Lokale Tiefenforschung

Lokale Tiefenforschung – Wichtigste Erkenntnisse

Was ist lokale Tiefenforschung?

Lokale Tiefenforschung (LDR) ist eine kostenlose, unter der MIT-Lizenz stehende, selbstgehostete Anwendung. AI Wissenschaftlicher Mitarbeiter Diese von LearningCircuit entwickelte Anwendung führt agentenbasierte Recherchen aus mehreren Quellen vollständig auf Ihrem eigenen Rechner durch. Sie zerlegt komplexe Anfragen in fokussierte Teilanfragen, durchsucht über 10 Quellen, darunter arXiv, PubMed, SearXNG, Wikipedia und Ihre eigenen Dokumente, und fasst die Ergebnisse anschließend in strukturierten, zitationsbasierten Berichten zusammen. 

Alle Daten werden benutzerbezogen in AES-256-verschlüsselten SQLite-Datenbanken ohne Telemetrie gespeichert. Auf OpenAI wird eine Genauigkeit von ca. 95 % erreicht.'s Der SimpleQA-Benchmark in Kombination mit GPT-4.1-mini und SearXNG bietet LDR Unternehmen, Forschern und datenschutzbewussten Fachleuten eine direkte Open-Source-Alternative zu Perplexity Pro und Open.AI Tiefgehende Recherche, ohne eine einzige Anfrage an Dritte zu senden.

Hauptmerkmale der lokalen Tiefenforschung

AES-256-verschlüsselte benutzerbezogene Wissensbibliothek

Jeder Benutzer erhält eine isolierte SQLCipher-Datenbank, die mit AES-256 gesichert ist – demselben Verschlüsselungsstandard, der auch von Signal Messenger verwendet wird. PBKDF2-SHA512 mit 256,000 Iterationen blockiert Brute-Force-Angriffe, und HMAC-SHA512 gewährleistet die Datenintegrität. Noch wichtiger ist, dass die Recherchesitzungen zu einer wachsenden lokalen Bibliothek führen, was heute bedeutet, dass's PubMed-Abruf von GLP-1-Pharmakologie wird morgen zu einer durchsuchbaren Ressource.'s Anfrage zu kardiovaskulären Ergebnissen unter GLP-1-Therapie. 

Über 20 Recherchestrategien, einschließlich des LangGraph-Agentenmodus

LDR bietet über 20 konfigurierbare Recherchestrategien, von der Schnellübersicht nach 30 Sekunden bis hin zur fokussierten Iteration – der Konfiguration, die für die ca. 95%igen SimpleQA-Ergebnisse verantwortlich ist. Der neuere LangGraph-Agent- Modus ermöglicht es dem LLM, selbstständig zu entscheiden, welche Suchmaschinen abgefragt und wann Ergebnisse synthetisiert werden sollen, wodurch adaptive, explorative Rechercheschleifen entstehen.

Suche in mehreren Quellen im akademischen und offenen Web

LDR durchsucht standardmäßig kostenlos arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, The Guardian und die Wayback Machine. Zu den kostenpflichtigen Erweiterungen gehören Tavily, Google Search (über SerpAPI) und Brave Search. Die private Dokumentensuche nutzt Vektor-Embedding und einen lokalen Vektorspeicher, sodass ein PDF-Ordner neben dem offenen Web zu einer vollwertigen Suchmaschine wird.

MCP-Server für Claude Desktop und Claude Code Integration

LDR liefert einen Model Context Protocol (MCP)-Server mit, der es als delegierbares Recherchetool in Claude Desktop und Claude Code registriert. Anstatt Webseiten direkt im Kontextfenster anzuzeigen, kann Claude komplexe Rechercheaufgaben an LDR auslagern, das die parallele Suche, das Scraping und die Synthese übernimmt. Dadurch wird LDR zu einem nativen Recherche-Backend für jeden MCP-fähigen Agenten-Stack, ohne dass die Orchestrierungsschicht neu geschrieben werden muss.

REST-API- und LangChain-Unternehmensintegration

Ein vollständig authentifizierter Python-Client und eine HTTP-REST-API ermöglichen programmatische Recherchen in großem Umfang. Jeder bestehende LangChain-kompatible Retriever, einschließlich FAISS, Chroma, Pinecone, Weaviate und Elasticsearch, kann direkt als benannte Suchmaschine an LDR übergeben werden.

Das bedeutet, dass Teams LDR absichern können.'s Die Orchestrierung von Deep Research auf einem bestehenden RAG-Stack ohne Migration der Indexierungspipeline macht es zu einer realistischen Lösung für unternehmensweites Wissensmanagement und Compliance-getriebene Forschungsumgebungen.

Lokale Tiefenrecherche-Preispläne

Wer sollte lokale Tiefenforschung nutzen?

LDR ist für Fachleute konzipiert, deren Anfragen Informationen enthalten, die das Unternehmen nicht verlassen dürfen. Gesundheitsforscher , investigative Journalisten, Sicherheitsanalysten und Rechtsteams unterliegen allesamt Compliance- oder Vertraulichkeitsvorgaben, die cloudbasierte Recherchetools für sie ungeeignet machen.

Mit dem Verzicht auf Telemetrie, signierten Docker-Images mit Cosign- und SLSA-Herkunftsnachweisen und der systembedingten Deaktivierung der Passwortwiederherstellung positioniert sich LDR eher als Forschungswerkzeug für Infrastrukturen denn als Endnutzer-Anwendung. Entwickler, die bereits Ollama oder llama.cpp verwenden, werden LDR als nahtlose Erweiterung ihrer bestehenden lokalen Umgebung empfinden. AI Stapel.

LDR vs Cloud-Forschungstools

Das zentrale Unterscheidungsmerkmal ist die Datensouveränität. OffenAI Gründliche Recherche, Perplexity ProSowohl Google als auch Google Deep Research leiten Ihre Anfragen über eine proprietäre Infrastruktur, was für den allgemeinen Gebrauch akzeptabel ist, jedoch für regulierte Branchen zum Ausschluss führt. 

LDR erreicht mit Cloud-Modellen auf SimpleQA eine Benchmark-Performance von rund 95 % und liegt mit lokalen 20B-Modellen im Bereich von 70 bis 85 %, was für die meisten Forschungsaufgaben immer noch produktionstauglich ist. Die persistente, verschlüsselte Wissensbibliothek, die sich über mehrere Sitzungen hinweg ergänzt, ist eine Funktion, die keines der derzeit gehosteten Produkte bietet.

Vor-und Nachteile

Beste lokale Alternativen für Tiefenrecherchen