local-deep-research
一款开源深度研究助手，主要帮重视隐私的开发者和研究者在本地或混合云环境中完成带搜索与引用整理的研究分析输出。
工具简介
从现有证据看，local-deep-research 值得关注，尤其适合想要“像 Deep Research 一样做多轮检索与综合”，但又希望尽量本地运行的人；不过目前更能确认的是它的关注度和功能方向，而不是大规模稳定落地表现。它不是通用聊天机器人，也不是单纯的 RAG 问答壳，更准确的类比是“可本地部署的研究代理框架”。
实际作用上，官方仓库说明它可连接本地或云端 LLM，结合 10+ 搜索源与私有文档做迭代研究；GitHub摘要还提到 arXiv、PubMed 和私有资料检索，以及在 SimpleQA 上用 Qwen3.6-27B + RTX 3090 达到约 95% 的示例结果。这里要区分：这些官方/仓库信息能支持能力边界判断，但榜单帖和转发帖主要只能说明它很热，不能单独证明在你场景里一定好用。
门槛与成本方面，证据更接近“可本地跑，但有一定工程门槛”。官方摘要出现了 3090 级显卡示例，说明若追求接近演示效果，本地硬件可能不低；若改用云端 LLM，则会产生模型/API费用，但本批证据没有给出官方定价。知乎里“纯本地免费”的说法更像社区概括，只能理解为开源软件本身可自托管，不应解读为高性能运行没有硬件或运维成本。
适合对象是隐私敏感的个人开发者、研究型用户、需要把公开搜索和私有文档放在同一研究流程里的人；不太适合只想零配置得到稳定答案的普通办公用户。社媒共识集中在“本地替代 Deep Research、隐私友好、GitHub 增长快”。但讨论质量上，当前 evidenceSources 以知乎转载、周刊和推荐榜单为主，教程和长篇实测偏少；最好用证明主要来自官方仓库描述与少量性能示例，热度证明则主要来自 star 增长和媒体转述，因此判断应保持保守。