LangGraph 기반의 모듈형 Agentic RAG 튜토리얼로, 계층형 인덱싱과 대화 메모리, 질의 명확화 기능을 제공합니다.
langchain-ai/local-deep-researcher
Ollama 또는 LM Studio에서 실행하는 LLM으로 반복 검색, 요약, 지식 공백 검토를 수행하는 완전한 로컬 웹 리서치 도우미입니다.
- 스타
- 9,378
- 포크
- 981
- 열린 이슈
- 47
- 마지막 커밋
- 5일 전
어떤 프로젝트인가요?
Local Deep Researcher는 조사 주제를 입력받아 로컬 LLM으로 웹 검색어를 만들고, 검색 결과를 수집해 요약합니다. 그런 다음 요약을 검토해 부족한 지식을 파악하고, 이를 보완할 후속 검색어를 생성한 뒤 설정된 횟수만큼 이 과정을 반복합니다. 최종 결과는 사용한 출처가 포함된 Markdown 보고서이며, 수집한 출처는 모두 LangGraph state에 보관됩니다.
Ollama 또는 LM Studio의 OpenAI 호환 서버를 통해 LLM을 실행하므로 모델이 사용자 컴퓨터에서 벗어나지 않습니다. 기본 검색 엔진은 API 키가 필요 없는 DuckDuckGo이며, 환경 변수를 설정해 SearXNG, Tavily 또는 Perplexity로 변경할 수 있습니다. 구조화된 JSON 출력에 어려움을 겪는 모델은 대체 처리 방식으로 지원합니다.
이 프로젝트는 LangGraph를 기반으로 하며, 조사 과정의 각 단계를 보여주는 LangGraph Studio에서 로컬로 실행할 수 있습니다. Dockerfile도 제공되지만 Ollama는 별도로 실행해야 합니다.
핵심 기능
- 01Ollama 또는 LM Studio를 통해 LLM을 로컬에서 실행합니다.
- 02반복 검색, 요약, 검토를 통해 지식 공백을 보완합니다.
- 03기본 검색 엔진은 DuckDuckGo이며, SearXNG, Tavily 또는 Perplexity도 선택할 수 있습니다.
- 04사용한 모든 출처를 인용한 Markdown 요약을 출력합니다.
- 05리서치 반복 횟수와 전체 페이지 가져오기를 설정할 수 있습니다.
활용 사례
- 프롬프트와 데이터를 로컬에 보관하면서 주제를 조사할 때
- LangGraph를 활용한 다단계 검색·요약 에이전트를 프로토타이핑할 때
- 유료 검색 API 키 없이 출처가 포함된 배경 조사 보고서를 만들 때
빠른 시작
- 1
리포지토리를 클론합니다
git clone https://github.com/langchain-ai/local-deep-researcher.git - 2
프로젝트 디렉터리로 이동해 예제 환경 파일을 복사합니다
cd local-deep-researcher && cp .env.example .env - 3
Ollama로 로컬 모델을 가져옵니다(Ollama 앱을 먼저 설치하세요)
ollama pull deepseek-r1:8b - 4
uv로 LangGraph 서버를 시작합니다
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev
사용 전 알아둘 점
- README의 설정 안내는 주로 Mac과 Windows를 대상으로 하며, Ollama 안내는 특히 Mac을 대상으로 합니다.
- 출력 품질은 로컬 모델에 따라 달라집니다. 일부 모델은 필요한 구조화된 JSON 출력을 제대로 처리하지 못할 수 있습니다.
- 실행하려면 로컬 LLM 서버(Ollama 또는 LM Studio)와 선택한 모델을 구동하기에 충분한 하드웨어가 필요합니다.
토픽
자주 묻는 질문
- local-deep-researcher은(는) 무엇인가요?
- Ollama 또는 LM Studio에서 실행하는 LLM으로 반복 검색, 요약, 지식 공백 검토를 수행하는 완전한 로컬 웹 리서치 도우미입니다. Local Deep Researcher는 조사 주제를 입력받아 로컬 LLM으로 웹 검색어를 만들고, 검색 결과를 수집해 요약합니다. 그런 다음 요약을 검토해 부족한 지식을 파악하고, 이를 보완할 후속 검색어를 생성한 뒤 설정된 횟수만큼 이 과정을 반복합니다. 최종 결과는 사용한 출처가 포함된 Markdown 보고서이며, 수집한 출처는 모두 LangGraph state에 보관됩니다.
- local-deep-researcher은(는) 무료로 사용할 수 있나요? 라이선스는 무엇인가요?
- local-deep-researcher은(는) MIT 라이선스의 오픈소스입니다. 상업용 제품에 사용하기 전에 라이선스 조건을 확인하세요.
- local-deep-researcher은(는) 아직 유지보수되고 있나요?
- 활발히 유지보수 중. local-deep-researcher의 마지막 커밋은 2026년 10월 15일입니다.
- local-deep-researcher은(는) 어디에 사용할 수 있나요?
- 프롬프트와 데이터를 로컬에 보관하면서 주제를 조사할 때 LangGraph를 활용한 다단계 검색·요약 에이전트를 프로토타이핑할 때 유료 검색 API 키 없이 출처가 포함된 배경 조사 보고서를 만들 때
- local-deep-researcher는 어떻게 설치하나요?
- 리포지토리를 클론합니다: git clone https://github.com/langchain-ai/local-deep-researcher.git 프로젝트 디렉터리로 이동해 예제 환경 파일을 복사합니다: cd local-deep-researcher && cp .env.example .env Ollama로 로컬 모델을 가져옵니다(Ollama 앱을 먼저 설치하세요): ollama pull deepseek-r1:8b uv로 LangGraph 서버를 시작합니다: uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev
- local-deep-researcher은(는) 어디서 받을 수 있나요?
- 소스 코드와 설치 방법은 GitHub에 있습니다: https://github.com/langchain-ai/local-deep-researcher
요약은 프로젝트 README를 바탕으로 AI가 작성했습니다. GitHub 통계는 매일 갱신됩니다.
관련 프로젝트
GenAI 에이전트를 프로토타입에서 프로덕션 단계로 발전시키는 코드 중심 튜토리얼 28개 모음으로, 메모리, RAG, 배포, 보안, 관측 가능성을 다룹니다.
웹과 개인 문서를 바탕으로 질문에 답하고, 맞춤형 에이전트와 예약 자동화를 제공하는 셀프 호스팅 가능한 AI 세컨드 브레인입니다.
FastGPT는 LLM 앱을 위한 데이터 처리, RAG 지식 베이스, 시각적 워크플로 오케스트레이션을 제공하는 오픈소스 AI Agent 구축 플랫폼입니다.
LLM 에이전트의 대화와 실행을 Python 및 TypeScript 앱에서 활용할 수 있는 영구적이고 구조화된 메모리로 바꾸는 에이전트 네이티브 메모리 인프라입니다.