Local Deep Research完整安装指南：Docker、Python包和Unraid部署

Local Deep Research完整安装指南：Docker、Python包和Unraid部署

【免费下载链接】local-deep-research~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090). Supports all local and cloud LLMs (llama.cpp, Ollama, Google, ...). 10+ search engines - arXiv, PubMed, your private documents. Everything Local & Encrypted.项目地址: https://gitcode.com/GitHub_Trending/lo/local-deep-research

Local Deep Research是一款AI驱动的研究助手，能将复杂问题转化为全面的、有引用来源的报告，通过跨多种知识来源（包括学术数据库、科学知识库、网络内容和私人文档集合）使用任何LLM进行迭代分析。本指南将详细介绍如何通过Docker、Python包和Unraid三种方式安装部署Local Deep Research，让你快速开始使用这款强大的AI研究工具。

一、Docker快速部署（推荐新手）

Docker部署是最简单快捷的方式，适合大多数用户快速体验Local Deep Research的强大功能。

1.1 准备工作

首先确保你的系统已经安装了Docker和Docker Compose。如果尚未安装，可以参考Docker官方文档进行安装。

1.2 获取项目代码

打开终端，执行以下命令克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/lo/local-deep-research cd local-deep-research

1.3 构建Docker镜像

项目根目录下提供了完整的Dockerfile，执行以下命令构建Docker镜像：

docker build -t local-deep-research .

1.4 运行Docker容器

构建完成后，使用以下命令启动容器：

docker run -d -p 5000:5000 --name ldr-container local-deep-research

1.5 访问应用

打开浏览器，访问 http://localhost:5000 即可使用Local Deep Research。

二、Python包安装（适合开发者）

如果你是Python开发者，希望更灵活地使用和定制Local Deep Research，可以通过Python包方式安装。

2.1 环境要求

• Python 3.11-3.14
• pip 24.3.1+
• pdm 2.26.2+

2.2 安装PDM

Local Deep Research使用PDM进行包管理，首先安装PDM：

pip install pdm==2.26.2

2.3 获取项目代码

git clone https://gitcode.com/gh_mirrors/lo/local-deep-research cd local-deep-research

2.4 安装依赖

使用PDM安装项目依赖：

pdm install

2.5 运行应用

pdm run ldr-web

应用启动后，访问 http://localhost:5000 即可使用。

三、Unraid部署（适合家庭服务器用户）

Unraid用户可以通过Docker方式在Unraid系统上部署Local Deep Research。

3.1 准备工作

确保你的Unraid系统已经安装了Docker插件，并且网络配置正常。

3.2 添加Docker镜像

1. 登录Unraid管理界面，进入Docker标签页。
2. 点击"添加容器"按钮。
3. 在"仓库"字段中输入local-deep-research。
4. 点击"拉取"按钮获取镜像。

3.3 配置容器

1. 为容器命名，例如"local-deep-research"。
2. 配置端口映射：将容器的5000端口映射到主机的5000端口。
3. 配置数据卷：为了保证数据持久化，可以将容器内的/app/.config/local_deep_research目录映射到Unraid的共享目录。
4. 点击"应用"按钮创建容器。

3.4 启动容器

在Docker标签页中找到刚刚创建的容器，点击"启动"按钮。启动完成后，就可以通过Unraid的IP地址加5000端口访问Local Deep Research了。

四、Local Deep Research工作原理

Local Deep Research的工作流程如图所示：


1. 查询输入：用户输入研究问题或查询。
2. 嵌入模型：将查询和文档转换为向量表示。
3. 向量数据库：存储和检索相关文档向量。
4. 搜索结果：从向量数据库中获取与查询相关的文档。
5. LLM处理：使用大型语言模型分析搜索结果，生成综合报告。

五、常见问题解决

5.1 Docker构建失败

如果Docker构建失败，可能是由于网络问题导致依赖下载失败。可以尝试以下解决方法：

1. 检查网络连接，确保可以访问外部资源。
2. 重试构建命令，Docker会缓存已下载的依赖。
3. 如果使用国内网络，可以配置Docker镜像加速。

5.2 端口冲突

如果启动时提示端口5000已被占用，可以修改端口映射：

docker run -d -p 5001:5000 --name ldr-container local-deep-research

将主机端口5001映射到容器的5000端口，然后通过 http://localhost:5001 访问。

5.3 Python依赖安装问题

如果使用PDM安装依赖时出现问题，可以尝试：

1. 更新pip：pip install --upgrade pip
2. 清除PDM缓存：pdm cache clear
3. 重新安装依赖：pdm install

六、总结

通过本指南，你已经了解了如何通过Docker、Python包和Unraid三种方式安装部署Local Deep Research。无论你是新手用户、开发者还是家庭服务器用户，都可以找到适合自己的安装方式。现在，开始使用Local Deep Research进行你的研究工作吧！

项目使用PDM进行依赖管理，相关配置文件为 pyproject.toml，Docker构建配置为 Dockerfile。如果需要深入了解项目结构或进行二次开发，可以参考这些文件。

【免费下载链接】local-deep-research~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090). Supports all local and cloud LLMs (llama.cpp, Ollama, Google, ...). 10+ search engines - arXiv, PubMed, your private documents. Everything Local & Encrypted.项目地址: https://gitcode.com/GitHub_Trending/lo/local-deep-research