我要投稿

强大的AI研究助手Local Deep Research

发布日期：2025-04-02 17:12:28 浏览次数： 1581 作者：GitHubStore

项目简介

一款强大的 AI 驱动研究助手，使用多个LLMs和网页搜索进行深度、迭代分析。系统可本地运行以保护隐私，或配置为使用基于云的LLMs以增强功能。

特性
? 高级研究能力

自动深度研究，智能后续提问
引用跟踪和来源验证
多迭代分析以实现全面覆盖
全文网页内容分析（不仅限于片段）

? 灵活 LLM 支持

本地 AI 处理，使用 Ollama 模型
云 LLM 支持（Claude，GPT）
支持所有 Langchain 模型
可配置的模型选择，根据需求

? 丰富的输出选项

详细的研究发现，附有引用
全面研究报告
快速总结以获取快速洞察
源跟踪与验证

? 隐私优先

完全在您的机器上运行，使用本地模型
可配置的搜索设置
透明数据处理

? 加强搜索集成

自动选择搜索来源：智能“自动”搜索引擎会智能分析您的查询，并根据查询内容选择最合适的搜索引擎
维基百科事实知识集成
arXiv 科学论文和学术研究集成
PubMed 集成生物医学文献和医学研究
DuckDuckGo 网络搜索集成（可能遇到速率限制）
SerpAPI 集成到谷歌搜索结果中（需要 API 密钥）
谷歌可编程搜索引擎集成，用于定制搜索体验（需要 API 密钥）
《卫报》新闻文章和新闻业的集成（需要 API 密钥）
本地 RAG 搜索私人文档 - 使用向量嵌入搜索您的文档
全文网页内容检索
源过滤和验证
可配置的搜索参数

? 本地文档搜索（RAG）

基于向量嵌入的本地文档搜索
创建不同主题的自定义文档集合
隐私保护 - 您的文档保留在您的设备上
智能分块和检索
兼容各种文档格式（PDF、文本、Markdown 等）
自动与元搜索引擎集成以实现统一查询

示例研究：聚变能源发展
该仓库包含展示工具功能的完整研究示例。例如，我们的聚变能源研究分析提供了以下全面概述：

最新核聚变研究科学突破（2022-2025）
私营部门资金发展超过 60 亿美元
专家对商业核聚变能源时间表的预测
监管框架正在为融合部署开发
技术挑战，必须克服以实现商业可行性

本示例展示了系统执行多次研究迭代的能力，跨科学和商业领域追踪证据线索，并从不同来源综合信息，同时保持适当的引用。

安装

克隆仓库：

git clone https://github.com/yourusername/local-deep-research.gitcd local-deep-research

安装依赖项：

pip install -r requirements.txt

安装 Ollama（用于本地模型）：

# Install Ollama from https://ollama.aiollama pull mistral  # Default model - many work really well choose best for your hardware (fits in GPU)

配置环境变量：

# Copy the templatecp .env.template .env
# Edit .env with your API keys (if using cloud LLMs)ANTHROPIC_API_KEY=your-api-key-here  # For ClaudeOPENAI_API_KEY=your-openai-key-here  # For GPT modelsGUARDIAN_API_KEY=your-guardian-api-key-here  # For The Guardian search

使用

终端使用（不推荐）：

python main.py

网页界面
该项目包括一个用于更友好用户体验的网页界面：

python app.py

这将启动一个本地网络服务器，您可以在浏览器中通过 http://127.0.0.1:5000 访问。

网页界面功能：

仪表板：启动和管理研究查询的直观界面
实时更新：通过实时更新跟踪研究进展
研究历史：访问和管理过去的查询
PDF 导出：下载完成的研报作为 PDF 文档
研究管理：终止正在进行的研究流程或删除过往记录

配置

请将您最佳设置在问题中报告，以便我们改进默认设置。

Key settings in config.py:
关键设置在 config.py 中：

# LLM ConfigurationDEFAULT_MODEL = "mistral"  # Change based on your needsDEFAULT_TEMPERATURE = 0.7MAX_TOKENS = 8000
# Search ConfigurationMAX_SEARCH_RESULTS = 40SEARCH_REGION = "us-en"TIME_PERIOD = "y"SAFE_SEARCH = TrueSEARCH_SNIPPETS_ONLY = False
# Choose search tool: "wiki", "arxiv", "duckduckgo", "guardian", "serp", "local_all", or "auto"search_tool = "auto"  # "auto" will intelligently select the best search engine for your query

本地文档搜索（RAG）
系统包括使用检索增强生成（RAG）的强大本地文档搜索功能。这允许您从自己的文档集合中搜索和检索内容。

设置本地收藏

创建一个名为 local_collections.py 的文件在项目根目录下：

# local_collections.pyimport osfrom typing import Dict, Any
# Registry of local document collectionsLOCAL_COLLECTIONS = {    # Research Papers Collection    "research_papers": {        "name": "Research Papers",        "description": "Academic research papers and articles",        "paths": [os.path.abspath("local_search_files/research_papers")],  # Use absolute paths        "enabled": True,        "embedding_model": "all-MiniLM-L6-v2",        "embedding_device": "cpu",        "embedding_model_type": "sentence_transformers",        "max_results": 20,        "max_filtered_results": 5,        "chunk_size": 800,  # Smaller chunks for academic content        "chunk_overlap": 150,        "cache_dir": ".cache/local_search/research_papers"    },
    # Personal Notes Collection    "personal_notes": {        "name": "Personal Notes",        "description": "Personal notes and documents",        "paths": [os.path.abspath("local_search_files/personal_notes")],  # Use absolute paths        "enabled": True,        "embedding_model": "all-MiniLM-L6-v2",        "embedding_device": "cpu",        "embedding_model_type": "sentence_transformers",        "max_results": 30,        "max_filtered_results": 10,        "chunk_size": 500,  # Smaller chunks for notes        "chunk_overlap": 100,        "cache_dir": ".cache/local_search/personal_notes"    }}
Create the directories for your collections:```bashmkdir -p local_search_files/research_papersmkdir -p local_search_files/personal_notes