**AI研究助理倒數！本地運行，隱私安全，報告自動生成！**

用 Ollama 和 LMStudio 打造你的本地深度研究助理：Local Deep Researcher 初學者指南

你是否曾經為了寫報告、做研究，在網路上搜尋了大量的資料，卻還是覺得資訊不夠完整，或是難以整理歸納？現在，有了 Local Deep Researcher，你可以打造一個完全屬於你自己的、本地端運行的研究助理，它能幫你自動搜尋、整理、分析網路資料，並產出完整的 markdown 格式研究報告！

這篇文章將帶領台灣讀者，尤其是對 AI 研究助理有興趣的初學者，一步步了解 Local Deep Researcher 的核心概念、如何安裝設定，以及實際操作的過程。讓我們一起告別資訊焦慮，輕鬆駕馭網路上的知識寶藏吧！

什麼是 Local Deep Researcher？

Local Deep Researcher 是一個基於大型語言模型 (LLM) 的網路研究助理，它最大的特色就是 完全本地運行。這代表你的研究過程不會經過雲端伺服器，所有資料都保存在你的電腦裡，安全性更有保障。

它主要基於 Ollama 或 LMStudio 託管的 LLM 模型，也就是說，你可以在自己的電腦上運行像是 Llama、DeepSeek 等等強大的 AI 模型，讓它們協助你進行研究。

簡單來說，Local Deep Researcher 就像一個聰明的研究夥伴，它可以：

• 自動產生搜尋查詢： 根據你提供的主題，自動生成相關的網路搜尋關鍵字。
• 蒐集網路搜尋結果： 使用搜尋引擎（預設為 DuckDuckGo）蒐集大量的網路資料。
• 總結搜尋結果： 利用 LLM 模型分析、總結搜尋到的資料，萃取出重要的資訊。
• 找出知識缺口： 透過 LLM 模型反思目前的總結，找出還需要補充的知識點。
• 重複迭代搜尋： 針對知識缺口，產生新的搜尋查詢，並重複以上步驟，不斷精進研究內容。
• 產出 Markdown 報告： 最後，Local Deep Researcher 會將所有研究成果整理成一份包含引用來源的 Markdown 格式報告。

為什麼要使用 Local Deep Researcher？

相較於其他線上 AI 研究工具，Local Deep Researcher 擁有以下優勢：

• 隱私安全： 所有資料都在本地端處理，不用擔心資料外洩的問題。
• 客製化： 你可以自由選擇要使用的 LLM 模型和搜尋引擎，打造最符合你需求的個人化研究助理。
• 離線可用： 只要你的 LLM 模型已經下載到本地，即使沒有網路連線，仍然可以使用 Local Deep Researcher 進行研究。
• 免費開源： Local Deep Researcher 是一個開源專案，你可以免費使用，並根據自己的需求進行修改。

初學者如何開始使用 Local Deep Researcher？

不用擔心，即使你沒有程式基礎，也可以輕鬆上手 Local Deep Researcher！以下是詳細的安裝設定步驟：

1. 安裝必要的軟體

• Python 3.11+： 確保你的電腦上已經安裝 Python 3.11 或以上的版本。如果沒有，請到 Python 官網 下載並安裝。

• Ollama 或 LMStudio： 選擇你要使用的 LLM 模型平台。

  • Ollama： 如果你想要快速上手，Ollama 是個不錯的選擇。它提供簡單易用的介面，可以輕鬆下載和管理 LLM 模型。請到 Ollama 官網 下載並安裝。
  • LMStudio： LMStudio 提供了更豐富的功能，例如模型管理、伺服器設定等等。如果你對 LLM 模型有更深入的需求，可以考慮使用 LMStudio。請到 LMStudio 官網 下載並安裝。

2. 下載 Local Deep Researcher 程式碼

在你的電腦上開啟終端機 (Terminal) 或命令提示字元 (Command Prompt)，輸入以下指令：

git clone https://github.com/langchain-ai/local-deep-researcher.git
cd local-deep-researcher

這個指令會將 Local Deep Researcher 的程式碼下載到你的電腦，並進入程式碼所在的資料夾。

3. 設定環境變數

在 Local Deep Researcher 資料夾中，你會看到一個名為 .env.example 的檔案。複製一份並將其重新命名為 .env。這個檔案用來設定 Local Deep Researcher 的環境變數，例如 LLM 模型、搜尋引擎等等。

