【GitHub开源AI精选】Local Deep Researcher：本地化部署的AI研究助手，零门槛开启智能研究

系列篇章💥

No.	文章
1	【GitHub开源AI精选】LLM 驱动的影视解说工具：Narrato AI 一站式高效创作实践
2	【GitHub开源AI精选】德国比勒费尔德大学TryOffDiff——高保真服装重建的虚拟试穿技术新突破
3	【GitHub开源AI精选】哈工大（深圳）& 清华力作 FilmAgent：剧本自动生成 + 镜头智能规划，开启 AI 电影制作新时代
4	【GitHub开源AI精选】Lumina - Image 2.0 文生图模型，以小参数量实现高分辨率多图生成新突破
5	【GitHub开源AI精选】探索 Mobile-Agent：X-PLUG 推出的创新型移动智能操作代理
6	【GitHub开源AI精选】吴恩达团队开源VisionAgent：用自然语言开启计算机视觉新时代
7	【GitHub开源AI精选】Oumi：一站式AI开发平台，涵盖训练、评估与部署全流程
8	【GitHub开源AI精选】深入剖析RealtimeSTT：开源实时语音转文本库的强大功能与应用
9	【GitHub开源AI精选】PodAgent：多智能体协作播客生成框架，自动化打造高质量播客，赋能内容创作与品牌传播
10	【GitHub开源AI精选】OpenManus开源AI工具：3小时复刻Manus，39.5k星
11	【GitHub开源AI精选】OpenGlass：大模型赋能的开源方案，25美元打造智能眼镜，支持语音控制+AR叠加
12	【GitHub开源AI精选】AppAgentX：西湖大学发布可自主进化的手机智能体，实现GUI操作的高效与智能
13	【GitHub开源AI精选】Agent-S架构揭秘：低代码+多模态融合的智能体新范式
14	【GitHub开源AI精选】Open-Interface：大模型驱动的计算机“自动驾驶”系统｜自然语言操控的自动化工具
15	【GitHub开源AI精选】2025年AI工程师必备！AgentOps五大功能重构智能体开发流程
16	【GitHub开源AI精选】LangManus：社区驱动的多智能体AI自动化框架，开启复杂任务处理新纪元
17	【GitHub开源AI精选】autoMate：AI 驱动的本地自动化助手，用自然语言解锁高效办公，让电脑任务自己动起来
18	【GitHub开源AI精选】Sitcom-Crafter：北航联合港中文等高校打造的剧情驱动3D动作生成系统
19	【GitHub开源AI精选】Local Deep Researcher：本地化部署的AI研究助手，零门槛开启智能研究

---

---

前言

在当今信息爆炸的时代，无论是学术研究、商业分析还是个人学习，都需要从海量的信息中快速获取、整理和分析关键内容。然而，传统的人工研究方法往往效率低下且容易遗漏重要信息。随着人工智能技术的飞速发展，AI驱动的研究工具应运而生，LangChain 团队开发了Local Deep Researcher。它旨在通过 AI 技术帮助用户进行深入、迭代式的主题研究。与传统的研究方法不同，Local Deep Researcher 能够自动分解问题、检索信息、生成总结，并通过多轮迭代来不断完善研究结果。

一、项目概述

Local Deep Researcher 是一款完全本地化运行的网络研究助手，依托Ollama所托管的各类大语言模型开展工作。它的核心设计理念是 “隐私与效率并重”，旨在帮助用户高效地进行深度研究。

• 当用户输入一个研究主题后，Local Deep Researcher 会自动生成网络搜索查询，并通过配置的搜索引擎（如默认的 Tavily，也支持 DuckDuckGo、Perplexity 等）收集相关的网络搜索结果。

• 接着，模型会对这些结果进行总结分析，反思总结内容以识别知识差距，进而生成新的搜索查询来填补这些差距。

• 这一迭代优化过程会持续进行，直至达到用户设定的总结次数，最终为用户输出一份包含所有引用来源的 Markdown 格式总结报告 。这种自动化、迭代式的研究流程，极大地提升了研究效率，减少了人工筛选信息的繁琐工作。

二、核心功能

（一）深度、迭代式研究

Local Deep Researcher 的核心功能之一是其深度、迭代式的研究方法。它能够自动将复杂的研究问题分解为多个子问题，并针对每个子问题进行信息检索和分析。然后，它会根据已有的答案识别知识缺口，并生成新的搜索查询以填补这些缺口。这个过程会重复进行，直到达到用户设定的迭代次数。

