高级用法

高级配置选项

Local Deep Researcher 系统提供了丰富的配置选项，可让您微调其行为、性能和研究能力。

配置优先级

系统在确定使用哪个配置值时遵循特定的优先级顺序：

来源：README.md129-135 src/ollama_deep_researcher/configuration.py58-76

环境变量配置

下表详细列出了您可以配置的所有环境变量，以自定义系统行为

环境变量	目的	默认值	备注
`SEARCH_API`	搜索提供商选择	duckduckgo	选项：duckduckgo, tavily, perplexity, searxng
`SEARXNG_URL`	自定义 SearXNG 实例	http://:8888	仅与 SearXNG 搜索一起使用
`TAVILY_API_KEY`	Tavily API 凭据	-	Tavily 搜索所需
`PERPLEXITY_API_KEY`	Perplexity API 凭据	-	Perplexity 搜索所需
`LLM_PROVIDER`	LLM 提供商选择	ollama	选项：ollama, lmstudio
`LOCAL_LLM`	要使用的模型名称	llama3.2	模型必须在所选提供商中可用
`LMSTUDIO_BASE_URL`	LMStudio API 端点	http://:1234/v1	与 lmstudio 提供商一起使用
`OLLAMA_BASE_URL`	Ollama API 端点	http://:11434	与 ollama 提供商一起使用
`MAX_WEB_RESEARCH_LOOPS`	研究迭代次数	3	值越高 = 研究越深入
`FETCH_FULL_PAGE`	完整内容检索	否	True = 更全面的分析
`STRIP_THINKING_TOKENS`	删除思考标记	True	控制输出格式

来源：.env.example1-17 src/ollama_deep_researcher/configuration.py14-56

优化研究质量

研究深度配置

MAX_WEB_RESEARCH_LOOPS 参数直接影响研究深度和质量

来源：src/ollama_deep_researcher/configuration.py17-21 README.md165-166

完整页面内容检索

将 FETCH_FULL_PAGE=True 设置为 true 可实现更全面的分析

来源：.env.example17 src/ollama_deep_researcher/configuration.py37-41

搜索提供商配置

系统支持多个搜索提供商，每个都有不同的功能

来源：src/ollama_deep_researcher/configuration.py8-12 README.md66-75

提供商配置提示

搜索提供商	优点	配置说明
DuckDuckGo	无需 API 密钥，开箱即用	设置 `FETCH_FULL_PAGE=True` 以获得更好结果
Tavily	AI 驱动搜索，相关性高	需要有效的 `TAVILY_API_KEY`
Perplexity	高级 AI 摘要和分析	需要有效的 `PERPLEXITY_API_KEY`
SearXNG	注重隐私的自托管选项	使用 `SEARXNG_URL` 配置自定义实例

来源：.env.example1-8

LLM 提供商配置

系统可以使用 Ollama 或 LMStudio 作为 LLM 提供商

来源：src/ollama_deep_researcher/configuration.py27-31 README.md29-64

模型兼容性注意事项

并非所有模型都能与系统的要求完美匹配

模型	JSON 输出支持	研究性能	备注
DeepSeek R1 (7B)	有限	良好	可能会触发回退机制
DeepSeek R1 (1.5B)	有限	基础	可能难以处理复杂主题
Llama 3.2	良好	优秀	可靠的 JSON 输出，良好的推理能力
Qwen QWQ (32B)	良好	优秀	研究任务能力强

来源：README.md143-146

Docker 部署

对于生产或隔离环境，您可以使用 Docker 部署系统

来源：README.md187-214

Docker 环境配置

在 Docker 中运行时，您需要正确配置与 Ollama 的连接

docker run --rm -it -p 2024:2024 \
  -e SEARCH_API="tavily" \
  -e TAVILY_API_KEY="tvly-***YOUR_KEY_HERE***" \
  -e LLM_PROVIDER=ollama \
  -e OLLAMA_BASE_URL="http://host.docker.internal:11434/" \
  -e LOCAL_LLM="llama3.2" \
  local-deep-researcher

要访问 LangGraph Studio UI，请使用：https://smith.langchain.com/studio/thread?baseUrl=http://127.0.0.1:2024

来源：README.md198-214

访问研究输出

研究过程会生成详细的输出，可通过 LangGraph Studio 访问

来源：README.md168-176

故障排除

浏览器兼容性

浏览器	兼容性	备注
Firefox	最佳	推荐以获得最佳体验
Safari	有限	可能因混合内容显示安全警告
Chrome/Edge	良好	可能需要禁用广告拦截器

来源：README.md148-155

常见问题与解决方案

问题	可能原因	解决方案
JSON 解析错误	模型难以生成结构化输出	尝试不同的模型（推荐 Llama 3.2）
搜索 API 错误	API 密钥无效或达到速率限制	检查 API 密钥并考虑切换提供商
性能缓慢	模型过大或启用了完整页面检索	使用更小的模型或禁用 `FETCH_FULL_PAGE`
浏览器安全警告	混合内容（HTTPS/HTTP）	使用 Firefox 或添加安全例外

来源：README.md143-155

集成与扩展

替代实现

此项目有一个 TypeScript 版本

仓库：https://github.com/PacoVK/ollama-deep-researcher-ts
功能：与原项目类似，但没有 Perplexity 搜索

来源：README.md183-185

与其他系统集成

有关高级部署选项以及与其他 LangChain 组件的集成，请参阅 LangChain Academy 的模块 6

来源：README.md178-180

性能优化

为了从系统中获得最佳性能，请考虑以下优化策略

目标	技术	配置
更快速的研究	使用更小的模型	将 `LOCAL_LLM` 设置为更小的模型（例如，“deepseek-r1:1.5b”）
更高质量	增加研究循环次数	将 `MAX_WEB_RESEARCH_LOOPS` 设置为更高的值（5-8）
平衡方法	中等大小模型，3-5 个循环	使用“llama3.2”并采用默认循环次数
详细来源	启用完整页面检索	设置 `FETCH_FULL_PAGE=True`

来源：README.md143-146 src/ollama_deep_researcher/configuration.py14-41