使用文字編輯器開啟 .env 檔案，根據你的需求修改以下變數：

• OLLAMA_BASE_URL (Ollama): Ollama 服務的網址，預設為 `http://localhost:11434`。如果你修改了 Ollama 的設定，請在這裡更新網址。
• OLLAMA_MODEL (Ollama): 你要使用的 LLM 模型名稱，例如 llama3.2。你可以到 Ollama 模型庫 尋找你喜歡的模型，並使用 ollama pull <model_name> 指令下載到本地。
• LLM_PROVIDER (LMStudio): 如果你使用 LMStudio，請設定為 lmstudio。
• LOCAL_LLM (LMStudio): 你在 LMStudio 中使用的 LLM 模型名稱，請務必與 LMStudio 中顯示的模型名稱完全一致。
• LMSTUDIO_BASE_URL (LMStudio): LMStudio 伺服器的網址，預設為 `http://localhost:1234/v1`。
• SEARCH_API: 你要使用的搜尋引擎，預設為 duckduckgo。你也可以選擇 searxng、tavily 或 perplexity。
• TAVILY_API_KEY (Tavily): 如果你使用 Tavily 搜尋引擎，請在這裡填入你的 API 金鑰。你可以在 Tavily 官網 申請 API 金鑰。
• PERPLEXITY_API_KEY (Perplexity): 如果你使用 Perplexity 搜尋引擎，請在這裡填入你的 API 金鑰。你可以在 Perplexity 官網 申請 API 金鑰。
• MAX_WEB_RESEARCH_LOOPS: 研究迴圈的最大次數，預設為 3。你可以根據你的研究需求調整這個數值。
• FETCH_FULL_PAGE: 是否要抓取完整網頁內容，預設為 false。

例如，如果你想要使用 Ollama 運行 Llama3 模型，並使用 DuckDuckGo 搜尋引擎，你的 .env 檔案可能會像這樣：

OLLAMA_BASE_URL="http://localhost:11434"
OLLAMA_MODEL="llama3.2"
SEARCH_API="duckduckgo"
MAX_WEB_RESEARCH_LOOPS="3"
FETCH_FULL_PAGE="false"

4. 安裝 Python 依賴套件

在終端機或命令提示字元中，輸入以下指令：

pip install -e .
pip install -U "langgraph-cli[inmem]"

這個指令會安裝 Local Deep Researcher 運作所需的 Python 套件。

5. 啟動 LangGraph 伺服器

在終端機或命令提示字元中，輸入以下指令：

langgraph dev

這個指令會啟動 LangGraph 伺服器，並在你的瀏覽器中開啟 LangGraph Studio UI。

如果你的瀏覽器沒有自動開啟，請複製終端機中顯示的 LangGraph Studio Web UI 網址，並手動貼到瀏覽器中。

6. 開始你的研究！

在 LangGraph Studio UI 中，你會看到一個配置 (configuration) 頁面，你可以在這裡直接設定各種研究助理的參數。請記住，環境變數 (.env 檔案) 的優先級最高，其次是 LangGraph UI 配置，最後是程式碼中的預設值。

在配置頁面中，輸入你想要研究的主題，然後按下 “Run” 按鈕。Local Deep Researcher 就會開始自動搜尋、整理、分析資料，並產出 Markdown 格式的報告。

你可以在 LangGraph Studio UI 中監看研究的進度，並在研究完成後下載最終的 Markdown 報告。

個人實作心得與錯誤排除指南

• 模型選擇： 不同的 LLM 模型在處理 JSON 輸出方面可能會有不同的表現。如果你的模型無法產生有效的 JSON 輸出，Local Deep Researcher 會自動使用備用機制處理。建議選擇經過驗證、能夠穩定產生 JSON 輸出的模型，例如 Llama3。

• 搜尋引擎選擇： DuckDuckGo 是個不錯的入門選擇，但如果你需要更精確的搜尋結果，可以考慮使用 Tavily 或 Perplexity。請務必申請 API 金鑰，並填入 .env 檔案中。

• 網路問題： 如果你遇到網路連線問題，請檢查你的網路設定，並確保你的防火牆沒有阻擋 Local Deep Researcher 的連線。

• 記憶體不足： 執行大型研究可能會消耗大量的記憶體。如果你的電腦記憶體不足，可以嘗試減少研究迴圈的最大次數 (MAX_WEB_RESEARCH_LOOPS)，或選擇更輕量級的 LLM 模型。

• 瀏覽器相容性： 建議使用 Firefox 瀏覽器以獲得最佳體驗。Safari 用戶可能會遇到安全性警告，請嘗試禁用廣告阻擋擴充功能或檢查瀏覽器控制台中的錯誤訊息。

結論

Local Deep Researcher 是一個功能強大、易於使用的本地深度研究助理。透過簡單的設定，你就可以打造一個完全屬於你自己的研究夥伴，讓它幫你自動搜尋、整理、分析網路資料，並產出完整的 Markdown 格式報告。無論你是學生、研究人員，還是對 AI 研究助理有興趣的初學者，都可以嘗試使用 Local Deep Researcher，體驗更有效率、更安全的網路研究方式！

希望這篇文章能幫助你成功入門 Local Deep Researcher。如果你在安裝設定或使用過程中遇到任何問題，歡迎在下方留言，一起交流學習！

參考閱讀

https://github.com/langchain-ai/local-deep-researcher