Local Deep Research 部署指南 — 本地运行 AI 深度研究

📅 2026-05-07 🏷️ AI / 本地部署 / 开源 / 隐私 ⏱ 阅读约 8 分钟

2026 年 5 月又一个 GitHub 趋势项目刷屏了 LearningCircuit/local-deep-research 一天暴涨 500+ star

它叫 Local Deep Research(LDR) 一个完全开源的本地 AI 研究助手能在你的电脑上跑深度研究不需要把数据送到任何云端 API

核心亮点 SimpleQA 基准测试达 ~95%（用 GPT-4.1-mini + SearXNG）
支持所有本地和云端 LLM（Ollama/OpenAI/Claude/llama.cpp 等）
数据 AES-256 加密存储（SQLCipher 级别）
零遥测零追踪零回传

1. LDR 是什么

Local Deep Research 跟 OpenAI 的 Deep Research 功能类似但它是完全开源的跑在你的本地机器上

你问一个复杂问题 LDR 会自动搜索多个来源（网页/学术论文/你的本地文档）综合信息后生成一份带引用的研究报告

跟 OpenAI Deep Research 的差别

数据不出本机完全隐私
可以使用任何 LLM 包括本地模型
免费开源不按次收费
支持搜索你自己的文档库

2. Docker 一键部署（推荐）

最快的方式两条命令搞定

方案 A: 纯 CPU（任何平台）

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

等 30 秒后打开 http://localhost:5000 就能用了

方案 B: 带 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

方案 C: 手动 Docker 启动

# 1. 启动 Ollama
docker run -d -p 11434:11434 --name ollama ollama/ollama
docker exec ollama ollama pull gpt-oss:20b
# 2. 启动 SearXNG（元搜索引擎 推荐用于最佳结果）
docker run -d -p 8080:8080 --name searxng searxng/searxng
# 3. 启动 LDR
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

3. pip 安装方式

想集成到 Python 项目里用 pip 安装最方便支持 Windows/macOS/Linux

pip install local-deep-research
# 启动
local-deep-research
# Python API 调用
from local_deep_research.api import LDRClient, quick_query
client = LDRClient()
result = quick_query("Transformer 架构的最新改进有哪些？")
print(result.report)

提示 pip 版本已经打包了 SQLCipher 加密轮子不需要手动编译

4. 配置 LLM 和搜索引擎

LDR 支持几乎所有 LLM 后端

类型	支持	配置方式
本地模型	Ollama / llama.cpp / LM Studio	设置 Ollama URL + 模型名
OpenAI	GPT-4.1 / GPT-4o-mini	设置 API Key
Anthropic	Claude Opus / Sonnet	设置 API Key
Google	Gemini 系列	设置 API Key
兼容 API	任何 OpenAI 兼容接口	修改 base_url

搜索引擎配置

SearXNG（推荐） — 聚合多个引擎结果质量最好
Brave Search — 注重隐私的搜索引擎
Google（SerpAPI） — 传统谷歌搜索
Tavily — AI 专用搜索结构化输出
arXiv / PubMed / Semantic Scholar — 学术论文搜索
GitHub — 代码/项目搜索
Wayback Machine — 历史页面归档
本地文档 — 搜索你的文件库

5. 20+ 研究策略怎么选

LDR 提供了 20 多种研究策略覆盖不同场景

策略	适用场景	耗时
Quick Summary	快速问答需要带引用	30 秒 - 3 分钟
Detailed Research	深度分析结构化发现	3 - 10 分钟
Report Generation	专业报告自动生成目录	5 - 15 分钟
Document Analysis	搜索你自己的私有文档	1 - 5 分钟
Focused Iteration	反复深入同一个问题	3 - 10 分钟
LangGraph Agent	Agent 自主决策搜索策略（最新）	5 - 20 分钟

6. LangGraph Agent 模式（最新功能）

这是 LDR 最近加入的杀手级功能用 LangGraph 实现了一个自主式 Agent

跟普通策略的区别在于 Agent 自己决定下一步搜什么该用哪个引擎什么时候该综合结果

自适应切换搜索引擎（arXiv 搜不到就换 PubMed）
比管道式策略收集更多来源
早期测试结果非常不错

在 Settings → Research Strategy 里选择 langgraph-agent 即可启用

7. 知识库与加密存储

每次研究找到的资料来源可以一键下载到你的加密知识库

LDR 的存储设计很讲究

每人独立数据库 每个用户一个 SQLCipher 数据库
AES-256 加密 Signal 级别的零知识加密
没有密码找回 服务端管理员也读不了你的数据
全本地运行 如果用 Ollama + SearXNG 数据完全不离开你的机器

知识库的好处是会积累下次研究时可以同时搜索历史来源 + 实时网络知识不断叠加

8. 性能基准与模型推荐

官方在 SimpleQA 上跑出的结果

GPT-4.1-mini + SearXNG + focused-iteration → ~95% 准确率
跟 OpenAI 的 Deep Research 不相上下
本地模型 + 合理配置也可以达到类似水平

社区维护的 LDR Benchmarks 数据集上可以看到不同模型/搜索引擎组合的真实表现

    一句话推荐配置

    想省钱本地跑 → Ollama + gpt-oss:20b + SearXNG

    想要最好效果 → GPT-4.1-mini + SearXNG + focused-iteration

    想要隐私 + 质量平衡 → 本地 70B 模型 + Brave Search

9. 常见问题

LDR 会收集我的数据吗？

完全不会 LDR 没有任何遥测/分析/追踪 SDK 唯一的网络请求是你主动触发的搜索和 LLM 调用

Docker 镜像安全吗？

镜像用 Cosign 签名附带 SLSA 和 SBOM 可以验证

cosign verify localdeepresearch/local-deep-research:latest

支持导出吗？

支持 PDF 和 Markdown 两种导出格式

能定时自动研究吗？

支持 Research Digest 功能可以设置每日/每周定时推送研究摘要

总结

Local Deep Research 是 2026 年 5 月最值得关注的开源 AI 工具之一

它解决了一个真实痛点 — 想用 AI 做深度研究但不想把数据交给第三方搞个 Docker 几分钟就能跑起来连接上本地模型或者便宜的 API 就能得到一个相当好用的研究助手

如果你在用 Ollama 或者对隐私敏感这可能是目前最好的本地 Deep Research 方案

项目地址 github.com/LearningCircuit/local-deep-research