今年年初，OpenAI 上線 Deep Research，開啟了智慧體又一新階段，其能根據使用者需求自主進行網路資訊檢索、整合多源資訊、深度分析資料，並最終為使用者提供全面深入的解答。
此後，Grok 3 及 Perplexity 等，它們都推出了類似的 Deep Research 服務。
其實，大家在驚歎 Deep Research 能力的同時，也會擔心資料隱私等安全問題。
現在，可以本地執行的 Deep Research 來了！
我們可以將其看作一個強大的 AI 研究助手，它使用多個 LLM 和網路搜尋進行深入的、迭代的分析。該系統可以本地執行，從而保護使用者隱私，你也可以使用基於雲的 LLM 以增強其功能。
目前專案已經收穫 1.4k star 量。
專案地址：https://github.com/LearningCircuit/local-deep-research
該專案具有以下特點：
先進的研究功能：
能夠自動進行深度研究，並在過程中提出智慧的跟進問題，以確保全面理解和深入挖掘主題；
追蹤引用來源，並驗證其可靠性和準確性，確保資訊的可信度；
透過多次迭代分析，該專案能夠逐步完善研究內容，確保覆蓋所有相關方面，避免遺漏重要資訊；
分析整個網頁的內容，而不僅僅是提取片段，從而提供更全面和準確的資訊。
對 LLM 靈活支援：
支援在本地裝置上執行 AI 模型（如 Ollama），確保資料處理的高效性和隱私性；
相容雲端大語言模型（如 Claude，GPT），從而提供更強大的計算能力和多樣化的模型選擇；
能夠無縫整合和使用 Langchain 框架下的所有模型；
使用者可以根據具體需求選擇和配置不同的 AI 模型，以最佳化研究效果。
豐富的輸出選項：
詳細的研究結果，並附帶引用來源；
生成內容詳實、結構清晰的綜合研究報告；
提供簡潔的摘要，幫助使用者快速抓住核心資訊；
自動追蹤資訊來源並驗證其可靠性。
增強的搜尋整合：
自動選擇搜尋源：對於使用者正在查詢的內容，自動搜尋引擎會進行智慧分析，並根據查詢內容選擇最合適的搜尋引擎；
整合了維基百科，方便快速獲取準確的事實性知識和百科資訊；
支援 arXiv 平臺，便於檢索和訪問最新的科學論文和學術研究成果；
整合 PubMed，提供生物醫學領域的最新文獻和醫學研究資源；
支援 DuckDuckGo 搜尋引擎，提供隱私友好的網頁搜尋體驗（但可能受到速率限制）；
透過 SerpAPI 整合，可以獲取 Google 搜尋結果（需提供 API 金鑰）；
支援 Google 可程式設計搜尋引擎，允許使用者建立個性化的搜尋體驗（需提供 API 金鑰）；
整合 The Guardian（《衛報》），方便獲取最新的新聞文章和深度報導（需提供 API 金鑰）；
支援透過本地 RAG 搜尋對私有文件進行搜尋，確保資料隱私；
能夠抓取並分析整個網頁的內容；
提供來源過濾和驗證功能，確保搜尋結果的可靠性和準確性；
使用者可以根據需求自定義搜尋引數，最佳化搜尋體驗。
本地文件搜尋（RAG）：
基於向量嵌入的本地文件搜尋；
為不同主題建立自定義文件集合；
保護隱私，使用者文件保留在自己的機器上；
智慧分塊和檢索；
相容多種文件格式（PDF、文字、Markdown 等）；
自動與元搜尋整合，實現統一查詢。
該專案還包括一個 Web 介面（如下所示），以提供更加使用者友好的體驗：
到底效果如何呢？我們以官方示例來說明，官方展示了一個關於核聚變能源發展的調查研究。
使用者提問：核聚變能源研究的最新進展是什麼？商業核聚變什麼時候可行？
然後 Deep Research 輸出了一篇可用的調查報告，內容非常詳實：
報告部分截圖
完整報告可參考：https://github.com/LearningCircuit/local-deep-research/blob/main/examples/fusion-energy-research-developments.md
透過這一示例，我們可以直觀瞭解到該專案在深度研究、跨領域分析和資訊整合方面的強大功能。
想要上手體驗的小夥伴，可以跟著官方教程進行部署，打造屬於自己的 Deep Research 了。