（二）灵活的 AI 模型支持

Local Deep Researcher 支持多种 AI 模型，用户可以根据自己的需求选择本地模型或云模型。例如，它支持通过 Ollama 使用本地 LLM，也支持通过 LMStudio 使用其他模型。这种灵活性使得用户可以在保护隐私的同时，根据自己的硬件条件和性能需求选择合适的模型。

（三）丰富的输出选项

Local Deep Researcher 的输出非常灵活，支持多种格式。它能够生成详细的研究报告，包括总结、引用和参考文献。此外，它还可以生成快速摘要，方便用户快速了解研究的主要内容。

（四）隐私保护

Local Deep Researcher 提供了强大的隐私保护功能。它支持完全在本地运行，所有数据和模型都可以存储在用户的本地设备上，从而避免了数据泄露的风险。

（五）强大的搜索集成

Local Deep Researcher 集成了多种搜索工具，包括 DuckDuckGo、Tavily 和 Perplexity 等。用户可以根据自己的需求选择不同的搜索工具，并通过配置文件添加相应的 API 密钥。此外，它还支持本地文档搜索，用户可以上传自己的文档集合，以便在研究过程中使用。

三、技术原理

（一）迭代式研究流程

Local Deep Researcher 的技术原理基于迭代式研究流程。它首先使用本地 LLM 生成一个搜索查询，然后通过搜索引擎获取相关文档。接着，它使用 LLM 对这些文档进行总结，并识别知识缺口。然后，它生成新的搜索查询，继续获取和总结信息，这个过程会重复进行，直到达到用户设定的迭代次数。

（二）多轮分析与智能问题生成

Local Deep Researcher 的另一个重要技术特点是多轮分析和智能问题生成。它能够根据已有的答案和知识缺口，自动生成新的问题和搜索查询。这种多轮分析的方法能够确保研究的深度和广度，帮助用户全面了解研究主题。

（三）本地与云模型的结合

Local Deep Researcher 支持本地和云模型的结合。用户可以选择使用本地 LLM，以确保数据隐私和安全；也可以选择使用云模型，以获得更强大的功能和更高的性能。这种灵活性使得 Local Deep Researcher 能够满足不同用户的需求。

四、应用场景

（一）学术研究

Local Deep Researcher 在学术研究中具有广泛的应用。它可以帮助研究人员快速获取和分析科学论文，整理研究思路，生成详细的文献综述。通过多轮迭代分析，研究人员可以深入探索复杂的研究问题，发现新的研究方向。

（二）商业分析

在商业领域，Local Deep Researcher 可以帮助分析师跟踪行业动态和市场趋势。它能够快速生成商业报告，提供详细的市场分析和竞争情报。通过灵活的搜索工具和多轮分析，分析师可以深入了解特定市场或行业的各个方面。

（三）个人学习

对于个人学习者来说，Local Deep Researcher 是一个非常有用的工具。它可以快速整理和总结知识，帮助学习者快速了解一个主题的主要内容。通过多轮迭代分析，学习者可以深入探索感兴趣的主题，提高学习效率。

五、快速使用

（一）克隆仓库

首先，克隆 Local Deep Researcher 项目的仓库：

git clone https://github.com/langchain-ai/local-deep-researcher.git
cd local-deep-researcher

（二）编辑 .env 文件

cp .env.example .env

编辑 .env 文件以根据需要自定义环境变量。这些环境变量控制模型选择、搜索工具和其他配置设置。当你运行应用程序时，这些值将通过 python-dotenv 自动加载。

（三）选择本地模型（使用 Ollama）

1. 下载适用于 Mac 的 Ollama 应用程序。
2. 从 Ollama 拉取本地 LLM。例如：

   ollama pull deepseek-r1:8b
   

3. （可选）更新 .env 文件，添加以下 Ollama 配置设置：

   OLLAMA_BASE_URL="http://localhost:11434"  # Ollama 服务端点，默认为 `http://localhost:11434`
   OLLAMA_MODEL="deepseek-r1:8b"  # 使用的模型，默认为 `llama3.2`，如果不设置
   

