终极指南：如何用ollama-deep-researcher实现本地AI深度研究

终极指南：如何用ollama-deep-researcher实现本地AI深度研究

【免费下载链接】ollama-deep-researcherFully local web research and report writing assistant项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-deep-researcher

ollama-deep-researcher是一款完全本地化的AI深度研究助手，它能利用Ollama或LMStudio托管的任何大型语言模型（LLM），帮助用户进行网络研究并生成详细报告。无论是学术探索、市场分析还是技术调研，这款工具都能通过自动化的搜索-总结-反思循环，为你提供精准且全面的研究结果。

🚀 快速开始：三步搭建本地研究环境

1. 克隆项目仓库

首先，通过以下命令将项目代码克隆到本地：

git clone https://gitcode.com/GitHub_Trending/ol/ollama-deep-researcher cd ollama-deep-researcher

2. 配置环境变量

复制环境变量示例文件并根据需求修改：

cp .env.example .env

你可以在.env文件中配置以下核心参数：

• LLM_PROVIDER：选择模型提供商（ollama或lmstudio）
• LOCAL_LLM：指定要使用的本地模型名称
• SEARCH_API：选择搜索工具（默认使用DuckDuckGo，无需API密钥）

3. 启动LangGraph服务

根据你的操作系统选择对应的启动方式：

Mac系统

# 创建虚拟环境 python -m venv .venv source .venv/bin/activate # 安装uv包管理器并启动服务 curl -LsSf https://astral.sh/uv/install.sh | sh uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev

Windows系统

# 创建虚拟环境 python -m venv .venv .venv\Scripts\Activate.ps1 # 安装依赖并启动服务 pip install -e . pip install -U "langgraph-cli[inmem]" langgraph dev

🔧 核心配置：选择模型与搜索工具

Ollama模型配置

1. 从Ollama官网下载并安装Ollama应用
2. 拉取所需的本地模型，例如：

   ollama pull deepseek-r1:8b

3. 在.env中配置Ollama参数：

   LLM_PROVIDER=ollama OLLAMA_BASE_URL="http://localhost:11434" LOCAL_LLM=deepseek-r1:8b

LMStudio模型配置

1. 从LMStudio官网下载并安装应用
2. 在LMStudio中下载模型并启动OpenAI兼容API服务器
3. 在.env中配置LMStudio参数：

   LLM_PROVIDER=lmstudio LOCAL_LLM=qwen_qwq-32b LMSTUDIO_BASE_URL=http://localhost:1234/v1

搜索工具选择

默认使用DuckDuckGo进行网络搜索，无需API密钥。你也可以配置其他搜索工具：

• Tavily：设置SEARCH_API=tavily并添加TAVILY_API_KEY
• Perplexity：设置SEARCH_API=perplexity并添加PERPLEXITY_API_KEY
• SearXNG：设置SEARCH_API=searxng并配置相应URL

💻 使用LangGraph Studio界面

启动服务后，浏览器会自动打开LangGraph Studio界面（或访问输出的URL）。在界面中，你可以：

1. 在配置选项卡中调整研究参数
2. 输入研究主题并启动研究流程
3. 实时查看AI的搜索-总结-反思过程
4. 获取最终的markdown格式研究报告

配置优先级顺序为：环境变量 > LangGraph UI配置 > 默认值

🔍 工作原理：AI如何进行深度研究

ollama-deep-researcher采用迭代式研究方法，灵感来自IterDRAG论文：

1. 生成搜索查询：根据用户提供的主题，使用本地LLM生成初始搜索查询
2. 获取搜索结果：通过选定的搜索工具收集相关网络资源
3. 总结研究发现：使用LLM总结搜索结果中与研究主题相关的信息
4. 识别知识 gaps：分析当前总结，找出需要进一步探索的领域
5. 迭代研究：生成新的搜索查询以填补知识空白，重复上述过程
6. 生成最终报告：经过多轮迭代后，整合所有信息生成带来源引用的markdown报告

📊 输出结果：研究报告与来源管理

研究完成后，你将获得：

• 结构化的markdown研究总结
• 所有引用来源的完整记录
• 研究过程的可视化记录

结果会保存在LangGraph状态中，你可以在Studio界面中随时查看和导出。

🐳 部署选项：Docker容器化运行

你也可以通过Docker容器运行项目：

# 构建镜像 docker build -t local-deep-researcher . # 运行容器 docker run --rm -it -p 2024:2024 \ -e SEARCH_API="tavily" \ -e TAVILY_API_KEY="你的API密钥" \ -e LLM_PROVIDER=ollama \ -e OLLAMA_BASE_URL="http://host.docker.internal:11434/" \ -e LOCAL_LLM="llama3.2" \ local-deep-researcher

然后访问：https://smith.langchain.com/studio/thread?baseUrl=http://127.0.0.1:2024即可使用。

⚠️ 注意事项

• 模型兼容性：部分模型可能难以生成结构化JSON输出，工具会自动启用回退机制
• 浏览器兼容性：推荐使用Firefox获得最佳体验，Safari可能会有安全警告
• 配置优先级：环境变量设置优先于UI配置和默认值

通过ollama-deep-researcher，你可以在完全保护隐私的前提下，利用本地AI能力进行深度网络研究，轻松获取准确、全面的研究报告。无论是学术研究、市场分析还是技术探索，这款工具都能成为你高效的研究助手。

【免费下载链接】ollama-deep-researcherFully local web research and report writing assistant项目地址: https://gitcode.com/GitHub_Trending/ol/ollama-deep-researcher