Local Deep Research (LDR) LearningCircuit/local-deep-research

能干什么

一个本地优先的 agentic 研究工具：你提一个复杂问题，它自己决定搜什么——跨网页（SearXNG/Brave/Google）、学术（arXiv/PubMed/Semantic Scholar）、你本地文档库多引擎检索，交叉合成成带引用的报告（快速摘要 30 秒~3 分钟 / 详细研究 5~15 分钟 / 完整报告 10~30 分钟，项目口径）。核心是 langgraph-agent 策略：LLM 自主决定用哪个引擎、搜几轮、何时收手。研究中的来源可一键下载进本地加密知识库（SQLCipher AES-256，每用户独立库），越用越厚。模型随便换：本地 Ollama / LM Studio / llama.cpp 的 OpenAI 兼容端点都行，也接在线 API；搜索源可配，且带出站范围控制（Adaptive/Public only/Private only/Strict）——Private only 强制本地模型、只查本地源。无遥测、无埋点，Docker 镜像有 Cosign 签名。还带 MCP server（Claude Desktop/Code 直接调研究）、订阅式研究摘要（按主题定时推送）。

怎么干

• 最快路径：下载仓库的 docker-compose.yml 跑 docker compose up -d（自带 Ollama + SearXNG，GPU 环境加 gpu override 文件）
• 开 http://localhost:5000，注册账号（密码即解密密钥，不存储），配一个模型端点（本地 Ollama 默认 localhost:11434）
• 选研究模式提问；来源下载进 Library 后用「文档分析」在本地库上再问

本站怎么用

栏目里「本地模型能干什么」的边界案例：深度研究是最吃模型能力的场景，而这个项目自己报的数据正好是本站读者要的参照——项目自述在单张 RTX 3090 上跑 Qwen3.6-27B（Ollama 本地）做到 SimpleQA 95.7%（n=300）、xbench-DeepSearch 77%（n=100，项目自述基准，未本站复现，样本小且有 LLM 判卷噪声，项目自己也标注了）。换句话说：24G 档的卡 + 27B 级模型，「本地深度研究」是可用的；8~12G 档小模型做这个场景会明显吃力（检索轮次一多、上下文一长就顶不住）。

显存口径

研究主体是主模型推理：项目自述基准用 Qwen3.6-27B 在 RTX 3090（24G）上跑，本地模型按 /capacity/ 查所选档位，且深度研究是多轮 agentic 调用——上下文要开大，显存比同模型的纯聊天占用更高。搜索/检索/加密库本身不吃显存（CPU+磁盘）。CPU 也能跑（要求 AVX），慢但可用。