local-deep-researcher

本地跑通搜索到报告，隐私数据不出门

local-deep-researcher 是一个完全本地运行的网络研究与报告写作助手，基于 Python 开发。它解决的核心问题是：在使用大模型做深度研究时，用户往往需要将查询和资料发送到云端服务，存在隐私泄露和依赖外部 API 的风险。该项目将整个研究流程——从问题拆解、多轮网络搜索、网页内容抓取，到信息整合与报告生成——全部放在本地执行，配合本地部署的大语言模型（如通过 Ollama）即可完成。它支持自动生成搜索关键词、迭代式深入检索、对来源进行摘要与引用，并最终输出结构化的研究报告。用户只需给出一个研究主题，系统就能自主规划搜索路径、收集证据并撰写带参考来源的文档。对于注重数据隐私、希望离线使用 AI 研究能力的研究人员、分析师和开发者来说，这是一个开箱即用的方案。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 9345

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队langchain-ai

所属国家

官网地址

GitHubhttps://github.com/langchain-ai/local-deep-researcher

定价模式free

价格说明开源免费，需自行部署

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型

GitHub 星标★ 9345

30天Star增速

HF 下载量

上线时间2024-12-04 00:00:00

最近更新2026-09-16 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-12

浏览次数0

使用教程

难度：进阶约 20 分钟部署方式：本地安装 7 步

环境要求

Python 3.11（uvx 启动命令指定 --python 3.11）
本地大模型服务：Ollama 或 LMStudio，且已拉取所需模型
搜索工具 API Key（如 Tavily 的 TAVILY_API_KEY）
可选：Docker，用于以容器方式运行

安装与启动步骤

1克隆仓库

把项目代码拉到本地并进入项目目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/langchain-ai/local-deep-researcher.git
cd local-deep-researcher
```
2复制环境变量文件

把示例配置复制成 .env，运行时会通过 python-dotenv 自动加载（langgraph.json 指向该 env 文件）。
```
cp .env.example .env
```
3编辑 .env 配置

按需修改模型选择、搜索工具等环境变量，例如 SEARCH_API、TAVILY_API_KEY、LLM_PROVIDER、OLLAMA_BASE_URL、LOCAL_LLM。
4安装 uv

安装 uv 包管理器，用于以隔离环境一键启动 LangGraph 开发服务器。
```
curl -LsSf https://astral.sh/uv/install.sh | sh
```
5启动 LangGraph Studio

用 uvx 拉取 langgraph-cli 并以本项目为可编辑依赖启动开发服务，默认端口 2024。
```
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev
```
6可选：pip 安装依赖

不想用 uv 时，可用 pip 把项目装成可编辑包，并安装 langgraph-cli。
```
pip install -e .
pip install -U "langgraph-cli[inmem]"
```

7可选：Docker 运行

构建镜像后运行容器，需单独启动 Ollama 并正确设置 OLLAMA_BASE_URL。

docker build -t local-deep-researcher .
docker run --rm -it -p 2024:2024 -e SEARCH_API="tavily" -e TAVILY_API_KEY="tvly-xxxxxxxx" -e LLM_PROVIDER=ollama -e OLLAMA_BASE_URL="http://host.docker.internal:11434/" -e LOCAL_LLM="llama3.2" local-deep-researcher

关键配置

配置项	必填	说明	示例
`SEARCH_API`	是	选择使用的网络搜索工具	`tavily`
`TAVILY_API_KEY`	是	Tavily 搜索服务的 API Key	`tvly-xxxxxxxx`
`LLM_PROVIDER`	是	指定大模型提供方	`ollama`
`OLLAMA_BASE_URL`	是	Ollama 服务地址，Docker 下需指向宿主机	`http://host.docker.internal:11434/`
`LOCAL_LLM`	否	指定要使用的 Ollama 模型名称	`llama3.2`
`use_tool_calling`	否	改用工具调用替代 JSON 模式，gpt-oss 等模型必须开启	`true`

如何确认成功

终端出现 Opening Studio 日志后，浏览器访问 https://smith.langchain.com/studio/thread?baseUrl=http://127.0.0.1:2024 能看到 Studio 界面即成功。

常见问题

Q：日志提示已打开浏览器，但容器里没弹出窗口？

A：这是正常现象，容器内不会启动浏览器。请手动访问 Studio 链接，并把 baseUrl 换成正确 IP，如 http://127.0.0.1:2024。

Q：使用 gpt-oss 模型时报错怎么办？

A：gpt-oss 在 Ollama 不支持 JSON 模式，需在配置中开启 use_tool_calling，改用工具调用方式运行。

Q：Docker 容器连不上本地 Ollama？

A：Dockerfile 不含 Ollama，需单独运行 Ollama，并把 OLLAMA_BASE_URL 设为 http://host.docker.internal:11434/ 指向宿主机。

Q：docker run 时提示找不到搜索或模型配置？

A：需在命令中用 -e 传入 SEARCH_API、TAVILY_API_KEY、LLM_PROVIDER、OLLAMA_BASE_URL、LOCAL_LLM 等环境变量，或改用 .env 文件配置后本地运行。

注意事项

Dockerfile 只把 LangGraph Studio 作为服务运行，不包含 Ollama 依赖服务，必须单独运行 Ollama 并配置 OLLAMA_BASE_URL。
环境变量在启动时由 python-dotenv 自动从 .env 读取，因为 langgraph.json 指向了该 env 文件。
不支持 JSON 模式的模型需切换到 use_tool_calling 工具调用模式，例如 gpt-oss。
Web 研究流程需要搜索工具 API Key，用 Tavily 时填写 TAVILY_API_KEY。

核心亮点

全流程本地化，查询与资料不离开本机，隐私安全
支持多轮迭代搜索与自动关键词生成，研究深度可调
基于 LangGraph 构建，流程模块化，便于替换模型或搜索源

不足之处

依赖本地大模型质量，小模型生成报告的结构和准确性有限
网络搜索仍依赖外部搜索引擎 API（如 Tavily、DuckDuckGo），并非完全离线
配置本地模型和搜索密钥有一定门槛，对新手不够友好

适用场景

个人研究者对敏感主题做深度调研，不希望数据上传云端
企业内部做竞品或技术调研，要求资料不出内网
开发者学习 AI Agent 工作流，本地调试多步搜索与报告生成

替代项目

GPT-Researcher、storm、AutoGen

项目介绍

local-deep-researcher 是一个搜索知识领域的开源项目，官方简介：Fully local web research and report writing assistant。项目使用 Python 开发，在 GitHub 上获得 9340 星标。

上一篇：SuperMew

下一篇：langconnect