Local Deep Research 安装指南本地深度研究 AI 助手从零到跑通【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-researchLocal Deep Research简称 LDR是一个能自动完成深度研究并输出带引用的完整报告的开源 AI 助手。你提出一个复杂问题它会自己反复搜索网页、arXiv、PubMed 以及你自己的文档最后汇总成一份可溯源的报告。本文带你走完安装、配置到启动验证的全过程。30 秒速览它是什么、能干什么它解决的痛点很直接普通聊天机器人只会编答案而 LDR 会像研究员一样工作——拆解问题、多引擎检索、交叉验证再把结论连同来源一起交给你。SimpleQA 基准上它报告了约 95% 的准确率单张 RTX 3090 跑 Qwen3.6-27B 本地模型。适合这几类人做文献调研想省时间的人在意隐私、希望数据和模型都留在本地的人想把自己的 PDF、笔记变成可搜索知识库的人。报告自带引用结论可溯源支持本地模型Ollama、llama.cpp和云端模型OpenAI、Google、DeepSeek 等10 搜索引擎arXiv、PubMed、Wikipedia、SearXNG、DuckDuckGo 等数据库使用 SQLCipher AES-256 加密私有文档全程本地处理先选路线本地模型还是云端模型装之前先定一个事你的大脑用哪个 LLM。两条路线都能跑通差别只在配置后面的步骤通用。对比项本地模型路线云端模型路线需要的服务Ollama或 llama.cpp / LM Studio 一个已拉取的模型一个云端 API Key如 DeepSeek、Google隐私最高推理不出本地查询内容会发给云厂商硬件建议 12GB 以上显存纯 CPU 也能跑但较慢无要求成本一次性电费按 token 计费上手速度需多装一个 Ollama拉模型要下载填 Key 即用最快如果你还没想好可以先走云端路线跑通流程之后再切本地模型——网页设置里随时可换。环境自检清单动手前把下面几项过一遍能省掉后面大部分排错时间Python 3.9pip 路线必须Docker 路线可跳过 Pythonpip 可用终端执行python -m pip --version能看到版本号网络通畅需要拉取 Python 依赖和模型文件x86 机器需支持 AVX 指令集2011 年后的 CPU 基本都支持ARM64 完全支持搜索方案已选推荐用 Docker 起一个 SearXNG下文给出命令不想装 Docker 的话DuckDuckGo 等免配置引擎也能用云端路线已准备好对应厂商的 API Key四步跑通拿代码 → 装依赖 → 配模型 → 启动第一步拿到代码先看看你的环境更适合哪条路图省事直接pip install local-deep-research装官方发行版无需克隆仓库。想用仓库代码 / 想改配置克隆下来再用 pdm 装。git clone https://gitcode.com/GitHub_Trending/lo/local-deep-research cd local-deep-research克隆完成后目录里应该有pyproject.toml、docs/等文件说明代码完整拿到了。仓库还内置了 Docker 方式docs/installation.md 和 docs/docker-compose-guide.md 有完整说明一条docker compose up -d也能把 LDR、Ollama、SearXNG 全部拉起来适合不想碰 Python 环境的用户。第二步装依赖pip 路线只需一行pip install local-deep-research装完后终端会打印一串Successfully installed ...最后一行出现local-deep-research即成功。仓库自带 SQLCIPHER_INSTALL.md 说明的加密数据库能力预编译轮子已覆盖三大平台一般不用你手动编译。从源码运行则建议用 pdm仓库已锁好依赖版本pdm install看到依赖树解析完成、环境激活提示即可不需要逐条核对安装的包。第三步配模型和搜索这一步是两条路线分叉的地方各做各的。本地模型路线安装 Ollama 后拉一个小而强的模型ollama pull gemma3:12b拉取过程会显示下载进度条最后打印success表示模型就位。随后再确认一下ollama list里能看到gemma3:12b。云端模型路线无需任何下载启动后在网页的 Settings 页选择供应商内置默认配置在 src/local_deep_research/defaults/llm_providers/DeepSeek、Google、OpenRouter 等均已预置粘贴 API Key 保存即可。搜索引擎推荐顺手起一个 SearXNG网页搜索结果质量明显更好docker run -d -p 8080:8080 --name searxng searxng/searxng容器起来后访问http://localhost:8080能看到 SearXNG 首页就对了。注意v1.10.3 起localhost 这类内网地址需要你显式放行启动前设置一下环境变量export LDR_SEARCH_ENGINE_WEB_SEARXNG_DEFAULT_PARAMS_INSTANCE_URLhttp://localhost:8080这一步把 SearXNG 地址锁定并标记为运维已批准避免日志里出现engine disabled: private address的报错。各搜索引擎的能力与配置详见 docs/search-engines.md。第四步启动python -m local_deep_research.web.app这条命令会启动 Web 服务首次启动要初始化数据库和前端资源等个几十秒属正常现象。命令行里如果看到服务监听 5000 端口的提示说明启动成功了。启动后如何验证成功浏览器打开http://localhost:5000应出现 LDR 的登录/设置引导页而不是连接错误。在设置页确认 LLM 供应商已选中、状态显示可用本地路线下应能看到 Ollama 返回的模型列表。提一个简单问题开始研究例如介绍一下量子纠错的最新进展。几分钟后得到一份带引用链接的报告就代表搜索、推理、报告生成全链路都通了。若日志提示 SearXNG 不可用回到第三步检查环境变量是否随python -m ...所在 shell 一起生效。收尾小贴士PDF 导出在 Windows 上依赖 Pango导出报错就先装系统库报告里含中文却丢字则是宿主机缺 CJK 字体装一个fonts-noto-cjk刷新字体缓存即可详见 docs/install-pip.md。研究过程中觉得有用的论文和网页可以直接下载进 LDR 的加密知识库下次研究时它会和实时网页一起被检索——用得越久越值钱。更多细节可查 docs/faq.md 和 docs/features.md。【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