如何在本地搭建你的专属AI研究助手Local Deep Research完整指南【免费下载链接】local-deep-research~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090). Supports all local and cloud LLMs (llama.cpp, Ollama, Google, ...). 10 search engines - arXiv, PubMed, your private documents. Everything Local Encrypted.项目地址: https://gitcode.com/GitHub_Trending/lo/local-deep-research你是否厌倦了每次研究都要手动搜索、整理资料、撰写报告现在有一个强大的开源AI研究助手可以帮你自动化这一切Local Deep Research简称LDR是一个完全本地化运行的AI研究助手它能够将复杂问题转化为全面的研究报告支持多种知识源和语言模型让你在保护隐私的同时享受高效的研究体验。核心关键词AI研究助手、本地部署、隐私保护、开源项目、智能搜索 为什么你需要这个AI研究助手想象一下你有一个永不疲倦的研究伙伴它能在几分钟内为你搜索学术论文、维基百科、技术文档分析你的私人文档库生成带有准确引用的专业报告完全在本地运行数据永不离开你的设备Local Deep Research正是这样一个工具。它支持本地AI模型如Ollama和云端LLM如Claude、GPT内置10个搜索引擎包括arXiv、PubMed、Semantic Scholar等学术资源。更重要的是它完全开源免费让你完全掌控自己的研究流程。 环境准备清单在开始之前确保你的系统满足以下要求Python 3.8或更高版本至少8GB内存推荐16GB以上支持AVX指令集的CPU2011年后的Intel/AMD处理器如果使用GPU加速需要NVIDIA显卡和CUDA支持长尾关键词本地AI模型部署、隐私优先研究工具、开源研究助手配置 快速启动5分钟内运行你的研究助手方法一Docker一键部署最简单如果你想要最简单的安装体验Docker是最佳选择# 下载并运行Docker Compose配置 curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml docker compose up -d等待约30秒然后在浏览器中打开http://localhost:5000你的AI研究助手就准备好了方法二pip安装灵活控制如果你喜欢更灵活的控制方式# 安装Python包 pip install local-deep-research # 启动Web界面 python -m local_deep_research.web.app安装完成后你还需要配置Ollama或SearXNG来获得完整的搜索功能。详细的配置指南可以在官方文档中找到。方法三从源码安装开发者首选如果你想要最新的功能或进行二次开发# 克隆项目仓库 git clone https://gitcode.com/GitHub_Trending/lo/local-deep-research cd local-deep-research # 安装依赖 pip install -r requirements.txt # 启动应用 python -m local_deep_research.web.app 个性化配置打造专属研究工作流选择你的AI模型Local Deep Research支持多种AI模型配置本地模型推荐隐私优先用户Ollama运行在本地无需API费用LM Studio本地模型管理llama.cpp高性能推理框架云端模型推荐追求效果的用户OpenAI GPT系列Anthropic ClaudeGoogle Gemini100模型通过OpenRouter配置搜索源上图展示了Local Deep Research的本地搜索架构。你可以根据研究需求选择不同的搜索引擎学术研究arXiv预印本论文、PubMed生物医学文献、Semantic Scholar跨学科学术搜索通用搜索Wikipedia、SearXNG隐私友好的元搜索引擎技术文档GitHub、Elasticsearch新闻资讯The Guardian、Wikinews设置数据存储每个用户都有独立的加密数据库使用SQLCipher AES-256加密。这意味着你的研究数据完全私密数据库文件即使被窃取也无法解密API密钥等敏感信息也加密存储 使用场景示例从新手到专家场景一快速事实查询from local_deep_research.api import quick_query # 一行代码获取答案 summary quick_query(username, password, 什么是量子计算) print(summary)场景二学术文献调研假设你正在研究机器学习在医疗诊断中的应用Local Deep Research可以自动搜索arXiv、PubMed上的相关论文分析论文摘要和关键发现生成带有引用格式的文献综述将相关论文保存到你的知识库中场景三企业知识库问答from local_deep_research.api import quick_summary # 连接你的企业知识库 result quick_summary( query我们的部署流程是什么, retrievers{company_kb: your_retriever}, search_toolcompany_kb )支持FAISS、Chroma、Pinecone、Weaviate、Elasticsearch等主流向量数据库。 核心技术亮点智能研究策略Local Deep Research提供多种研究模式快速总结模式30秒到3分钟内获得答案详细研究模式全面分析适合学术工作报告生成模式生成专业格式的报告文档分析模式在你的私人文档中搜索LangGraph智能代理这是项目的核心技术之一。AI代理会自动决定使用哪个搜索引擎何时切换搜索策略如何综合多个来源的信息何时停止搜索并开始分析这种智能代理策略在SimpleQA基准测试中达到了95.7%的准确率实时进度追踪研究过程中你可以实时看到正在搜索的引擎已找到的来源数量当前的分析阶段预计完成时间 性能表现实际测试数据根据社区基准测试使用Qwen3.6-27B模型在单张RTX 3090显卡上模型SimpleQA准确率xbench-DeepSearch准确率Qwen3.6-27B95.7% (287/300)77.0% (77/100)Qwen3.5-9B91.2% (182/200)59.0% (59/100)这些数据表明即使是本地运行的模型也能达到与云端服务相媲美的研究质量。