Open source-prosjektet Local Deep Research (LDR) er nå oppe i rundt 4 000 GitHub-stjerner og 124 utgivelser, ifølge en gjennomgang publisert på DEV Community 6. mai. Verktøyet kjører hele forskningsløpet lokalt: du sender et spørsmål, og en agent bryter det ned i delspørsmål, henter kilder fra arXiv, PubMed, Semantic Scholar, Wikipedia, GitHub, SearXNG og dine egne dokumenter, og skriver en strukturert rapport med siteringer.
Det som skiller LDR fra ChatGPT Deep Research og Perplexity er at hele stacken kan kjøres uten at data forlater maskinen din. Docker-oppsettet pakker Ollama (for lokal modell-kjøring) og SearXNG (selvhostet meta-søk) sammen med selve appen. Du kan også koble inn skymodeller fra Anthropic, OpenAI eller Google når du trenger mer kraft, eller blande lokal modell med skybasert søk.
«Local Deep Research kjører hele forskningssløyfen på maskinen din. Velger du fullt lokalt oppsett, forlater dataene aldri PC-en.» — Arsh, DEV Community
For utviklere som bygger RAG-applikasjoner er det interessant at LDR støtter LangChain-retrievers ut av boksen. Du kan plugge inn FAISS, Chroma, Pinecone, Weaviate eller Elasticsearch som en av søkekildene, og kjøre samme research-pipeline mot intern wiki og åpent web i samme spørring. API-et finnes både som Python-klient og REST.
Sikkerhetsmodellen er den mest gjennomarbeidede delen. Hver bruker får en isolert SQLCipher-database kryptert med AES-256, Docker-bildene er signert med Cosign og inkluderer SLSA-provenance, og CI-pipelinen kjører CodeQL, Semgrep, OWASP ZAP, Trivy, Gitleaks og OSV-Scanner ved hver utgivelse. Det er et zero-knowledge-design: ingen passord-recovery, ikke engang serveradmin kan lese brukerdata.
Den røffeste kanten er pip-installasjonen, som ikke setter opp SQLCipher automatisk. Får du feil under oppsett må du sette LDR_ALLOW_UNENCRYPTED=true for å bypasse krypteringen, noe som er greit lokalt, men ikke for delte oppsett. Docker-veien hopper over dette problemet helt.
Hva bør du gjøre?
- Test den raskeste veien: Kjør
docker compose up -dmed LDRs ferdige docker-compose.yml og åpne http://localhost:5000. Du har en fungerende forskningsagent på rundt 30 sekunder. - Pek den mot dine egne dokumenter: Hvis du allerede har en LangChain-retriever for intern wiki eller PDF-arkiv, koble den inn som søkekilde. Det er der LDR skiller seg fra konsumentverktøy.
- Velg modell etter behov: GPT-4.1-mini + SearXNG gir benchmarken på 95 % SimpleQA. Vil du holde alt lokalt, kjør Gemma 3 12B via Ollama. Forventet treffsikkerhet faller, men ingenting forlater maskinen.