概述

目的与范围

Local Deep Researcher 是一个完全本地化的网络研究助手，可以自主地对用户提供的主题进行全面的在线研究。它利用本地托管的大型语言模型（LLM）来生成搜索查询、分析网络内容并生成带有适当引用的结构化摘要。本文档提供了系统架构、功能和组件的高级概述。有关配置选项的详细信息，请参阅配置；有关部署说明，请参阅部署。

来源: README.md1-3

核心功能

本地优先方法：使用 Ollama 或 LMStudio 作为 LLM 提供商，完全在您的机器上运行
迭代研究过程：采用受 IterDRAG 启发的方法，逐步完善研究
多个搜索提供商：支持 DuckDuckGo（默认）、SearXNG、Tavily 和 Perplexity
自动化知识缺口识别：分析当前研究状态以识别缺失信息
结构化输出：生成带有源材料引用的 Markdown 摘要
可配置参数：通过环境变量或 UI 调整研究深度和行为

来源: README.md3-4 README.md157-167

系统架构

Local Deep Researcher 基于 LangGraph 构建，LangGraph 为创建复杂的 AI 工作流提供了结构化框架。该系统由几个相互连接的组件组成，它们协同工作以执行迭代研究。

系统组件图

来源: README.md157-167 pyproject.toml11-23

研究工作流

研究过程遵循一个明确的迭代模式，逐步提高研究结果的质量和完整性。

迭代研究过程

来源: README.md157-167

数据流

系统在整个研究过程中保持状态，跟踪当前的摘要、搜索查询和收集到的来源。这使得它能够在之前的发现基础上继续工作，并避免重复劳动。

研究期间的数据流

来源: README.md168-176

状态管理

研究过程保持一个结构化的状态，随着研究的进展而演变。此状态包括：

状态组件	描述
`研究主题`	用户提供的原始研究主题
`搜索查询`	当前正在使用的搜索查询
`网络研究结果`	当前网络搜索的结果
`收集的来源`	研究期间收集的所有来源
`研究循环计数`	已完成的研究迭代次数
`运行摘要`	当前研究摘要

来源: README.md168-176

技术和依赖项

Local Deep Researcher 基于多项关键技术构建：

LangGraph：协调工作流并维护状态
LangChain：提供与 LLM 和搜索 API 集成的组件
Ollama/LMStudio：托管本地 LLM
各种搜索提供商：DuckDuckGo、Tavily、Perplexity、SearXNG
Docker：可选的容器化部署

主要依赖项包括

langgraph
langchain-community
tavily-python
langchain-ollama
duckduckgo-search
langchain-openai
openai
httpx
markdownify
python-dotenv

来源: pyproject.toml11-23

部署选项

系统可以通过以下几种方式部署

本地开发：直接在您的机器上使用 LangGraph Studio 运行
Docker 容器：作为容器化应用程序运行
其他 LangGraph 部署方法：LangGraph 支持的各种部署选项

有关详细部署说明，请参阅部署部分。

来源: README.md178-214

快速入门

快速开始使用 Local Deep Researcher：

克隆仓库
在 .env 中配置您的环境变量
安装本地 LLM 提供商（Ollama 或 LMStudio）
启动 LangGraph 服务器
访问 LangGraph Studio UI 以启动研究

有关详细使用说明，请参阅使用指南。

来源: README.md16-155

概述