Información clave obtenida mediante investigación local exhaustiva
¿Qué es la investigación profunda local?
Investigación local profunda (LDR) es un software gratuito, con licencia MIT y autoalojado. AI asistente de investigación Desarrollado por LearningCircuit, este sistema realiza investigaciones multisource y automatizadas completamente en tu propio ordenador. Descompone consultas complejas en subconsultas específicas, busca en más de 10 fuentes, incluyendo arXiv, PubMed, SearXNG, Wikipedia y tus propios documentos privados, y luego sintetiza los resultados en informes estructurados con referencias bibliográficas.
Todos los datos se almacenan en bases de datos SQLite cifradas con AES-256 por usuario, sin telemetría. Se logra una precisión aproximada del 95 % en OpenAI.'s El benchmark SimpleQA, cuando se combina con GPT-4.1-mini y SearXNG, ofrece a las empresas, investigadores y profesionales preocupados por la privacidad una alternativa directa de código abierto a Perplexity Pro y OpenAI Investigación exhaustiva, sin enviar ni una sola consulta a terceros.
Cada usuario obtiene una base de datos SQLCipher aislada y protegida con AES-256, el mismo estándar de cifrado utilizado por Signal Messenger. PBKDF2-SHA512 con 256,000 iteraciones bloquea los ataques de fuerza bruta, y HMAC-SHA512 garantiza la integridad de los datos. Más importante aún, las sesiones de investigación se acumulan para formar una biblioteca local en constante crecimiento, lo que significa que hoy en día...'s La base de datos de PubMed sobre la farmacología del GLP-1 se convertirá en un recurso consultable en el futuro.'s Consulta sobre los resultados cardiovasculares del GLP-1.
LDR incluye más de 20 estrategias de investigación configurables, desde Resumen rápido en 30 segundos hasta Iteración enfocada, que es la configuración responsable del resultado SimpleQA de ~95%. El nuevo Agente LangGraph Este modo permite que el propio LLM decida qué motores de búsqueda consultar y cuándo sintetizar, generando así ciclos de investigación adaptativos y exploratorios.
De forma predeterminada, LDR realiza búsquedas gratuitas en arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, The Guardian y Wayback Machine. Entre los complementos de pago se incluyen Tavily, Google a través de SerpAPI y Brave Search. La búsqueda privada de documentos utiliza incrustación vectorial y un almacenamiento local de vectores, por lo que una carpeta de PDF se convierte en un motor de búsqueda de primera clase junto con la web abierta.
LDR incluye un servidor Model Context Protocol que lo registra como una herramienta de investigación delegable dentro de Claude Desktop y Claude Code. En lugar de insertar páginas web sin procesar en la ventana de contexto, Claude LDR puede delegar tareas de investigación exhaustivas, encargándose de la búsqueda, el rastreo y la síntesis en paralelo. Esto convierte a LDR en un sistema de investigación nativo para cualquier pila de agentes compatible con MCP, sin necesidad de reescribir la capa de orquestación.
Un cliente Python totalmente autenticado y una API REST HTTP permiten realizar investigaciones programáticas a gran escala. Cualquier recuperador compatible con LangChain, incluidos FAISS, Chroma, Pinecone, Weaviate y Elasticsearch, puede pasarse directamente a LDR como motor de búsqueda con nombre.
Esto significa que los equipos pueden deshacerse de LDR's Permite la orquestación de investigaciones exhaustivas en una pila RAG existente sin migrar el proceso de indexación, lo que la convierte en una solución viable para la gestión del conocimiento empresarial y los entornos de investigación orientados al cumplimiento normativo.
Planes de precios para investigación local exhaustiva
| Nombre del Plan | Costo | Características principales |
|---|---|---|
| Código abierto (autoalojado) | $0 | Acceso completo a todas las funciones, licencia MIT, consultas ilimitadas. |
| Con LLM local (Ollama) | $0 | Sin comisiones por API, máster en Derecho totalmente offline, la privacidad es primordial. |
| Con Cloud LLM | Pago por token al proveedor de LLM | GPT-4.1-mini ofrece aproximadamente un 95 % de SimpleQA, sin coste de LDR. |
| Con búsqueda premium | Personalizado | Mayor calidad de la fuente, motores de búsqueda de pago |
¿Quiénes deberían utilizar la investigación local exhaustiva?
LDR está diseñado para profesionales cuyas consultas contienen información que no puede salir de la organización. Investigadores sanitariosLos periodistas de investigación, los analistas de seguridad y los equipos legales operan bajo mandatos de cumplimiento o confidencialidad que hacen que las herramientas de investigación basadas en la nube sean inviables.
Sin telemetría, con imágenes Docker firmadas con Cosign y certificaciones de procedencia SLSA, y sin recuperación de contraseña por diseño, LDR se posiciona como una herramienta de investigación de nivel de infraestructura en lugar de una aplicación para el consumidor. Los desarrolladores que ya ejecutan Ollama o llama.cpp encontrarán en LDR una capa natural sobre una infraestructura local existente. AI asociación.
LDR frente a herramientas de investigación en la nube
El factor diferenciador clave es la soberanía de los datos. AbiertoAI Investigación profunda, Perplejidad profesionalTanto Google Deep Research como otras herramientas similares dirigen tus consultas a través de una infraestructura propietaria, lo cual es aceptable para uso general pero resulta inaceptable para industrias reguladas.
LDR iguala su rendimiento de referencia en aproximadamente un 95 % en SimpleQA cuando se configura con modelos en la nube, y se sitúa entre el 70 y el 85 % con modelos locales de clase 20B, lo que sigue siendo útil para la mayoría de las tareas de investigación en entornos de producción. La biblioteca de conocimiento cifrado persistente que se acumula entre sesiones es una capacidad que ninguno de los productos alojados ofrece actualmente.
Pros y contras
- Totalmente gratuito y de código abierto.
- Más de 10 motores de búsqueda integrados.
- Más de 20 estrategias de investigación.
- La biblioteca de conocimientos se acumula con el tiempo.
- Integración de LangChain RAG.
- Sin telemetría ni análisis.
- Requiere la instalación de Docker o Python.
- Se necesita una GPU para obtener los mejores resultados con los modelos locales.
- No dispone de mecanismo de recuperación de contraseña.
- La exportación a PDF en Windows requiere pasos adicionales.
Las mejores alternativas para realizar una investigación exhaustiva a nivel local.
| Autoalojado AI Asistente de investigación | Privacidad de datos | Flexibilidad del LLM |
|---|---|---|
| Perplejidad profesional | Consultas procesadas en servidores de Perplexity | No hay soporte para modelos locales |
| Abra AI Investigación profunda | Consultas procesadas por OpenAI | Solo para la familia GPT |
| Investigación profunda de Google | Consultas procesadas por Google | Géminis solamente |
| Agente de investigación de Tavily | Basado en API, dependiente de la nube | Se integra únicamente a través de API. |
