夜雨聆风你有没有这种经历？想找个靠谱的AI帮忙做深度调研，结果一搜发现全是云端服务，你的问题、你的资料、你的思路，统统得先传到人家服务器上转一圈。心里总有点不踏实，对吧？
特别是搞科研的、做投研的、或者公司里处理敏感数据的，这种"数据出境"的焦虑感更强烈。OpenAI的Deep Research确实厉害，可它再强，你的query也绕不过别人的机房。
今天给你介绍的这个项目，就是来解决这个痛点的。它叫 Local Deep Research，目前在GitHub上已经拿了7.7k+的Star，最近涨得飞快。核心就一句话：把AI深度研究能力完全搬到你自己电脑上，数据不出本地，连网都不一定需要。
这个项目最打动我的地方，是它的"全本地"思路。你装在自己机器上，配一个本地大模型（比如用Ollama跑个Qwen或者Llama），再搭个搜索引擎，完事儿。你的研究问题、检索过程、生成的报吿，全部留在本地硬盘里。项目甚至给每个用户配了独立的加密数据库，AES-256加密，密码忘了谁都打不开。
性能方面也挺让人意外。开发者用Qwen3.6-27B在单张RTX 3090上跑，SimpleQA准确率干到了95.7%。这个成绩在完全本地化的条件下，已经相当能打了。你不用非得买几万块的显卡，普通消费级GPU甚至CPU都能跑起来，只是速度有差别。
功能上，它支持四种研究模式。快速摘要适合临时查个东西，30秒到3分钟出结果，带引用来源。详细研究会给你一个结构化的全面分析。报吿生成更狠，直接输出带章节、带目录的专业文档，还能导出PDF和Markdown。如果你有自己的资料库，文档分析模式可以让AI在你的私人文挡里搜答案，结合网络信息一起综合判断。
搜索引擎这块，它接入了十几种。免费的就有arXiv、PubMed、Semantic Scholar、Wikipedia、SearXNG、GitHub这些，学术和技术查询基本全覆盖。想要更好的效果，也能接Google、Brave、Tavily这类付费引擎。还有个很实用的功能：LangChain向量库集成。你可以把自己的文档、笔记、PDF统统塞进去建一个本地知识库，下次研究的时候AI会同时检索你的私藏和全网信息。
策略方面提供了20多种研究策略。最推荐的是langgraph-agent，这是个自主智能体模式，AI自己会决定搜什么、用什么引擎搜、什么时候该总结了。focused-iteration则是迭代精炼模式，准确率最高。你可以在设置里随时切换，看哪种更适合当前任务。
还有个挺有意思的功能叫"研究订阅"。你可以定一个主题，比如"大模型推理优化"或者"新能源电池技术"，系统会按你设的频牽（每天、每周或自定义）自动跑一遍研究，把最新进展整理成摘要发给你。相当于雇了一个24小时不休息的科研助理。
对程序员来说，它提供了MCP Server，可以直接从Claude Code里调用深度研究能力。装个插件，Claude就能帮你做文献综述、技术调研，结果直接返回到编辑器里。也有完整的Python API和HTTP API，想二次开发或者集成到现有系统里都很方便。
好，说这么多，怎么装？
最简单的方式是Docker Compose，全平台通用。你先确保电脑上装了Docker，然后打开终端，敲下面这几行：
curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml && docker compose up -d等大概半分钟，打开浏览器访问 http://localhost:5000，就能看到界面了。如果你用的是NVIDIA显卡而且想加速，再下一份GPU配罝文件：
curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.yml &&curl -O https://raw.githubusercontent.com/LearningCircuit/local-deep-research/main/docker-compose.gpu.override.yml &&docker compose -f docker-compose.yml -f docker-compose.gpu.override.yml up -d
Linux用户也可以用纯Docker命令跑，不过Mac和Windows建议用Docker Compose，因为docker run的--network host参数在非Linux系统上会有坑。
如果你更习惯Python环境，直接用pip也行：
pip install local-deep-research python -m local_deep_research.web.app然后同样打开 http://localhost:5000。不过这种方式你需要自己提前装好Ollama（或者其它兼容OpenAI API的本地模型服务）和SearXNG，项目文档里有详细的配罝说明。
装完第一次打开，记得去设置里选模型。如果用Ollama，默认地址是 http://localhost:11434，模型名称填你拉下来的那个，比如qwen3.6:27b或者llama3:8b。搜索引擎建议先用SearXNG，免费而且去重效果比DuckDuckGo好。
研究深度也可以调。命令行里加 --depth=shallow 就是浅层快速搜索，--depth=deep 会挖得更深。--max-sources 控制引用来源数量，默认可能有点多，你可以按需要收紧。
用了一段时间后，你会发现它的知识库功能越积越厚。每次研究找到的好资料，一键下载到本地图书馆，AI自动提取文字、建立索引。下次再问相关问题，这些积累的资料会直接参与检索，相当于你的个人知识库在自动复利增长。
项目本身没有任何遥测、没有分析跟踪、没有电话回家。你的使用数据完全留在本地加密数据库里。这在现在这个年代，算是一股清流了。
总之，如果你经常要做技术调研、文献综述、竞品分析，又不想把数据交给第三方，Local Deep Research真的值得试试。上手门槛不高，本地模式几乎零成本，云端API模式效果更好但花点token费。装一个玩玩，说不定就离不开了。
guthub地址：https://github.com/LearningCircuit/local-deep-research