Local Deep Research：本地运行的生成深度研究报告工具

综合介绍

Local Deep Research 是一个开源的人工智能研究助手，旨在帮助用户针对复杂问题进行深度研究并生成详细的报告。它支持本地运行，使用户可以在不依赖云服务的情况下完成研究任务。工具结合了本地大语言模型（LLM）与多种搜索功能，覆盖学术数据库、维基百科、网页内容等来源。用户可以通过简单的安装和配置，快速生成包含引文的综合报告。项目强调隐私保护和灵活性，适合学术研究、技术探索或个人知识管理。

功能列表

• 支持本地大语言模型，保护数据隐私。
• 自动选择合适的搜索工具，如维基百科、arXiv、PubMed 等。
• 生成详细的报告，包含结构化章节和引文。
• 提供快速摘要功能，数秒内生成简要答案。
• 支持本地文档检索，结合网页搜索进行综合分析。
• 提供网页界面和命令行界面，操作灵活。
• 支持多语言搜索，适合全球用户。

使用帮助

安装流程

Local Deep Research 需要安装 Python 环境和相关依赖。以下是详细的安装步骤：

1. 克隆仓库
   在终端运行以下命令，将项目克隆到本地：

   git clone https://github.com/LearningCircuit/local-deep-research.git
   cd local-deep-research

2. 安装依赖
   使用 Python 的包管理工具安装所需库：

   pip install -e .
   

   如果需要浏览器自动化功能，安装 Playwright：

   playwright install
   

3. 安装本地模型（Ollama）
   Local Deep Research 支持通过 Ollama 运行本地大语言模型。访问 https://ollama.ai 下载并安装 Ollama，然后拉取推荐模型：

   ollama pull gemma3:12b
   

   确保 Ollama 服务在后台运行。

4. 配置 SearXNG（可选）
   为获得最佳搜索效果，建议自托管 SearXNG 搜索服务。运行以下命令启动 SearXNG：

   docker pull searxng/searxng
   docker run -d -p 8080:8080 --name searxng searxng/searxng
   

   在项目根目录的 .env 文件中配置 SearXNG 地址：

   SEARXNG_INSTANCE=http://localhost:8080
   SEARXNG_DELAY=2.0
   

5. 启动工具
   • 网页界面：运行以下命令启动网页版，访问 http://127.0.0.1:5000：

     ldr-web
     

   • 命令行界面：运行以下命令启动命令行版：

     ldr
     

操作主要功能

1. 生成快速摘要

快速摘要功能适合需要快速答案的用户。打开网页界面，输入研究问题，例如“核聚变能源的最新进展”。点击“快速摘要”按钮，工具会在几秒内返回简要答案，包含关键信息和来源。如果使用命令行，运行：

from local_deep_research import quick_summary
results = quick_summary(query="核聚变能源的最新进展", search_tool="auto", iterations=1, questions_per_iteration=2, max_results=30)
print(results["summary"])

结果会以文本形式输出，包含简短的总结和参考链接。

2. 生成详细报告

详细报告功能适合需要全面分析的用户。在网页界面输入问题后，选择“生成报告”选项。工具会进行多轮搜索和分析，生成包含目录、章节和引文的 Markdown 格式报告。报告生成时间取决于问题的复杂度和搜索轮次（默认 2 轮）。命令行操作示例：

from local_deep_research import generate_report
report = generate_report(query="核聚变能源的最新进展", search_tool="auto", iterations=2)
print(report)

生成的报告会保存在本地，路径通常为项目根目录下的 examples 文件夹。

3. 本地文档检索

用户可以将私人文档（如 PDF、TXT）上传至指定文件夹，通过检索增强生成（RAG）功能分析。配置文档路径：

DOC_PATH=/path/to/your/documents

在网页界面选择“本地文档”作为报告来源，工具会结合本地文档和网页搜索生成报告。命令行操作：

results = quick_summary(query="分析我的文档中的AI趋势", report_source="local")

4. 多语言搜索

工具支持多语言搜索，适合非英语问题。在网页界面输入中文或其他语言的问题，工具会自动适配搜索工具，返回相关结果。例如，输入“量子计算的最新突破”，工具会搜索中文和英文来源。

配置参数

用户可以通过修改 config.py 或 .env 文件调整参数：

• search_tool：选择搜索工具（默认 auto）。
• iterations：设置研究轮次（默认 2）。
• max_results：每轮搜索的最大结果数（默认 50）。
• max_filtered_results：过滤后的结果数（默认 5）。

注意事项

• 确保网络连接稳定，以便搜索外部资源。
• 本地模型性能取决于硬件，推荐使用 GPU 加速。
• 定期更新 Ollama 和项目代码，以获取最新功能。

应用场景

1. 学术研究
   学生和研究人员可以使用 Local Deep Research 快速收集学术论文和网页信息，生成带引文的报告。例如，研究“量子计算的突破”时，工具会从 arXiv 和 PubMed 检索最新论文，生成结构化报告。
2. 技术探索
   技术爱好者可以探索新兴技术趋势，如“区块链在供应链中的应用”。工具结合本地文档和网页搜索，提供全面分析。
3. 个人知识管理
   用户可以将私人笔记或文档上传，结合外部信息整理知识库。例如，整理“2025年AI发展预测”的个人报告。

QA

1. Local Deep Research 是否需要联网？
   本地模型运行不需要联网，但搜索功能（如维基百科、arXiv）需要网络连接。用户可选择仅使用本地文档。
2. 支持哪些大语言模型？
   默认支持 Ollama 托管的模型，如 gemma3:12b。用户可通过 config.py 配置其他模型，如 vLLM 或 LMStudio。
3. 如何提高报告质量？
   增加搜索轮次（iterations）和结果数量（max_results），或使用更强大的模型。确保问题描述清晰也有助于提高准确性。
4. 是否支持 Windows 系统？
   是的，项目提供 Windows 一键安装包，简化配置流程。访问 GitHub 仓库下载。