️ 安全与隐私你的数据永远属于你Local Deep Research的设计哲学是隐私第一零遥测不收集任何使用数据本地处理AI推理完全在本地进行端到端加密所有数据都加密存储透明开源代码完全开放可审计项目通过了多项安全扫描包括OpenSSF安全评分卡CodeQL代码分析Semgrep静态分析容器安全扫描 进阶资源与集成MCP服务器集成Local Deep Research提供了MCP模型上下文协议服务器可以与Claude Desktop等AI助手集成# 安装MCP扩展 pip install local-deep-research[mcp]然后在Claude配置文件中添加相应设置就可以直接在Claude中使用研究功能。REST API访问项目提供完整的REST API支持用户认证和权限管理异步研究任务提交进度查询和结果获取批量处理支持详细的API文档可以在API快速入门中找到。新闻订阅功能设置研究主题订阅后AI会自动定期搜索最新进展过滤无关信息生成摘要报告按计划发送到指定渠道 最佳实践建议1. 从简单开始先试用快速总结模式了解系统工作流程。2. 逐步增加复杂度熟悉后尝试详细研究模式探索更多搜索源。3. 建立个人知识库将每次研究找到的有价值资料保存到本地库中。4. 定期更新模型关注社区基准测试选择表现最佳的本地模型。5. 参与社区贡献项目完全开源欢迎提交问题、建议或代码改进。 立即开始你的AI研究之旅Local Deep Research为你提供了一个强大、私密、可定制的研究助手。无论你是学术研究人员需要文献调研技术开发者需要技术调研内容创作者需要资料收集企业团队需要知识管理这个工具都能大幅提升你的研究效率。最重要的是所有数据都在你的掌控之中无需担心隐私泄露。长尾关键词开源AI研究工具部署、本地化智能搜索系统、隐私保护研究解决方案现在就开始吧访问项目仓库按照指南快速部署你的专属AI研究助手体验智能研究带来的效率飞跃。提示如果你在安装或使用过程中遇到问题可以查阅常见问题解答或加入Discord社区获取帮助。【免费下载链接】local-deep-research~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090). Supports all local and cloud LLMs (llama.cpp, Ollama, Google, ...). 10 search engines - arXiv, PubMed, your private documents. Everything Local Encrypted.项目地址: https://gitcode.com/GitHub_Trending/lo/local-deep-research创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何在本地搭建你的专属AI研究助手Local Deep Research完整指南【免费下载链接】local-deep-research~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090). Supports all local and cloud LLMs (llama.cpp, Ollama, Google, ...). 10 search engines - arXiv, PubMed, your private documents. Everything Local Encrypted.项目地址: https://gitcode.com/GitHub_Trending/lo/local-deep-research你是否厌倦了每次研究都要手动搜索、整理资料、撰写报告现在有一个强大的开源AI研究助手可以帮你自动化这一切Local Deep Research简称LDR是一个完全本地化运行的AI研究助手它能够将复杂问题转化为全面的研究报告支持多种知识源和语言模型让你在保护隐私的同时享受高效的研究体验。核心关键词AI研究助手、本地部署、隐私保护、开源项目、智能搜索 为什么你需要这个AI研究助手想象一下你有一个永不疲倦的研究伙伴它能在几分钟内为你搜索学术论文、维基百科、技术文档分析你的私人文档库生成带有准确引用的专业报告完全在本地运行数据永不离开你的设备Local Deep Research正是这样一个工具。它支持本地AI模型如Ollama和云端LLM如Claude、GPT内置10个搜索引擎包括arXiv、PubMed、Semantic Scholar等学术资源。更重要的是它完全开源免费让你完全掌控自己的研究流程。 环境准备清单在开始之前确保你的系统满足以下要求Python 3.8或更高版本至少8GB内存推荐16GB以上支持AVX指令集的CPU2011年后的Intel/AMD处理器如果使用GPU加速需要NVIDIA显卡和CUDA支持长尾关键词本地AI模型部署、隐私优先研究工具、开源研究助手配置 快速启动5分钟内运行你的研究助手方法一Docker一键部署最简单如果你想要最简单的安装体验Docker是最佳选择# 下载并运行Docker Compose配置 curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml docker compose up -d等待约30秒然后在浏览器中打开http://localhost:5000你的AI研究助手就准备好了方法二pip安装灵活控制如果你喜欢更灵活的控制方式# 安装Python包 pip install local-deep-research # 启动Web界面 python -m local_deep_research.web.app安装完成后你还需要配置Ollama或SearXNG来获得完整的搜索功能。详细的配置指南可以在官方文档中找到。