在當今信息爆炸的時代，無論是學術研究、商業分析還是個人學習，都需要從海量的信息中快速獲取、整理和分析關鍵內容。然而，傳統的人工研究方法往往效率低下且容易遺漏重要信息。隨著人工智能技術的飛速發展，AI驅動的研究工具應運而生，LangChain 團隊開發了Local Deep Researcher。它旨在通過 AI 技術幫助用戶進行深入、迭代式的主題研究。與傳統的研究方法不同，Local Deep Researcher 能夠自動分解問題、檢索信息、生成總結，并通過多輪迭代來不斷完善研究結果。

一、項目概述

Local Deep Researcher 是一款完全本地化運行的網絡研究助手，依托Ollama所托管的各類大語言模型開展工作。它的核心設計理念是 “隱私與效率并重”，旨在幫助用戶高效地進行深度研究。當用戶輸入一個研究主題后，Local Deep Researcher 會自動生成網絡搜索查詢，并通過配置的搜索引擎（如默認的 Tavily，也支持 DuckDuckGo、Perplexity 等）收集相關的網絡搜索結果。接著，模型會對這些結果進行總結分析，反思總結內容以識別知識差距，進而生成新的搜索查詢來填補這些差距。這一迭代優化過程會持續進行，直至達到用戶設定的總結次數，最終為用戶輸出一份包含所有引用來源的 Markdown 格式總結報告 。這種自動化、迭代式的研究流程，極大地提升了研究效率，減少了人工篩選信息的繁瑣工作。

二、核心功能

（一）深度、迭代式研究

Local Deep Researcher 的核心功能之一是其深度、迭代式的研究方法。它能夠自動將復雜的研究問題分解為多個子問題，并針對每個子問題進行信息檢索和分析。然后，它會根據已有的答案識別知識缺口，并生成新的搜索查詢以填補這些缺口。這個過程會重復進行，直到達到用戶設定的迭代次數。

（二）靈活的 AI 模型支持

Local Deep Researcher 支持多種 AI 模型，用戶可以根據自己的需求選擇本地模型或云模型。例如，它支持通過Ollama 使用本地LLM，也支持通過LMStudio使用其他模型。這種靈活性使得用戶可以在保護隱私的同時，根據自己的硬件條件和性能需求選擇合適的模型。

（三）豐富的輸出選項

Local Deep Researcher 的輸出非常靈活，支持多種格式。它能夠生成詳細的研究報告，包括總結、引用和參考文獻。此外，它還可以生成快速摘要，方便用戶快速了解研究的主要內容。

（四）隱私保護

Local Deep Researcher 提供了強大的隱私保護功能。它支持完全在本地運行，所有數據和模型都可以存儲在用戶的本地設備上，從而避免了數據泄露的風險。

（五）強大的搜索集成

Local Deep Researcher 集成了多種搜索工具，包括 DuckDuckGo、Tavily 和 Perplexity 等。用戶可以根據自己的需求選擇不同的搜索工具，并通過配置文件添加相應的 API 密鑰。此外，它還支持本地文檔搜索，用戶可以上傳自己的文檔集合，以便在研究過程中使用。

三、技術原理

（一）迭代式研究流程

Local Deep Researcher 的技術原理基于迭代式研究流程。它首先使用本地 LLM 生成一個搜索查詢，然后通過搜索引擎獲取相關文檔。接著，它使用 LLM 對這些文檔進行總結，并識別知識缺口。然后，它生成新的搜索查詢，繼續獲取和總結信息，這個過程會重復進行，直到達到用戶設定的迭代次數。

（二）多輪分析與智能問題生成

Local Deep Researcher 的另一個重要技術特點是多輪分析和智能問題生成。它能夠根據已有的答案和知識缺口，自動生成新的問題和搜索查詢。這種多輪分析的方法能夠確保研究的深度和廣度，幫助用戶全面了解研究主題。

（三）本地與云模型的結合

Local Deep Researcher 支持本地和云模型的結合。用戶可以選擇使用本地 LLM，以確保數據隱私和安全；也可以選擇使用云模型，以獲得更強大的功能和更高的性能。這種靈活性使得 Local Deep Researcher 能夠滿足不同用戶的需求。

四、應用場景

（一）學術研究

Local Deep Researcher 在學術研究中具有廣泛的應用。它可以幫助研究人員快速獲取和分析科學論文，整理研究思路，生成詳細的文獻綜述。通過多輪迭代分析，研究人員可以深入探索復雜的研究問題，發現新的研究方向。

（二）商業分析

在商業領域，Local Deep Researcher 可以幫助分析師跟蹤行業動態和市場趨勢。它能夠快速生成商業報告，提供詳細的市場分析和競爭情報。通過靈活的搜索工具和多輪分析，分析師可以深入了解特定市場或行業的各個方面。

