langchain-ai/local-deep-researcher

解决的问题

提供一种使用完全本地的 LLM 执行深度、迭代式网络研究的方法，无需依赖云服务来完成研究过程中的推理和综合部分。

工作原理

该助手遵循一个循环的研究流程：

1. 查询生成：使用本地 LLM（通过 Ollama 或 LMStudio）根据主题生成网络搜索查询。
2. 信息收集：使用 DuckDuckGo、Tavily、SearXNG 或 Perplexity 等工具进行网络搜索。
3. 摘要生成：LLM 对搜索结果进行摘要。
4. 反思分析：LLM 分析摘要，识别知识空白。
5. 迭代优化：生成新查询以填补这些空白，并按用户定义的循环次数重复该过程。
6. 最终输出：生成包含所有使用来源引用的最终 Markdown 摘要。

适用人群

希望本地运行研究助手以保障隐私或降低成本的用户，以及希望使用 LangGraph 实现迭代研究代理的开发者。

主要亮点

• 本地 LLM 支持：兼容 Ollama 和 LMStudio。
• 灵活搜索：支持多种搜索提供商，包括无需 API 密钥的 DuckDuckGo、Tavily、SearXNG 和 Perplexity。
• 迭代推理：使用基于反思的循环来识别并填补知识空白，而非仅执行一次搜索。
• 可视化工作流：与 LangGraph Studio 集成，允许用户实时可视化研究过程。