Viktiga insikter om lokal djupforskning
Vad är lokal djupforskning?
Lokal djupforskning (LDR) är en gratis, MIT-licensierad, självhostad webbplats AI forskningsassistent byggd av LearningCircuit och utför agentisk forskning från flera källor helt på din egen dator. Den delar upp komplexa frågor i fokuserade delfrågor, söker i fler än 10 källor inklusive arXiv, PubMed, SearXNG, Wikipedia och dina egna privata dokument, och syntetiserar sedan resultaten till strukturerade, citeringsbaserade rapporter.
All data lagras i SQLite-databaser med AES-256-kryptering per användare utan telemetri. Uppnådde ungefär 95 % noggrannhet med OpenAI.'s SimpleQA-riktmärket, i kombination med GPT-4.1-mini och SearXNG, ger LDR företag, forskare och integritetsmedvetna yrkesverksamma ett direkt öppen källkodsalternativ till Perplexity Pro och OpenAI Djupgående research, utan att skicka en enda fråga till en tredje part.
Varje användare får en isolerad SQLCipher-databas säkrad med AES-256, samma krypteringsstandard som används av Signal Messenger. PBKDF2-SHA512 med 256 000 iterationer blockerar brute-force-attacker, och HMAC-SHA512 säkerställer dataintegritet. Ännu viktigare är att forskningssessioner sammansätts till ett växande lokalt bibliotek, vilket idag betyder's PubMed-undersökningar om GLP-1-farmakologi blir en sökbar tillgång i framtiden's fråga om kardiovaskulära utfall för GLP-1.
LDR levereras med över 20 konfigurerbara forskningsstrategier, från snabb sammanfattning på 30 sekunder till fokuserad iteration, vilket är den konfiguration som ansvarar för SimpleQA-resultatet på ~95 %. Den nyare LangGraph-agent läget låter LLM själv bestämma vilka sökmotorer som ska sökas och när den ska syntetisera, vilket producerar adaptiva, utforskande forskningsloopar.
LDR söker direkt ur lådan i arXiv, PubMed, Semantic Scholar, Wikipedia, SearXNG, GitHub, The Guardian och Wayback Machine gratis. Betalda tillägg inkluderar Tavily, Google via SerpAPI och Brave Search. Privat dokumentsökning använder vektorinbäddning och en lokal vektorlagring, så en mapp med PDF-filer blir en förstklassig sökmotor vid sidan av den öppna webben.
LDR levererar en Model Context Protocol-server som registrerar den som ett delegerbart forskningsverktyg i Claude Desktop och Claude Code. Istället för att stoppa in råa webbsidor i kontextfönstret, Claude kan avlasta djupgående forskningsuppgifter till LDR, som hanterar parallell sökning, skrapning och syntes. Detta gör LDR till en inbyggd forskningsbackend för alla MCP-medvetna agentstackar utan att skriva om orkestreringsskiktet.
En fullständigt autentiserad Python-klient och HTTP REST API möjliggör programmatisk forskning i stor skala. Alla befintliga LangChain-kompatibla sökmotorer, inklusive FAISS, Chroma, Pinecone, Weaviate och Elasticsearch, kan skickas direkt till LDR som en namngiven sökmotor.
Det här betyder att lag kan sätta dit LDR's djupgående forskningsorkestrering på en befintlig RAG-stack utan att migrera indexeringspipelinen, vilket gör den realistisk för kunskapshantering och efterlevnadsdrivna forskningsmiljöer för företag.
Lokala prisplaner för djupgående forskning
| Plan Namn | Pris | VIKTIGA FUNKTIONER |
|---|---|---|
| Öppen källkod (självhostad) | $0 | Fullständig åtkomst till funktioner, MIT-licens, obegränsade frågor |
| Med lokal juridikexamen (Ollama) | $0 | Inga API-avgifter, helt offline LLM, integritet först |
| Med Cloud LLM | Betala per token till LLM-leverantör | GPT-4.1-mini ger ~95% SimpleQA, ingen LDR-avgift |
| Med Premium-sökning | Custom | Högre källkvalitet, betalda sökmotorer |
Vem bör använda lokal djupforskning?
LDR är utformat för yrkesverksamma vars förfrågningar innehåller information som inte får lämna organisationen. Vårdforskare, grävande journalister, säkerhetsanalytiker och juridiska team arbetar alla under efterlevnads- eller sekretesskrav som gör molnbaserade forskningsverktyg till en oumbärlig del.
Med noll telemetri, signerade Docker-avbildningar med Cosign- och SLSA-proveniensbekräftelser, och ingen lösenordsåterställning per definition, positioneras LDR som ett forskningsverktyg i infrastrukturklass snarare än en konsumentapp. Utvecklare som redan kör Ollama eller llama.cpp kommer att finna att LDR är ett naturligt lager ovanpå en befintlig lokal ... AI stack.
LDR kontra molnforskningsverktyg
Den viktigaste skillnaden är datasuveränitet. ÖppenAI Djupgående forskning, Perplexity Prooch Google Deep Research dirigerar alla dina frågor genom proprietär infrastruktur, vilket är acceptabelt för allmänt bruk men diskvalificerar för reglerade branscher.
LDR matchar deras riktmärkesprestanda på ungefär 95 % på SimpleQA när den konfigureras med molnmodeller, och den landar i intervallet 70 till 85 procent med lokala modeller i 20B-klass, vilket fortfarande är produktionsmässigt användbart för de flesta forskningsuppgifter. Det persistenta krypterade kunskapsbiblioteket som sammansätts över sessioner är en funktion som ingen av de värdbaserade produkterna erbjuder för närvarande.
För-och nackdelar
- Helt gratis och öppen källkod.
- Över 10 inbyggda sökmotorer.
- Över 20 forskningsstrategier.
- Kunskapsbibliotek sammansätts över tid.
- LangChain RAG-integration.
- Ingen telemetri eller analys.
- Kräver Docker- eller Python-installation.
- GPU behövs för bästa lokala modeller.
- Ingen mekanism för lösenordsåterställning.
- PDF-export i Windows kräver extra steg.
Bästa lokala djupforskningsalternativ
| Egenvärd AI Forskningsassistent | Dataintegritet | LLM-flexibilitet |
|---|---|---|
| Perplexity Pro | Frågor bearbetade på Perplexity-servrar | Inget stöd för lokal modell |
| ÖppetAI Djup forskning | Frågor bearbetade av OpenAI | Endast GPT-familjen |
| Google Deep Research | Sökningar bearbetade av Google | Endast Tvillingarna |
| Tavily Research Agent | API-baserad, molnberoende | Integreras endast via API |
