Local Deep Research：本地运行的开源深度研究助手

项目地址：https://github.com/LearningCircuit/local-deep-research
Stars：GitHub 社区持续增长中
许可证：MIT License
特色：首个在单张 RTX 3090（Qwen3.6-27B）上实现 ~95% SimpleQA 准确率的开源项目

1. 什么是 Local Deep Research？

Local Deep Research（以下简称 LDR）是一个本地运行的 AI 驱动深度研究助手，它能够自主完成复杂主题的信息检索、交叉验证和报告生成——完全不依赖任何外部云服务。

与 OpenAI Deep Research 等商业产品相比，LDR 的核心差异在于数据主权和成本控制：

2. 核心性能：本地硬件也能打

LDR 是首个在单卡消费级 GPU 上报告 ~95% SimpleQA 准确率（n=500）的开源研究助手项目。以下是社区基准测试的核心结果：

💡 消费级 RTX 3090 即可运行 Qwen3.6-27B，获得与商业方案相当的准确率。

为什么关注 SimpleQA？ SimpleQA 是由 OpenAI 提出的大模型事实性问答评估基准，涵盖范围广、无污染风险，是衡量研究助手真实能力的重要指标。LDR 在 langgraph-agent 策略下借助 Serper 搜索，在本地硬件上达到了与商业产品正面竞争的水平。

3. 工作原理：多策略研究流水线

LDR 支持20+ 种研究策略，覆盖从 30 秒快速摘要到 30 分钟专业报告的所有场景。

3.1 研究流程总览

用户提问
   ↓
选择研究策略（Quick Summary / Detailed / Report / LangGraph Agent）
   ↓
多引擎并行搜索（Web、学术数据库、本地文档）
   ↓
LLM 交叉验证与信息整合
   ↓
生成带引用的研究报告

3.2 LangGraph Agent 策略（旗舰）

langgraph-agent 是 LDR 的旗舰研究策略，其核心是一个自主决策的智能体：

• 自主规划搜索路径：LLM 根据已发现的信息动态决定下一步搜索方向
• 自适应切换搜索引擎：在 arXiv、PubMed、Semantic Scholar、Wikipedia 等专业引擎之间智能跳转
• 收集显著更多的信息源：相比传统管道式策略，agent 策略能发现并引用 3-5 倍以上的相关来源

这正是 LDR 能在 SimpleQA 上达到 ~95% 准确率的技术基础。

3.3 多引擎搜索覆盖

免费引擎：

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

付费引擎：Tavily（AI 优化搜索）、Google（SerpAPI）、Brave Search

自定义源：

• 本地文档（PDF/TXT/MD）+ AI 向量化语义搜索
• LangChain Retriever 集成（FAISS、Chroma、Pinecone、Weaviate、Elasticsearch）

4. 知识库：从研究工具到长期知识积累

LDR 不仅仅是一个一次性研究工具，更是一个可积累的个人知识库：

研究会话 → 下载来源 → 本地加密图书馆
                            ↓
                       文本提取 + 向量化索引
                            ↓
              下次研究时同时检索"网络 + 本地文档"
                            ↓
                   知识随时间持续复利增长

每次研究都会收集大量有价值的学术文献和网页内容。LDR 支持一键将来源下载到本地加密图书馆（SQLCipher AES-256 加密），自动提取文本、建立向量索引，让你的知识库随时可被语义检索。

下次研究同一个领域时，你的本地文档会与实时网络结果一起被 LLM 联合参考，实现"站在自己肩膀上的研究"。

5. 安全性：你的数据只属于你

LDR 在安全设计上堪称教科书级别：

5.1 零追踪政策

• ❌ 无遥测（telemetry）
• ❌ 无分析 SDK
• ❌ 无崩溃报告
• ❌ 无外部 phone-home 调用
• ❌ 唯一网络流量 = 你主动发起的搜索查询和 LLM API 调用

5.2 SQLCipher 数据库级加密

每个用户拥有独立的加密数据库（256-bit AES），由 Signal 协议同款加密算法保护。即使服务器管理员无法读取你的数据。无密码找回机制——这是真正的零知识架构。

5.3 供应链安全

• Docker 镜像通过 Cosign 签名
• SLSA provenance 证明
• SBOM（软件物料清单）附件
• 20+ 项自动化安全扫描（CodeQL、Semgrep、OpenSSF Scorecard、OWASP ZAP 等）