方法三从源码安装开发者首选如果你想要最新的功能或进行二次开发# 克隆项目仓库 git clone https://gitcode.com/GitHub_Trending/lo/local-deep-research cd local-deep-research # 安装依赖 pip install -r requirements.txt # 启动应用 python -m local_deep_research.web.app 个性化配置打造专属研究工作流选择你的AI模型Local Deep Research支持多种AI模型配置本地模型推荐隐私优先用户Ollama运行在本地无需API费用LM Studio本地模型管理llama.cpp高性能推理框架云端模型推荐追求效果的用户OpenAI GPT系列Anthropic ClaudeGoogle Gemini100模型通过OpenRouter配置搜索源上图展示了Local Deep Research的本地搜索架构。你可以根据研究需求选择不同的搜索引擎学术研究arXiv预印本论文、PubMed生物医学文献、Semantic Scholar跨学科学术搜索通用搜索Wikipedia、SearXNG隐私友好的元搜索引擎技术文档GitHub、Elasticsearch新闻资讯The Guardian、Wikinews设置数据存储每个用户都有独立的加密数据库使用SQLCipher AES-256加密。这意味着你的研究数据完全私密数据库文件即使被窃取也无法解密API密钥等敏感信息也加密存储 使用场景示例从新手到专家场景一快速事实查询from local_deep_research.api import quick_query # 一行代码获取答案 summary quick_query(username, password, 什么是量子计算) print(summary)场景二学术文献调研假设你正在研究机器学习在医疗诊断中的应用Local Deep Research可以自动搜索arXiv、PubMed上的相关论文分析论文摘要和关键发现生成带有引用格式的文献综述将相关论文保存到你的知识库中场景三企业知识库问答from local_deep_research.api import quick_summary # 连接你的企业知识库 result quick_summary( query我们的部署流程是什么, retrievers{company_kb: your_retriever}, search_toolcompany_kb )支持FAISS、Chroma、Pinecone、Weaviate、Elasticsearch等主流向量数据库。 核心技术亮点智能研究策略Local Deep Research提供多种研究模式快速总结模式30秒到3分钟内获得答案详细研究模式全面分析适合学术工作报告生成模式生成专业格式的报告文档分析模式在你的私人文档中搜索LangGraph智能代理这是项目的核心技术之一。AI代理会自动决定使用哪个搜索引擎何时切换搜索策略如何综合多个来源的信息何时停止搜索并开始分析这种智能代理策略在SimpleQA基准测试中达到了95.7%的准确率实时进度追踪研究过程中你可以实时看到正在搜索的引擎已找到的来源数量当前的分析阶段预计完成时间 性能表现实际测试数据根据社区基准测试使用Qwen3.6-27B模型在单张RTX 3090显卡上模型SimpleQA准确率xbench-DeepSearch准确率Qwen3.6-27B95.7% (287/300)77.0% (77/100)Qwen3.5-9B91.2% (182/200)59.0% (59/100)这些数据表明即使是本地运行的模型也能达到与云端服务相媲美的研究质量。️ 安全与隐私你的数据永远属于你Local Deep Research的设计哲学是隐私第一零遥测不收集任何使用数据本地处理AI推理完全在本地进行端到端加密所有数据都加密存储透明开源代码完全开放可审计项目通过了多项安全扫描包括OpenSSF安全评分卡CodeQL代码分析Semgrep静态分析容器安全扫描 进阶资源与集成MCP服务器集成Local Deep Research提供了MCP模型上下文协议服务器可以与Claude Desktop等AI助手集成# 安装MCP扩展 pip install local-deep-research[mcp]然后在Claude配置文件中添加相应设置就可以直接在Claude中使用研究功能。REST API访问项目提供完整的REST API支持用户认证和权限管理异步研究任务提交进度查询和结果获取批量处理支持详细的API文档可以在API快速入门中找到。新闻订阅功能设置研究主题订阅后AI会自动定期搜索最新进展过滤无关信息生成摘要报告按计划发送到指定渠道 最佳实践建议1. 从简单开始先试用快速总结模式了解系统工作流程。2. 逐步增加复杂度熟悉后尝试详细研究模式探索更多搜索源。3. 建立个人知识库将每次研究找到的有价值资料保存到本地库中。4. 定期更新模型关注社区基准测试选择表现最佳的本地模型。5. 参与社区贡献项目完全开源欢迎提交问题、建议或代码改进。 立即开始你的AI研究之旅Local Deep Research为你提供了一个强大、私密、可定制的研究助手。无论你是学术研究人员需要文献调研技术开发者需要技术调研内容创作者需要资料收集企业团队需要知识管理这个工具都能大幅提升你的研究效率。最重要的是所有数据都在你的掌控之中无需担心隐私泄露。长尾关键词开源AI研究工具部署、本地化智能搜索系统、隐私保护研究解决方案现在就开始吧访问项目仓库按照指南快速部署你的专属AI研究助手体验智能研究带来的效率飞跃。提示如果你在安装或使用过程中遇到问题可以查阅常见问题解答或加入Discord社区获取帮助。【免费下载链接】local-deep-research~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090). Supports all local and cloud LLMs (llama.cpp, Ollama, Google, ...). 10 search engines - arXiv, PubMed, your private documents. Everything Local Encrypted.项目地址: https://gitcode.com/GitHub_Trending/lo/local-deep-research创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
