本地也能运行Deep Research！支持arXiv平台，兼容PDF、Markdown等

今年年初，OpenAI 上线 Deep Research，开启了智能体又一新阶段，其能根据用户需求自主进行网络信息检索、整合多源信息、深度分析数据，并最终为用户提供全面深入的解答。

此后，Grok 3 及 Perplexity 等，它们都推出了类似的 Deep Research 服务。

其实，大家在惊叹 Deep Research 能力的同时，也会担心数据隐私等安全问题。

现在，可以本地运行的 Deep Research 来了！

我们可以将其看作一个强大的 AI 研究助手，它使用多个 LLM 和网络搜索进行深入的、迭代的分析。该系统可以本地运行，从而保护用户隐私，你也可以使用基于云的 LLM 以增强其功能。

目前项目已经收获 1.4k star 量。

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

该项目具有以下特点：

先进的研究功能：

• 能够自动进行深度研究，并在过程中提出智能的跟进问题，以确保全面理解和深入挖掘主题；
• 追踪引用来源，并验证其可靠性和准确性，确保信息的可信度；
• 通过多次迭代分析，该项目能够逐步完善研究内容，确保覆盖所有相关方面，避免遗漏重要信息；
• 分析整个网页的内容，而不仅仅是提取片段，从而提供更全面和准确的信息。

对 LLM 灵活支持：

• 支持在本地设备上运行 AI 模型（如 Ollama），确保数据处理的高效性和隐私性；
• 兼容云端大语言模型（如 Claude，GPT），从而提供更强大的计算能力和多样化的模型选择；
• 能够无缝集成和使用 Langchain 框架下的所有模型；
• 用户可以根据具体需求选择和配置不同的 AI 模型，以优化研究效果。

丰富的输出选项：

• 详细的研究结果，并附带引用来源；
• 生成内容详实、结构清晰的综合研究报告；
• 提供简洁的摘要，帮助用户快速抓住核心信息；
• 自动追踪信息来源并验证其可靠性。

增强的搜索集成：

• 自动选择搜索源：对于用户正在查询的内容，自动搜索引擎会进行智能分析，并根据查询内容选择最合适的搜索引擎；
• 集成了维基百科，方便快速获取准确的事实性知识和百科信息；
• 支持 arXiv 平台，便于检索和访问最新的科学论文和学术研究成果；
• 集成 PubMed，提供生物医学领域的最新文献和医学研究资源；
• 支持 DuckDuckGo 搜索引擎，提供隐私友好的网页搜索体验（但可能受到速率限制）；
• 通过 SerpAPI 集成，可以获取 Google 搜索结果（需提供 API 密钥）；
• 支持 Google 可编程搜索引擎，允许用户创建个性化的搜索体验（需提供 API 密钥）；
• 集成 The Guardian（《卫报》），方便获取最新的新闻文章和深度报道（需提供 API 密钥）；
• 支持通过本地 RAG 搜索对私有文档进行搜索，确保数据隐私；
• 能够抓取并分析整个网页的内容；
• 提供来源过滤和验证功能，确保搜索结果的可靠性和准确性；
• 用户可以根据需求自定义搜索参数，优化搜索体验。

本地文档搜索（RAG）：

• 基于向量嵌入的本地文档搜索；
• 为不同主题创建自定义文档集合；
• 保护隐私，用户文档保留在自己的机器上；
• 智能分块和检索；兼容多种文档格式（PDF、文本、Markdown 等）；
• 自动与元搜索集成，实现统一查询。

该项目还包括一个 Web 界面（如下所示），以提供更加用户友好的体验：

到底效果如何呢？我们以官方示例来说明，官方展示了一个关于核聚变能源发展的调查研究。

用户提问：核聚变能源研究的最新进展是什么？商业核聚变什么时候可行？

然后 Deep Research 输出了一篇可用的调查报告，内容非常详实：

报告部分截图

完整报告可参考：https://github.com/LearningCircuit/local-deep-research/blob/main/examples/fusion-energy-research-developments.md

通过这一示例，我们可以直观了解到该项目在深度研究、跨领域分析和信息整合方面的强大功能。

想要上手体验的小伙伴，可以跟着官方教程进行部署，打造属于自己的 Deep Research 了。

文章来自于“机器之心”，作者“陈陈”。