验证 Docker 镜像：

cosign verify localdeepresearch/local-deep-research:latest

6. 安装与快速上手

方式一：Docker（推荐，最快）

Linux + NVIDIA GPU：

# 拉取并启动 Ollama
docker run -d -p 11434:11434 --name ollama ollama/ollama
docker exec ollama ollama pull gpt-oss:20b

# 拉取并启动 SearXNG 搜索服务
docker run -d -p 8080:8080 --name searxng searxng/searxng

# 拉取并启动 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

Docker Compose（Mac/Windows/Linux 通用）：

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

启动后访问 http://localhost:5000

方式二：pip 安装（跨平台）

pip install local-deep-research
python -m local_deep_research.web.app

需要自行安装 Ollama 和 SearXNG——详细步骤参考官方安装指南。

7. Python API 使用

LDR 提供简洁的 Python SDK：

from local_deep_research.api import LDRClient, quick_query

# 最简用法：一行研究
summary = quick_query("username", "password", "What is quantum computing?")
print(summary)

# 客户端用法：多次研究
client = LDRClient()
client.login("username", "password")
result = client.quick_research("What are the latest advances in quantum computing?")
print(result["summary"])

REST API

LDR 提供完整的 HTTP API，支持有状态会话和跨平台集成：

import requests
from bs4 import BeautifulSoup

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
session.post("http://localhost:5000/auth/login",
            data={"username": "user", "password": "***", "csrf_token": login_csrf})
csrf = session.get("http://localhost:5000/auth/csrf-token").json()["csrf_token"]

# 发起研究
response = session.post("http://localhost:5000/api/start_research",
                        json={"query": "Your research question"},
                        headers={"X-CSRF-Token": csrf})

8. MCP Server：让 Claude 也用上 LDR

LDR 提供 MCP（Model Context Protocol）服务器，让 Claude Desktop 和 Claude Code 能直接调用 LDR 的研究能力：

pip install "local-deep-research[mcp]"

Claude Desktop 配置

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

可用 MCP 工具

9. 期刊质量评估系统（Journal Quality System）

LDR v1.6.0 引入了专业的期刊质量评分系统，解决学术研究中的关键痛点：

• 212,000+ 学术来源索引：基于 OpenAlex（CC0）、DOAJ（CC0）和 Stop Predatory Journals（MIT）
• 掠夺性期刊自动检测：识别风险期刊并发出警告
• 质量仪表板：直观查看研究来源的整体学术质量分布

10. 与同类方案对比

11. 技术架构亮点

LDR 的架构设计有几个值得关注的工程亮点：

异步搜索聚合：多个搜索查询并行发出，结果统一由 LLM 做交叉验证和去重，避免单一引擎的偏差。

自适应速率限制：内置智能重试系统，学习各搜索 API 的最优等待时间，最大化吞吐量而不触发限流。

研究历史持久化：每次研究结果自动存档，支持按时间、关键词检索历史会话。

WebSocket 实时推送：研究进度通过 WebSocket 实时推送，前端可显示各阶段的详细进展。

12. 适用场景

• 记者与调查人员：敏感话题研究，所有查询不离本地
• 学术研究者：持续跟踪特定领域的最新进展，构建个人文献库
• 企业情报团队：私有知识库 + 公开信息的联合研究
• 隐私敏感用户：不愿让商业公司记录搜索历史的任何人
• AI 开发者和研究者：benchmark 本地模型在研究任务上的真实能力

13. 总结

Local Deep Research 的核心价值在于将数据主权和研究能力一并交还给用户。它不只是一个研究工具，更是一种隐私优先的 AI 工作流理念的体现——你拥有你的数据，也拥有对工具的完全控制权。

在 benchmark 上，LDR 用单张 RTX 3090 证明了本地模型在深度研究任务上已经有能力与商业方案正面竞争。随着开源模型能力的持续提升（Qwen3 系列的进展尤为显著），本地深度研究的体验还会继续逼近甚至超越云端方案。

如果你关心数据隐私、偏好本地部署、或者希望在研究工作中积累属于自己的知识资产，Local Deep Research 是目前同类开源项目中完成度最高、功能最全面的选择。

项目链接：https://github.com/LearningCircuit/local-deep-research

社区资源：

• Discord：https://discord.gg/ttcqQeFcJ3
• Reddit：https://www.reddit.com/r/LocalDeepResearch/
• HuggingFace 基准数据集：https://huggingface.co/datasets/local-deep-research/ldr-benchmarks

本文内容基于 Local Deep Research 项目公开资料编写，发布前已验证所有核心功能和性能数据的准确性。