Локальные углублённые исследования

Ключевые выводы углубленного локального исследования

Что такое локальное глубокое исследование?

Локальные углублённые исследования (LDR) — это бесплатная, распространяемая по лицензии MIT, саморазмещаемая программа. AI научный сотрудник Разработанная компанией LearningCircuit, эта система выполняет многоисточниковое агентное исследование полностью на вашем компьютере. Она разбивает сложные запросы на целенаправленные подзапросы, осуществляет поиск по более чем 10 источникам, включая arXiv, PubMed, SearXNG, Wikipedia и ваши собственные личные документы, а затем синтезирует результаты в структурированные отчеты, подкрепленные цитатами. 

Все данные хранятся в зашифрованных с помощью AES-256 базах данных SQLite для каждого пользователя без телеметрии. Достигнута точность примерно 95% на платформе OpenAI.'s В сочетании с GPT-4.1-mini и SearXNG, LDR предоставляет предприятиям, исследователям и специалистам, заботящимся о конфиденциальности, прямую альтернативу с открытым исходным кодом для Perplexity Pro и Open. Бенчмарк SimpleQA в паре с SearXNG предоставляет предприятиям, исследователям и специалистам, заботящимся о конфиденциальности, прямую альтернативу Perplexity Pro и Open.AI Проведение углубленных исследований без отправки единого запроса третьим лицам.

Ключевые особенности локальных углубленных исследований

Библиотека знаний, зашифрованная с помощью AES-256 для каждого пользователя

Каждый пользователь получает изолированную базу данных SQLCipher, защищенную AES-256, тем же стандартом шифрования, который используется в Signal Messenger. PBKDF2-SHA512 с 256 000 итерациями блокирует атаки методом перебора, а HMAC-SHA512 обеспечивает целостность данных. Что еще более важно, исследовательские сессии накапливаются, образуя растущую локальную библиотеку, а это значит, что сегодня...'s Поисковые запросы в PubMed, посвященные фармакологии GLP-1, завтра станут доступны для многих пользователей.'s Запрос о сердечно-сосудистых исходах, связанных с применением GLP-1. 

Более 20 исследовательских стратегий, включая режим агента LangGraph.

LDR поставляется с более чем 20 настраиваемыми стратегиями исследования, от быстрого сводного отчета за 30 секунд до целенаправленной итерации, которая обеспечивает результат SimpleQA около 95%. Новый режим LangGraph Agent позволяет LLM самостоятельно решать, к каким поисковым системам обращаться и когда проводить синтез результатов, создавая адаптивные, исследовательские циклы.

Многоисточниковый поиск в академической и открытой сети Интернет.

В базовой комплектации LDR бесплатно осуществляет поиск в arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, The Guardian и Wayback Machine. Платные дополнения включают Tavily, Google через SerpAPI и Brave Search. Поиск по частным документам использует векторное представление и локальное хранилище векторов, поэтому папка с PDF-файлами становится первоклассной поисковой системой наряду с открытым интернетом.

MCP Server для интеграции Claude Desktop и Claude Code

LDR поставляется с сервером протокола контекста модели (Model Context Protocol), который регистрирует его как делегируемый инструмент исследования внутри Claude Desktop и Claude Code. Вместо того чтобы помещать необработанные веб-страницы в контекстное окно, Claude может переложить задачи глубокого исследования на LDR, который обрабатывает параллельный поиск, сбор и синтез данных. Это делает LDR нативным бэкэндом для исследований в любом агентном стеке, поддерживающем MCP, без переписывания уровня оркестрации.

Интеграция REST API и LangChain Enterprise

Полностью аутентифицированный клиент Python и HTTP REST API позволяют проводить программные исследования в больших масштабах. Любой существующий поисковик, совместимый с LangChain, включая FAISS, Chroma, Pinecone, Weaviate и Elasticsearch, может быть передан непосредственно в LDR в качестве именованной поисковой системы.

Это означает, что команды могут отказаться от LDR.'s Глубокая оркестрация исследований на существующей платформе RAG без миграции конвейера индексирования делает ее реалистичным решением для управления корпоративными знаниями и исследовательских сред, ориентированных на соблюдение нормативных требований.

Тарифные планы локальных углубленных исследований

Кому следует использовать локальные углубленные исследования?

LDR создан для специалистов, чьи запросы содержат информацию, которую нельзя выносить за пределы организации. Исследователи в сфере здравоохранения , журналисты-расследователи, аналитики по безопасности и юридические отделы работают в условиях соблюдения нормативных требований или требований конфиденциальности, что делает облачные инструменты для исследований неприменимыми.

Благодаря отсутствию телеметрии, подписанным образам Docker с аттестациями происхождения Cosign и SLSA, а также отсутствию возможности восстановления паролей по умолчанию, LDR позиционируется как исследовательский инструмент инфраструктурного уровня, а не как потребительское приложение. Разработчики, уже использующие Ollama или llama.cpp, найдут LDR естественным дополнением к существующей локальной среде. AI стек.

LDR против облачных инструментов исследования

Ключевое отличие — суверенитет данных. Открытость.AI Глубокие исследования, Недоумение ПроИ Google Deep Research, и Google Deep Research направляют ваши запросы через собственную инфраструктуру, что приемлемо для общего использования, но неприемлемо для регулируемых отраслей. 

LDR демонстрирует результаты, сопоставимые с эталонными показателями, примерно на уровне 95% на SimpleQA при настройке с облачными моделями, и достигает диапазона от 70 до 85% с локальными моделями класса 20B, что по-прежнему полезно для большинства исследовательских задач в производственной среде. Постоянная зашифрованная библиотека знаний, которая накапливается между сессиями, — это возможность, которой в настоящее время не обладают ни один из размещенных продуктов.

Плюсы и минусы

Лучшие альтернативы углубленным локальным исследованиям