lab
Esc

Prueba con

↑↓ para moverte · Enter para abrir · también en /buscar?q= para agentes

caso de uso avanzado pythonollamainvestigacionlocal

Local Deep Research: investiga con fuentes y modelos configurables

Descompón una pregunta de investigación, consulta fuentes y produce un informe cuyo respaldo puedas revisar desde una interfaz propia.

✓ verificado el 26 oct 2026

Instrucciones para tu agente

Esto es lo que se copia. Pégaselo a tu agente y te lo monta paso a paso.

O ábrelo directamente en ClaudeChatGPT

Pega este texto a tu agente (Claude Code, Codex, OpenCode, Hermes o el que uses) y dile «ayúdame a montarlo». Son los pasos para ponerlo en marcha; el porqué de cada pieza está en la guía completa.


Para el agente: cómo acompañar al usuario

  1. Pregunta primero para qué lo quiere. Si su objetivo no necesita algún paso, sáltalo.
  2. Antes de instalar, comprueba lo que ya tiene (versiones, claves, sistema operativo).
  3. Avanza un paso cada vez: explica en una frase qué vas a hacer y deja que el usuario lo ejecute o lo apruebe.
  4. Tras cada paso, comprueba que funcionó antes de seguir. Si falla, para y explica el error.
  5. No inventes comandos ni opciones: si la documentación del proyecto contradice estos pasos, manda la documentación.
  6. Al terminar, haz una prueba real con el objetivo del usuario y dile dónde profundizar.

Pasos de configuración

Paso 1: instala y abre la interfaz

Comprueba que el intérprete tiene Python ≥3.12 y <3.15 con pip y venv, Docker con acceso al motor y Ollama instalado y en ejecución en localhost:11434. En x86-64 la CPU necesita AVX; dimensiona la memoria para el modelo. Esta ruta adapta la guía pip a un entorno aislado en macOS/Linux:

python -m venv .venv
source .venv/bin/activate

Instala la aplicación y prepara búsqueda y modelo:

pip install local-deep-research
docker pull searxng/searxng
docker run -d -p 8080:8080 --name searxng searxng/searxng
ollama pull gemma3:12b
export LDR_SEARCH_ENGINE_WEB_SEARXNG_DEFAULT_PARAMS_INSTANCE_URL=http://localhost:8080
ldr-web

Paso 2: configura dependencias

Abre http://localhost:5000, crea tu cuenta local e inicia sesión. En Settings selecciona Ollama, el modelo gemma3:12b y SearXNG. La variable anterior fija y autoriza su dirección local antes del arranque. Envía una pregunta pública pequeña, por ejemplo «¿Qué es SearXNG?», y abre el informe al terminar. El proceso ldr-web debe permanecer abierto durante la prueba.

Comprobación

El informe debe incluir fuentes que puedas abrir y que respalden sus afirmaciones. Revisa qué proveedores recibieron la consulta antes de usar información privada.

Si algo falla

Si una búsqueda local está bloqueada, consulta la guía de SearXNG y sus restricciones de direcciones aprobadas. Si falla inferencia, prueba primero el proveedor configurado por separado.

ver en .md ¿Prefieres el recurso entero?

Qué es

Local Deep Research es una aplicación de investigación con modelos de lenguaje. Combina búsquedas, análisis y elaboración de respuestas con fuentes, y puede operar con modelos locales o proveedores externos.

Para qué te sirve

  • Cuando una pregunta exige varias búsquedas y quieres revisar el proceso completo.
  • Cuando necesitas combinar investigación web con una biblioteca de documentos propia.
  • Cuando quieres elegir por separado el motor de búsqueda y el proveedor de inferencia.

Cómo funciona

El sistema itera sobre preguntas y resultados para construir un informe. La interfaz web permite configurar modelos y búsquedas; el repositorio documenta integraciones como Ollama y SearXNG. También contempla descargar, indexar y buscar documentos.

La ruta de instalación con Python arranca la aplicación, pero no instala por sí misma un modelo ni convierte todas las búsquedas en privadas. La ubicación del procesamiento depende de cada proveedor configurado.

Antes de empezar

Para la ruta Python prepara Python ≥3.12 y <3.15 con pip, según el pyproject.toml oficial, o usa el despliegue Docker del README. Necesitas un modelo accesible y un motor de búsqueda. Si eliges ejecución local, dimensiona el hardware según el modelo; no hay una GPU universal que sirva para cualquier configuración.

Límites y alternativas

Las consultas web siguen llegando a servicios externos aunque el modelo sea local. El repositorio publica sus propias mediciones de calidad, que no garantizan el resultado de otra configuración. Comprueba las citas y restringe los conectores cuando el trabajo incluya información sensible.

Recursos

  • Repositorio y README - 9421 estrellas; licencia detectada por GitHub: MIT.
  • Licencia - Consulta sus condiciones antes de reutilizar el proyecto.