（三）個人學習

對于個人學習者來說，Local Deep Researcher 是一個非常有用的工具。它可以快速整理和總結知識，幫助學習者快速了解一個主題的主要內容。通過多輪迭代分析，學習者可以深入探索感興趣的主題，提高學習效率。

五、快速使用

（一）克隆倉庫

首先，克隆Local Deep Researcher項目的倉庫：

git clone https://github.com/langchain-ai/local-deep-researcher.git
cd local-deep-researcher

（二）編輯 `.env` 文件

cp .env.example .env

編輯`.env` 文件以根據需要自定義環境變量。這些環境變量控制模型選擇、搜索工具和其他配置設置。當你運行應用程序時，這些值將通過 `python-dotenv` 自動加載。

（三）選擇本地模型（使用 Ollama）

1. 下載適用于 Mac 的 Ollama 應用程序。

2. 從 Ollama 拉取本地 LLM。例如：

ollama pull deepseek-r1:8b

3. （可選）更新 `.env` 文件，添加以下 Ollama 配置設置：

OLLAMA_BASE_URL="http://localhost:11434"  # Ollama 服務端點，默認為 `http://localhost:11434`
OLLAMA_MODEL="deepseek-r1:8b"  # 使用的模型，默認為 `llama3.2`，如果不設置

（四）選擇本地模型（使用 LMStudio）

1. 下載并安裝 LMStudio。

2. 在 LMStudio 中：

- 下載并加載你偏好的模型（例如，qwen_qwq-32b）。

- 轉到“Local Server”選項卡。

- 啟動帶有 OpenAI 兼容 API 的服務器。

- 記下服務器 URL（默認：??http://localhost:1234/v1??）。

3. （可選）更新 `.env` 文件，添加以下 LMStudio 配置設置：

LLM_PROVIDER=lmstudio
LOCAL_LLM=qwen_qwq-32b  # 使用 LMStudio 中顯示的確切模型名稱
LMSTUDIO_BASE_URL=http://localhost:1234/v1

（五）選擇搜索工具

默認情況下，它將使用 DuckDuckGo 進行網絡搜索，無需 API 密鑰。但你也可以通過添加 API 密鑰使用 SearXNG、Tavily 或 Perplexity。在 `.env` 文件中更新以下搜索工具配置和 API 密鑰：

SEARCH_API="duckduckgo"  # 使用的搜索 API，默認為 `duckduckgo`
TAVILY_API_KEY="your_tavily_api_key"  # Tavily API 密鑰
PERPLEXITY_API_KEY="your_perplexity_api_key"  # Perplexity API 密鑰
MAX_WEB_RESEARCH_LOOPS=3  # 研究循環的最大次數，默認為 `3`
FETCH_FULL_PAGE=false  # 使用 DuckDuckGo 時獲取完整頁面內容，默認為 `false`

（六）使用 LangGraph Studio 運行

• Mac

1. （推薦）創建虛擬環境：

python -m venv .venv
source .venv/bin/activate

2. 啟動 LangGraph 服務器：

curl -LsSf https://astral.sh/uv/install.sh | sh
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev

• Windows

1. （推薦）創建虛擬環境：

- 安裝 `Python 3.11`（在安裝過程中添加到 PATH）。

- 重啟終端，確保 Python 可用，然后創建并激活虛擬環境：

python -m venv .venv
.venv\Scripts\Activate.ps1

2. 啟動 LangGraph 服務器：

pip install -e .
pip install -U "langgraph-cli[inmem]"
langgraph dev

（七）使用 LangGraph Studio UI

啟動 LangGraph 服務器后，你將看到以下輸出，Studio 將在瀏覽器中打開：

```

Ready!

API: http://127.0.0.1:2024

Docs: http://127.0.0.1:2024/docs

LangGraph Studio Web UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

```

通過上述 URL 打開 `LangGraph Studio Web UI`。在 `configuration` 選項卡中，你可以直接設置各種助手配置。請注意配置值的優先級順序：

1. 環境變量（最高優先級）

2. LangGraph UI 配置

3. `Configuration` 類中的默認值（最低優先級）

六、結語

Local Deep Researcher 是一個強大的開源深度研究工具，它結合了本地運行的優勢和強大的 AI 功能。通過深度、迭代式的研究方法，它能夠幫助用戶快速獲取和整理大量信息，生成詳細的研究報告。無論是在學術研究、商業分析還是個人學習中，Local Deep Researcher 都能夠顯著提高研究效率。此外，它還提供了靈活的配置選項，支持本地和云模型，滿足不同用戶的需求。

七、相關資源

GitHub 項目地址：??https://github.com/langchain-ai/local-deep-researcher??

Ollama 官方網站：??https://ollama.com/??

LMStudio 官方網站：??https://lmstudio.ai/??

LangGraph 項目地址：???https://github.com/langchain-ai/langgraph??

本文轉載自??小兵的AI視界??，作者：AGI小兵