（四）选择本地模型（使用 LMStudio）

1. 下载并安装 LMStudio。
2. 在 LMStudio 中：
   • 下载并加载你偏好的模型（例如，qwen_qwq-32b）。
   • 转到“Local Server”选项卡。
   • 启动带有 OpenAI 兼容 API 的服务器。
   • 记下服务器 URL（默认：http://localhost:1234/v1）。
3. （可选）更新 .env 文件，添加以下 LMStudio 配置设置：

   LLM_PROVIDER=lmstudio
   LOCAL_LLM=qwen_qwq-32b  # 使用 LMStudio 中显示的确切模型名称
   LMSTUDIO_BASE_URL=http://localhost:1234/v1
   

（五）选择搜索工具

默认情况下，它将使用 DuckDuckGo 进行网络搜索，无需 API 密钥。但你也可以通过添加 API 密钥使用 SearXNG、Tavily 或 Perplexity。在 .env 文件中更新以下搜索工具配置和 API 密钥：

SEARCH_API="duckduckgo"  # 使用的搜索 API，默认为 `duckduckgo`
TAVILY_API_KEY="your_tavily_api_key"  # Tavily API 密钥
PERPLEXITY_API_KEY="your_perplexity_api_key"  # Perplexity API 密钥
MAX_WEB_RESEARCH_LOOPS=3  # 研究循环的最大次数，默认为 `3`
FETCH_FULL_PAGE=false  # 使用 DuckDuckGo 时获取完整页面内容，默认为 `false`

（六）使用 LangGraph Studio 运行

Mac

1. （推荐）创建虚拟环境：

   python -m venv .venv
   source .venv/bin/activate
   

2. 启动 LangGraph 服务器：

   curl -LsSf https://astral.sh/uv/install.sh | sh
   uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev
   

Windows

1. （推荐）创建虚拟环境：
   • 安装 Python 3.11（在安装过程中添加到 PATH）。
   • 重启终端，确保 Python 可用，然后创建并激活虚拟环境：

     python -m venv .venv
     .venv\Scripts\Activate.ps1
     

2. 启动 LangGraph 服务器：

   pip install -e .
   pip install -U "langgraph-cli[inmem]"
   langgraph dev
   

（七）使用 LangGraph Studio UI

启动 LangGraph 服务器后，你将看到以下输出，Studio 将在浏览器中打开：

Ready!
API: http://127.0.0.1:2024
Docs: http://127.0.0.1:2024/docs
LangGraph Studio Web UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

通过上述 URL 打开 LangGraph Studio Web UI。在 configuration 选项卡中，你可以直接设置各种助手配置。请注意配置值的优先级顺序：

1. 环境变量（最高优先级）
2. LangGraph UI 配置
3. Configuration 类中的默认值（最低优先级）

六、结语

Local Deep Researcher 是一个强大的开源深度研究工具，它结合了本地运行的优势和强大的 AI 功能。通过深度、迭代式的研究方法，它能够帮助用户快速获取和整理大量信息，生成详细的研究报告。无论是在学术研究、商业分析还是个人学习中，Local Deep Researcher 都能够显著提高研究效率。此外，它还提供了灵活的配置选项，支持本地和云模型，满足不同用户的需求。

在使用 Local Deep Researcher 时，我们需要注意隐私保护和数据安全。虽然 Local Deep Researcher 提供了强大的隐私保护功能，但在使用云模型时，我们仍需确保数据的安全性。此外，我们还应根据自己的硬件条件和性能需求选择合适的模型。

七、相关资源

• GitHub 项目地址：https://github.com/langchain-ai/local-deep-researcher
• Ollama 官方网站：https://ollama.com/
• LMStudio 官方网站：https://lmstudio.ai/
• LangGraph 项目地址：https://github.com/langchain-ai/langgraph

🎯🔖更多专栏系列文章：AI大模型提示工程完全指南、AI大模型探索之路（零基础入门）、AI大模型预训练微调进阶、AI大模型开源精选实践、AI大模型RAG应用探索实践🔥🔥🔥 其他专栏可以查看博客主页📑

😎 作者介绍：资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索（CSDN博客之星|AIGC领域优质创作者）
📖专属社群：欢迎关注【小兵的AI视界】公众号或扫描下方👇二维码，回复‘入群’ 即刻上车，获取邀请链接。
💘领取三大专属福利：1️⃣免费赠送AI+编程📚500本，2️⃣AI技术教程副业资料1套，3️⃣DeepSeek资料教程1套🔥（限前500人）
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我们，一起携手同行AI的探索之旅，开启智能时代的大门！