LearningCircuit/local-deep-research

解决的问题

本地深度研究（LDR）为AI研究助手提供了一种私密、自托管的替代方案。它允许用户在不将敏感数据发送给集中式AI提供商的情况下，对网络、学术论文和个人文档进行深入的自主研究，同时确保所有发现均有适当的引用支持。

工作原理

LDR结合使用LLM（通过Ollama或OpenAI兼容端点）和多种搜索引擎（如SearXNG、arXiv和PubMed），自动化研究流程。它提供两种主要策略：

• 流水线模式：适用于快速查证事实和快速摘要。
• LangGraph代理策略：一个自主代理，可决定使用哪些专业搜索引擎以及何时整合信息，从而实现更复杂的分析和更高的准确性。

用户还可以通过将源文件下载到加密库中来构建本地知识库，LDR随后对其进行索引和嵌入，以便在研究会话期间进行检索增强生成（RAG）。

适用人群

• 注重隐私的研究人员：需要在无遥测或追踪的情况下进行深度分析。
• 学术和技术专业人士：需要来自可靠来源的高精度结果并附有引用。
• 开发者：希望通过REST API将自主研究功能集成到自己的应用程序中。

主要亮点

• 完全本地执行：仅使用单张RTX 3090即可通过本地LLM完全运行。
• 加密数据：使用SQLCipher与AES-256加密保护每个用户的数据库和API密钥。
• 自主研究：根据发现动态切换搜索引擎的自适应搜索策略。
• 全面的源集成：支持学术引擎（arXiv、PubMed）、通用网络搜索（SearXNG）和本地文档索引。
• 期刊质量系统：利用OpenAlex和DOAJ自动评估期刊声誉并检测掠夺性期刊。
• 知识库构建：可下载并索引源文件，创建可积累、可搜索的个人图书馆。