langchain-ai/local-deep-researcher

解決的問題

提供一種使用完全本地的 LLM 執行深度且迭代式網路研究的方法，無需依賴雲端 AI 服務來處理研究過程中的推理與整合部分。

工作原理

該助手遵循循環式的研究流程：

1. 查詢生成：使用本地 LLM（透過 Ollama 或 LMStudio）根據主題產生網路搜尋查詢。
2. 資訊收集：使用 DuckDuckGo、Tavily、SearXNG 或 Perplexity 等工具進行網路搜尋。
3. 摘要生成：LLM 對搜尋結果進行摘要。
4. 反思分析：LLM 分析摘要，識別知識缺口。
5. 迭代優化：產生新查詢以填補這些缺口，並依使用者定義的循環次數重複此過程。
6. 最終輸出：產生包含所有使用來源引用的最終 Markdown 摘要。

適用對象

希望本地運行研究助手以保障隱私或降低成本的使用者，以及希望使用 LangGraph 實現迭代式研究代理的開發者。

主要亮點

• 本地 LLM 支援：相容 Ollama 與 LMStudio。
• 靈活搜尋：支援多種搜尋提供者，包括無需 API 金鑰的 DuckDuckGo、Tavily、SearXNG 與 Perplexity。
• 迭代推理：使用基於反思的循環來識別並填補知識缺口，而非僅執行一次搜尋。
• 可視化工作流程：與 LangGraph Studio 集成，允許使用者即時可視化研究過程。