本地AI深度研究代理

本地AI深度研究代理 | AI生成和翻译

首页 2026.07

问题：LearningCircuit/local-deep-research 介绍

回答：

Local Deep Research GitHub Repository 是一个开源的本地 AI 深度研究智能体。可以将其视为 ChatGPT Deep Research / Gemini Deep Research 这类系统的自托管版本，但由你控制模型、数据和基础设施。

核心思路：

用户问题
      |
      v
研究智能体
      |
      +--> 网络搜索
      |
      +--> 学术搜索
      |
      +--> 本地文档
      |
      +--> 多次 LLM 调用
      |
      v
综合报告 + 引用

它不仅仅是 RAG，更接近于一个智能体研究工作流。

架构

主要组件：

                 +----------------+
                 |      用户       |
                 +--------+-------+
                          |
                          v
              +-----------+------------+
              | Local Deep Research    |
              |        智能体          |
              +-----------+------------+
                          |
        +-----------------+----------------+
        |                 |                |
        v                 v                v

    LLM 后端          搜索工具         知识库

    Ollama            SearXNG           PDF
    vLLM              网页              论文
    OpenAI API        arXiv             笔记
    Claude API        PubMed            文档

该项目支持：

通过 Ollama 使用本地 LLM
兼容 OpenAI 的端点
网络搜索
学术来源
你自己的文档库

README 将其描述为“用于深度、智能体式研究的 AI 驱动研究助手”，使用多个 LLM 和搜索引擎，并带有引用。

有趣的部分：智能体策略

关键部分是 LangGraph 智能体策略。

传统方式：

问题
   |
搜索 5 个 URL
   |
总结
   |
回答

智能体方式：

问题

LLM 思考：

"需要更多关于 X 的信息"

        |
        v

搜索 X

        |
        v

阅读结果

        |
        v

"需要学术来源"

        |
        v

搜索 arXiv/PubMed

        |
        v

比较来源

        |
        v

生成报告

智能体决定：

搜索什么
使用哪个搜索引擎
何时证据足够
何时综合

该仓库声称 LangGraph 智能体模式是其基准测试结果背后的关键。

本地硬件

对你的配置而言有趣的点：

该项目专门针对本地 GPU 使用。

README 提到：

在单张 RTX 3090（Qwen3.6-27B）上完全本地运行

并报告了以下基准测试数字：

SimpleQA ~95%
xbench-DeepSearch ~77%

在本地硬件上。

你的 RTX 4070 12GB 更受限，但可能的配置：

小型本地配置

RTX 4070
 |
 +-- Qwen3 8B / 14B
 |
 +-- Ollama
 |
 +-- Local Deep Research

严肃配置

2 x RTX 3090 24GB

48GB VRAM

      |
      +-- Qwen3 32B
      +-- Deep Research 智能体
      +-- 嵌入模型

这正是多 GPU 有用的工作负载类型。

安装

最简单的方式：

pip install local-deep-research

python -m local_deep_research.web.app

然后连接：

LLM：
  Ollama
  vLLM
  兼容 OpenAI API

搜索：
  SearXNG

该项目也提供了 Docker 部署。

与 ChatGPT Deep Research 对比

	ChatGPT Deep Research	Local Deep Research
模型	OpenAI 模型	任意模型
数据隐私	云端	本地
自定义知识	有限	强大
成本	订阅/API 费用	硬件成本
智能体定制	有限	完整代码访问
研究工作流	封闭	开放

有趣的未来方向：

10 个模型
   |
100 个研究智能体
   |
交叉验证
   |
最终科学报告

该项目本质上是朝着这一目标的基础构建块。

对于你的“AI 代币工厂”想法

这个仓库非常接近 AI 公司的“研究部门”。

想象一下：

                    管理智能体

                         |
       +-----------------+----------------+
       |                 |                |

 文献智能体         代码智能体        市场智能体

 Claude             Qwen            Gemini

       |                 |                |

       +-------- 辩论 / 验证 ------------+

                         |

                  最终报告

Local Deep Research 提供了一个工人。下一步进化是智能体组织。

对于正在构建 CLI 智能体、模型训练实验和多模型工作流的人来说，这个仓库值得研究，主要在于：

LangGraph 编排
搜索规划
引用管道
本地模型集成
持久化知识库

它不仅仅是“ChatGPT 克隆”；它更接近于一个开源的研究操作系统。

参考文献：

Local Deep Research GitHub Repository

返回捐助