Local Deep Research - AI驱动的深度研究助手

项目概述

Local Deep Research (LDR) 是一个AI研究助手，专注于执行深度、迭代的研究任务。核心功能包括：

• 复杂问题分解：将复杂查询拆分为聚焦的子查询
• 多源并行搜索：同时搜索网络、学术论文和本地文档
• 信息验证：跨来源验证信息准确性
• 综合报告生成：创建带有规范引用的全面报告

核心特性

智能搜索策略

• 15+种搜索策略（包括并行搜索、自适应分解、约束引导等）
• 支持BrowseComp优化模式
• 动态约束满足跟踪

高级分析能力

• 双置信度评估（正/负证据分析）
• 多阶段候选发现
• 智能约束放松机制

知识管理

• 持久化研究成果存储
• 知识图谱构建
• 渐进式知识压缩

开发者友好

• 模块化架构设计
• 完整类型提示
• 可扩展的插件系统

安装指南

基础安装

git clone https://github.com/LearningCircuit/local-deep-research.git
cd local-deep-research
pdm install

依赖项

• Python 3.10+
• PDM 2.0+
• Ollama (可选，用于本地模型运行)

Docker部署

docker-compose -f docker-compose.ldr.yml up -d

使用示例

基础研究任务

from local_deep_research import get_advanced_search_system

search_system = get_advanced_search_system(strategy_name="iterdrag")
results = search_system.analyze_topic("量子计算在密码学中的应用现状")

基准测试

from local_deep_research.web.benchmark import run_benchmark

benchmark_results = run_benchmark(
    model="gpt-4.1-mini",
    strategy="focused-iteration",
    questions=50
)

核心代码解析

自适应搜索策略

class AdaptiveDecompositionStrategy(BaseSearchStrategy):
    """
    自适应分解策略，根据中间发现动态调整搜索方法

    关键特性：
    1. 动态步骤选择（约束提取→初始搜索→验证→优化）
    2. 基于置信度的早期终止
    3. 智能查询重构
    """

    def __init__(self, model, search, max_steps=15):
        self.model = model
        self.search = search
        self.max_steps = max_steps
        self.current_step = 0

    def execute_step(self, step_type, context):
        """执行单个自适应步骤"""
        if step_type == StepType.CONSTRAINT_EXTRACTION:
            return self._extract_constraints(context)
        elif step_type == StepType.INITIAL_SEARCH:
            return self._initial_search(context)
        # ...其他步骤处理

双置信度检查器

class DualConfidenceChecker(BaseConstraintChecker):
    """
    使用正/负/不确定三分数评估约束满足情况

    评估逻辑：
    - 正置信度 > 40% → 接受
    - 负置信度 > 25% → 拒绝
    - 不确定度 > 60% → 需要重新评估
    """

    def check_candidate(self, candidate, constraints):
        results = []
        for constraint in constraints:
            evidence = self._gather_evidence(candidate, constraint)
            analysis = self._analyze_evidence(evidence)

            score = (analysis.positive -
                    analysis.negative * self.negative_weight -
                    analysis.uncertainty * self.uncertainty_penalty)

            results.append(ConstraintCheckResult(
                constraint=constraint,
                score=score,
                evidence=evidence
            ))
        return results

贡献指南

我们欢迎各种形式的贡献！请参阅贡献指南了解：

• 开发环境设置
• 代码风格要求
• PR提交流程
• 安全准则

许可证

本项目采用 Apache License 2.0 开源协议。

更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）

公众号二维码