比普通AI聊天更靠谱更专业，NAS部署一个24小时工作的研究助手

哈喽小伙伴们好，我是Stark-C~

现在的AI工具很多，很多人也在使用，比如说常见的豆包，DeepSeek。

然而这些AI本质上其实还是一个聊天工具，也就是我我们问啥它答啥。它们的回答依据其实主要是综合训练数据库以及当前的在线搜索结果，给出一个“看似可靠”的结果。

为什么是“看似可靠”？因为不管是它的训练数据库和在线搜索，都有可能出错。先不评论大模型自己的训练数据库，就说在线搜索吧（很多大模型深度思考都会用到的），它本质就是抓取网页然后总结。如果说抓取到的信息是错的，或者又争议，它很有可能就把错误的信息也传达给我们了，所以这也是很多用户吐槽“AI也会出错”的原因所在。

今天为大家分享的是一个不同于传统聊天的AI项目--Local Deep Research。一个能够能模拟“研究员”工作流、给我们更专业回答的深度研究助手，并且还有非常高的隐私安全性。

关于Local Deep Research

🔺Local Deep Research是一个免费开源的“本地深度研究助手”项目，支持本地大模型（如 Ollama、llama.cpp）与多源搜索引擎协同工作，能够在完全离线或隐私隔离环境中完成深度研究任务。

项目的运作流程其实很简单：提出问题 → 拆解问题 → 多源检索 → 交叉验证 → 结构化报告。简单来说，它的作用就是让 AI 在我们本地设备上完成深度调研、资料检索、事实核验与专业报告生成，同时保证隐私不外泄。

项目Github地址：https://github.com/LearningCircuit/local-deep-research

项目主要特色功能：

支持 Ollama、LM Studio、llama.cpp 等本地大模型运行，所有数据处理都在你的机器完成，隐私安全不外泄。
内置 arXiv、PubMed、Semantic Scholar、SearXNG、Brave Search 等 10+ 搜索源，覆盖科研、学术、技术与通用网页。
提供 20+ 种研究策略，从快速摘要到深度分析一应俱全，并支持 LangGraph Agent 模式，让 AI 自主规划研究步骤。
自动下载、索引并嵌入研究资料，构建可搜索的个人知识库，让你的研究成果长期沉淀、越用越强。
每个用户独立使用 SQLCipher 数据库，采用 AES‑256 加密，安全级别对标 Signal，确保研究资料安全可控。
内置MCP（ Model Context Protocol ）服务，可与 Claude Code 等 AI 助手集成，只不过目前仅支持 STDIO 方式通信。

Local Deep Research部署

1，部署前的准备：

🔺Local Deep Research支持10+种搜索引擎，我这里直接选用的是我之前为大家分享的，部署在NAS上的SearXNG。这个搜索引擎也是我现在小龙虾正在使用的，有需要的小伙伴可以直接在我主页搜索“SearXNG”，文章里面还有我个人优化过的配置文件，很适合咱们国内的使用环境。

🔺还有就是AI大模型的选择，Local Deep Research其实最好的方案是使用本地部署的AI大模型，但NAS的性能确实有限，所以还是选择了云端运营商，还在它是支持第三方OpenAI兼容的LLM，也就是说国内的绝大多数大模型他都是支持的，比如说我接下来将要演示的硅基流动。

2，开始部署：

🔺本次部署以极空间NAS为例，打开文件管理器，在Docker目录下新建一个“LDR”的文件夹。（其实就是Local Deep Research的缩写，主要是它原名实在太长~）

🔺然后点击极空间NAS的“Docker”应用，点击【Compose】 > 【新增项目】。

🔺在“创建项目”页面自定义项目名称，“存储位置”需要手动选择我们前面新建的tgtodrive文件夹，勾选下方的“所有合规文件夹添加最大读写权限”，最后输入以下 Docker Compose 配置信息后点“创建”按钮：

version: "3.8" services: local-deep-research: image: localdeepresearch/local-deep-research:latest container_name: ldr-web restart: unless-stopped ports: - "5022:5000" # 项目打开端口，冒号前面请勿冲突 volumes: - ./ldr_data:/data - ./ldr_scripts:/scripts environment: - LDR_SEARCH_ENGINE_WEB_SEARXNG_DEFAULT_PARAMS_INSTANCE_URL=http://192.168.31.122:8082 # 这里是部署好的SearXNG搜索引擎地址 - LDR_LLM_PROVIDER=openai_endpoint - LDR_LLM_OPENAI_ENDPOINT_URL=https://api.siliconflow.cn/v1 # 这里是硅基流动的URL地址 - LDR_LLM_OPENAI_ENDPOINT_API_KEY=sk-xxxxxxxxxxxxxxxxx # 这里是硅基流动那边的API Key - LDR_LLM_MODEL=deepseek-ai/DeepSeek-V4-Pro # 这里是硅基流动那边的完整模型名称 ulimits: memlock: soft: -1 hard: -1 security_opt: - "no-new-privileges:true" cap_drop: - ALL cap_add: - CHOWN - FOWNER - DAC_OVERRIDE - SETUID - SETGID

以上代码需要修改的地方就看我给到的中文注释即可，镜像的拉取需要自行解决网络问题，粘贴到自己的NAS这边之前建议使用AI工具优化一下，以防止格式问题造成的部署失败。