Docker Hub 或 PyPI（国内用户建议配置镜像源加速）。

注意：本工具设计为“零遥测”，所有数据默认存储在本地加密数据库中，不会上传至外部服务器。

安装步骤

推荐使用 Docker Compose 方式进行部署，这是最简便且跨平台兼容性最好的方案。

方案一：使用 Docker Compose（推荐）

1. CPU 模式（适用于所有平台）

直接下载官方配置文件并启动服务：

curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml && docker compose up -d

2. GPU 模式（仅限 Linux + NVIDIA 显卡）

如需启用 GPU 加速，需额外下载 GPU 覆盖配置文件：

curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml && \
curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.gpu.override.yml && \
docker compose -f docker-compose.yml -f docker-compose.gpu.override.yml up -d

国内加速提示：如果 curl 下载缓慢，可手动访问 GitHub 仓库下载上述 .yml 文件到当前目录，然后执行 docker compose up -d。若拉取镜像速度慢，请配置 Docker 国内镜像加速器。

方案二：使用 Pip 安装

适用于希望直接在原生环境中运行的开发者：

pip install local-deep-research

• Windows 用户注意：如需导出 PDF 报告，需预先安装 Pango 库（参考 WeasyPrint 安装指南）。
• 加密选项：默认包含 SQLCipher 加密支持。若遇到加密库兼容性问题，可设置环境变量 export LDR_BOOTSTRAP_ALLOW_UNENCRYPTED=true 以使用标准 SQLite。

方案三：手动 Docker 运行（高级用户）

若需自定义组件（如指定 Ollama 模型或 SearXNG 配置），可分步启动：

# 1. 启动 Ollama (本地 LLM 服务)
docker run -d -p 11434:11434 --name ollama ollama/ollama
docker exec ollama ollama pull gpt-oss:20b

# 2. 启动 SearXNG (聚合搜索引擎)
docker run -d -p 8080:8080 --name searxng searxng/searxng

# 3. 启动 Local Deep Research
docker run -d -p 5000:5000 --network host \
  --name local-deep-research \
  --volume "deep-research:/data" \
  -e LDR_DATA_DIR=/data \
  localdeepresearch/local-deep-research

基本使用

安装完成后，按照以下步骤开始第一次深度研究：

1. 访问界面 在浏览器中打开：

   http://localhost:5000
   

   首次启动可能需要约 30 秒初始化时间。

2. 配置模型（首次使用） 进入设置页面，确认 LLM 后端已连接（默认指向本地 Ollama 或其他兼容 API），并选择搜索策略。

   • 推荐尝试新推出的 langgraph-agent 策略，它能自主决定搜索路径和引擎切换，适合复杂课题。

3. 开始研究 在输入框中输入复杂的研究问题（例如：“分析 2024 年量子计算在药物发现领域的最新进展”）。 系统将自动执行以下流程：

   • 搜索：遍历网页、学术论文库及您本地的文档库。
   • 综合：利用 LLM 整合信息，生成结构化报告。
   • 引用：自动标注所有信息来源。

4. 构建知识库 研究过程中获取的高质量来源（如 ArXiv 论文、网页文章）可直接下载并存储到您的本地加密库中。系统会自动提取文本并建立索引，后续研究时可同时检索本地文档和实时网络内容，实现知识的累积效应。