Nøkkelinnsikt i lokal dypforskning
Hva er lokal dybdeforskning?
Lokal dypforskning (LDR) er en gratis, MIT-lisensiert, selvhostet AI forskningsassistent bygget av LearningCircuit som utfører agentisk forskning fra flere kilder utelukkende på din egen maskin. Den deler opp komplekse spørringer i fokuserte underspørringer, søker på tvers av over 10 kilder, inkludert arXiv, PubMed, SearXNG, Wikipedia og dine egne private dokumenter, og syntetiserer deretter funn i strukturerte, sitasjonsbaserte rapporter.
Alle data lagres i SQLite-databaser kryptert per bruker med AES-256, uten telemetri. Oppnår omtrent 95 % nøyaktighet på OpenAI.'s SimpleQA-referanseindeksen, sammen med GPT-4.1-mini og SearXNG, gir LDR bedrifter, forskere og personvernbevisste fagfolk et direkte åpen kildekode-alternativ til Perplexity Pro og OpenAI Dyptgående research, uten å sende en eneste forespørsel til en tredjepart.
Hver bruker får en isolert SQLCipher-database sikret med AES-256, den samme krypteringsstandarden som brukes av Signal Messenger. PBKDF2-SHA512 med 256 000 iterasjoner blokkerer brute-force-angrep, og HMAC-SHA512 sikrer dataintegritet. Enda viktigere er det at forskningssesjoner blir til et voksende lokalt bibliotek, noe som betyr at i dag's PubMed-analyse av GLP-1-farmakologi blir en søkbar ressurs i morgendagen's spørsmål om kardiovaskulære utfall av GLP-1.
LDR leveres med over 20 konfigurerbare forskningsstrategier, fra hurtigsammendrag på 30 sekunder til fokusert iterasjon, som er konfigurasjonen som er ansvarlig for SimpleQA-resultatet på ~95 %. Den nyere LangGraph Agent- modusen lar LLM selv bestemme hvilke søkemotorer som skal søkes etter og når de skal syntetiseres, noe som produserer adaptive, utforskende forskningsløkker.
LDR søker rett ut av boksen gratis i arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, The Guardian og Wayback Machine. Betalte tillegg inkluderer Tavily, Google via SerpAPI og Brave Search. Privat dokumentsøk bruker vektorinnebygging og et lokalt vektorlager, slik at en mappe med PDF-filer blir en førsteklasses søkemotor ved siden av det åpne nettet.
LDR leverer en Model Context Protocol-server som registrerer den som et delegerbart forskningsverktøy i Claude Desktop og Claude Code. I stedet for å stappe rå nettsider inn i kontekstvinduet, kan Claude avlaste dyptgående forskningsoppgaver til LDR, som håndterer parallelt søk, skraping og syntese. Dette gjør LDR til et innebygd forskningsbackend for enhver MCP-bevisst agentisk stabel uten å omskrive orkestreringslaget.
En fullstendig autentisert Python-klient og HTTP REST API tillater programmatisk forskning i stor skala. Enhver eksisterende LangChain-kompatibel henter, inkludert FAISS, Chroma, Pinecone, Weaviate og Elasticsearch, kan sendes direkte til LDR som en navngitt søkemotor.
Dette betyr at lag kan slå LDR's dypforskningsorkestrering på en eksisterende RAG-stabel uten å migrere indekseringsprosessen, noe som gjør den realistisk nok til å passe inn i kunnskapshåndteringsmiljøer for bedrifter og samsvarsdrevne forskningsmiljøer.
Lokale prisplaner for dyp forskning
| Plan Navn | Kostnad | Viktige funksjoner |
|---|---|---|
| Åpen kildekode (selvhostet) | $0 | Full tilgang til funksjoner, MIT-lisensiert, ubegrensede spørringer |
| Med lokal LLM (Ollama) | $0 | Ingen API-avgifter, fullstendig offline LLM, personvern først |
| Med Cloud LLM | Betal per token til LLM-leverandør | GPT-4.1-mini gir ~95 % SimpleQA, ingen LDR-avgift |
| Med Premium-søk | Custom | Høyere kildekvalitet, betalte søkemotorer |
Hvem bør bruke lokal dypforskning?
LDR er bygget for fagfolk med henvendelser som inneholder informasjon som ikke kan forlate organisasjonen. Helseforskere , gravejournalister, sikkerhetsanalytikere og juridiske team opererer alle under samsvars- eller konfidensialitetsmandater som gjør skybaserte forskningsverktøy til en uunnværlig løsning.
Med null telemetri, signerte Docker-bilder med Cosign- og SLSA-proveniensbekreftelser, og ingen passordgjenoppretting per design, er LDR posisjonert som et forskningsverktøy på infrastrukturnivå snarere enn en forbrukerapp. Utviklere som allerede kjører Ollama eller llama.cpp, vil finne LDR som et naturlig lag oppå en eksisterende lokal ... AI stable.
LDR vs. skybaserte forskningsverktøy
Den viktigste differensierende faktoren er datasuverenitet. ÅpenAI Dyp forskning, Perplexity Pro, og Google Deep Research ruter alle søkene dine gjennom proprietær infrastruktur, som er akseptabel for generell bruk, men diskvalifiserer for regulerte bransjer.
LDR matcher deres referanseytelse på omtrent 95 % på SimpleQA når den er konfigurert med skymodeller, og den lander i området 70 til 85 prosent med lokale modeller i 20B-klassen, noe som fortsatt er produksjonsnyttig for de fleste forskningsoppgaver. Det vedvarende krypterte kunnskapsbiblioteket som sammensettes på tvers av økter, er en funksjon ingen av de hostede produktene tilbyr for øyeblikket.
Fordeler og ulemper
- Helt gratis og åpen kildekode.
- Over 10 søkemotorer innebygd.
- Over 20 forskningsstrategier.
- Kunnskapsbiblioteker blir sammensatt over tid.
- LangChain RAG-integrasjon.
- Ingen telemetri eller analyse.
- Krever Docker- eller Python-oppsett.
- GPU nødvendig for de beste lokale modellene.
- Ingen mekanisme for gjenoppretting av passord.
- PDF-eksport i Windows krever ekstra trinn.
Beste lokale alternativer for dyp forskning
| Selvbetjent AI Vitenskapelig assistent | Datasikkerhet | LLM-fleksibilitet |
|---|---|---|
| Perplexity Pro | Spørringer behandlet på Perplexity-servere | Ingen støtte for lokale modeller |
| OpenAI dyp forskning | Spørsmål behandlet av OpenAI | Kun GPT-familien |
| Google Deep Research | Søk behandlet av Google | Bare Tvillingene |
| Tavily Research Agent | API-basert, skyavhengig | Integreres kun via API |
