github-trend-summarizer

Local Deep Research (LDR) ざっくり整理

1. このリポジトリは何？

「OpenAI Deep Research のオープンソース版」を、完全ローカル運用できる形で実装した AI リサーチアシスタント。

• 複雑な質問を投げると、LLM がエージェント的にループで検索→要約→再検索を繰り返し、出典付きのレポートを自動生成する。
• LLM は Ollama / LM Studio / llama.cpp（ローカル）と OpenAI / Anthropic / Google / OpenRouter（クラウド）を切替可能。
• 検索ソースは 10 系統以上：arXiv / PubMed / Semantic Scholar / Wikipedia / SearXNG / GitHub / Tavily / Brave / Google(SerpAPI) / Wayback Machine / The Guardian / ローカル文書 / 任意の LangChain Retriever。
• フロントは Flask ベースの Web UI（http://localhost:5000）+ REST API + MCP サーバ（Claude Desktop / Claude Code 連携用 ldr-mcp） + Python API（from local_deep_research.api import ...）。
• データは SQLCipher (AES-256) でユーザーごとに暗号化された DB に保存。テレメトリ・解析・トラッキングなし。
• ベンチマークでは SimpleQA で約 95%（GPT-4.1-mini + SearXNG + focused-iteration 構成） を主張。
• 配布形態：PyPI (pip install local-deep-research)、Docker / Docker Compose、Unraid テンプレート。MIT ライセンス。

2. このリポジトリは何が嬉しいの？（既存比較）

比較対象	LDR の差別化ポイント
OpenAI / Gemini / Perplexity の Deep Research	クローズドかつクラウド限定。LDR は 完全ローカル実行可（Ollama+SearXNG だけで外部 API ゼロ） で、機密案件・ジャーナリスト・社内文書調査に使える。API コストもゼロ化できる。
GPT Researcher 等の OSS Deep Research 系	LDR は 検索エンジンの種類が圧倒的に多い（arXiv/PubMed/Semantic Scholar/NASA ADS/Zenodo/PubChem 等の学術系まで網羅）。さらに 20+ のリサーチ戦略（Quick Summary / Detailed / Report / 新しい LangGraph Agent 等）から選べる。
素の LangChain RAG / 自前スクリプト	Web UI、認証、研究履歴、PDF/Markdown 出力、レート制御、コスト/性能を可視化する Analytics Dashboard、定期購読（News Subscription）、ジャーナル品質スコアリング（212K+ ソース、predatory ジャーナル検知） などが最初から揃っている。
生のローカル LLM チャット	「検索→ダウンロード→ライブラリにインデックス→次回はローカル文書も合わせて検索」という 知識ベースが時間とともに積み上がる ループが組み込まれている。
セキュリティ面	SQLCipher による per-user 暗号化 DB、ゼロ知識（パスワード復旧なし）、Cosign 署名済み Docker イメージ + SLSA provenance + SBOM。CodeQL/Semgrep/Bearer 等を CI で常時回している。

要するに、「Deep Research 的体験 × ローカル/プライバシー × 学術検索の網羅性 × 蓄積型の個人ナレッジベース」 を一つにまとめたのが他にない強み。

3. 使うときの流れ

最も標準的なのは Docker Compose ルート。

1. 環境を立てる
   • 推奨：Ollama コンテナ（LLM 提供） + SearXNG コンテナ（メタ検索） + LDR コンテナをまとめて起動。

     # 1) LLM
     docker run -d -p 11434:11434 --name ollama ollama/ollama
     docker exec ollama ollama pull gpt-oss:20b
     # 2) 検索
     docker run -d -p 8080:8080 --name searxng searxng/searxng
     # 3) LDR 本体
     docker run -d -p 5000:5000 --network host \
       --name local-deep-research -v deep-research:/data \
       -e LDR_DATA_DIR=/data localdeepresearch/local-deep-research
     

   • 軽くやるなら pip install local-deep-research でも可。

2. ブラウザで http://localhost:5000 にアクセスしてアカウント作成（暗号化 DB がここで初期化される）。Settings → LLM でモデル（例：gpt-oss:20b / qwen3:27b）と検索エンジンを選択。

3. リサーチモードを選んで質問を投げる
   • Quick Summary（30 秒〜3 分） / Detailed Research / Report Generation / Document Analysis。
   • 戦略は focused-iteration（高精度実績）や、新しい langgraph-agent（LLM 自身が検索エンジンを動的選択するエージェント）。
4. 結果を確認・活用
   • WebSocket で進捗がリアルタイム表示 → 完了後、引用付きレポートを PDF / Markdown でエクスポート。
   • 気に入ったソースをそのまま Library にダウンロード → 自動でテキスト抽出＆インデックス化。次回以降は自分の蓄積文書と Web を横断検索できる。
5. 応用パス
   • Python から自動化：quick_query(user, pass, "...") や LDRClient で REST 経由実行。
   • Claude Desktop / Claude Code から呼ぶ：pip install "local-deep-research[mcp]" して ldr-mcp を MCP サーバ登録 → quick_research / detailed_research / generate_report などを Claude のツールとして使える。
   • 社内ナレッジ統合：FAISS/Chroma/Pinecone/Weaviate などの LangChain Retriever を retrievers={...} で渡せば社内文書も検索対象に。
   • 定期リサーチ購読：トピックを subscribe して daily/weekly のダイジェストを自動生成。
   • ベンチマーク：python -m local_deep_research.benchmarks --dataset simpleqa --examples 50 で自分の構成を計測し、Hugging Face のコミュニティリーダーボードに投稿可能。

This site is open source. Improve this page.