local-deep-researcher

Local Deep Researcher es un asistente de investigación web y redacción de informes de código abierto y totalmente local, construido sobre LangGraph. Se ejecuta por completo en tu máquina usando cualquier LLM alojado por Ollama o LMStudio, sin requerir servicios de IA en la nube. **Cómo funciona** El asistente sigue un bucle de investigación iterativo inspirado en el artículo IterDRAG: 1. **Generación de consultas**: Dado un tema proporcionado por el usuario, un LLM local genera una consulta de búsqueda web. 2. **Búsqueda web**: Un motor de búsqueda configurable (DuckDuckGo por defecto, o SearXNG, Tavily o Perplexity) recupera fuentes relevantes. 3. **Resumen**: El LLM resume los resultados de búsqueda en relación con el tema de investigación. 4. **Análisis de lagunas**: El LLM reflexiona sobre el resumen para identificar lagunas de conocimiento. 5. **Nueva consulta**: Se genera una nueva consulta de búsqueda para abordar las lagunas identificadas. 6. **Iteración**: Los pasos 2–5 se repiten durante un número de ciclos definido por el usuario (por defecto: 3). El resultado final es un archivo markdown que contiene el resumen de la investigación con citas a todas las fuentes utilizadas. **Compatibilidad de modelos** - **Ollama**: Compatible con cualquier modelo disponible en la biblioteca de Ollama (p. ej., DeepSeek R1, Llama 3.2). Configuración mediante las variables de entorno `OLLAMA_BASE_URL` y `LOCAL_LLM`. - **LMStudio**: Compatible con modelos cargados en LMStudio con un servidor de API compatible con OpenAI. Configuración mediante `LMSTUDIO_BASE_URL` y `LOCAL_LLM`. - **Llamada a herramientas**: A partir de agosto de 2025, admite llamada a herramientas para modelos como gpt-oss que no admiten el modo JSON en Ollama. **Opciones de motor de búsqueda** - **DuckDuckGo** (por defecto): No requiere clave de API. - **SearXNG**: Motor de metabúsqueda autoalojado. - **Tavily**: Requiere clave de API. - **Perplexity**: Requiere clave de API. **Despliegue** - **LangGraph Studio**: Inícialo localmente con `langgraph dev` para obtener una interfaz interactiva donde puedes configurar ajustes y visualizar el proceso de investigación paso a paso. - **Docker**: Se proporciona un Dockerfile, pero Ollama debe ejecutarse por separado como servicio dependiente. - **Prioridad de configuración**: Variables de entorno > configuración de la interfaz de LangGraph > valores predeterminados en la clase Configuration. **Detalles técnicos** - Construido con LangGraph para flujos de trabajo de agentes con estado y múltiples pasos. - Usa `python-dotenv` para la gestión de variables de entorno. - Incluye mecanismos de respaldo para modelos que tienen dificultades con la salida JSON estructurada (p. ej., DeepSeek R1 7B y 1.5B). - Hay un port a TypeScript disponible en un repositorio separado. - Compatibilidad con navegadores: se recomienda Firefox; Safari puede encontrar advertencias de contenido mixto. **Casos de uso** - Investigación profunda sobre cualquier tema sin enviar datos a servicios de IA en la nube. - Generación de informes de investigación con citas para uso personal o profesional. - Exploración de temas de forma iterativa con estrategias de búsqueda conscientes de las lagunas. - Aprender cómo funcionan los flujos de trabajo de investigación con IA agéntica.