Ollama+LangGraph Asistente local de generación de informes de investigación académica

Introducción general

Ollama Deep Researcher es un asistente de investigación web y generación de informes totalmente nativo desarrollado por el equipo de LangChain. Utiliza un Large Language Model (LLM) arbitrario alojado en Ollama para permitir a los usuarios introducir un tema de investigación y, a continuación, generar automáticamente consultas de búsqueda web, recopilar información, resumir el contenido y generar informes Markdown con fuentes. Todo el proceso se realiza sin necesidad de conexión a Internet para llamar a un modelo externo, protegiendo la privacidad y sin coste adicional. Es compatible con DuckDuckGo, Tavily o Perplejidad y otras herramientas de búsqueda , el usuario puede personalizar el número de ciclos de investigación , adecuado para usuarios que necesitan una investigación en profundidad y generar informes estructurados . Fácil de instalar, de código abierto y gratuito.

Lista de funciones

• modelo lingüístico operativo local (LOLM): Utiliza LLM nativo a través de Ollama sin APIs externas.
• Generación automática de consultas de búsqueda: Genera términos de búsqueda web precisos basados en los temas de los usuarios.
• Recopilación de información web: Admite búsquedas en DuckDuckGo (por defecto), Tavily o Perplexity.
• Resumen y optimización de contenidos: Analizar los resultados de la búsqueda, identificar las deficiencias y mejorar el resumen.
• Generar informes MarkdownInforme estructurado con todas las citas de las fuentes.
• Personalizar la profundidad de la investigaciónEl usuario puede establecer el número de ciclos y controlar el nivel de detalle del estudio.
• Visualización de flujos de trabajo: a través de LangGraph Studio Visualiza cada paso de la operación.
• Compatibilidad con varios modelos: Compatible DeepSeek R1, Llama 3.2 y otros modelos.

Utilizar la ayuda

Proceso de instalación

Ollama Deep Researcher requiere soporte de entorno local. A continuación se detallan los pasos para usuarios de Mac y Windows.

Usuarios de Mac

1. Instalar Ollama
   • Visite el sitio web de Ollama para descargar la versión para Mac del instalador.
   • Tras la instalación, ejecute el terminal ollama --version Comprueba la versión.
2. modelo pull
   • Introdúcelo en el terminal:ollama pull deepseek-r1:8b Descargar Modelos recomendados.
   • También disponible ollama pull llama3.2.
3. proyecto de clonación
   • Ejecute el siguiente comando:

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

4. Creación de un entorno virtual (recomendado)
   • Asegúrate de que Python 3.9+ está instalado. Ejecútalo:

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

5. Instalar dependencias e iniciar
   • Entrada:

     curl -LsSf https://astral.sh/uv/install.sh | sh
     uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev
     

   • Cuando se inicia, el navegador abre LangGraph Studio (por defecto). http://127.0.0.1:2024).

Usuario de Windows

1. Instalar Ollama
   • Descargue la versión para Windows desde el sitio web de Ollama.
   • Tras la instalación, la línea de comandos se ejecuta ollama --version Validación.
2. modelo pull
   • Entrada:ollama pull deepseek-r1:8b.
3. proyecto de clonación
   • Corriendo:

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

4. Creación de un entorno virtual
   • Instala Python 3.11 (con la opción "Añadir a PATH" marcada) y ejecútalo:

     python -m venv .venv
     .venv\Scripts\Activate.ps1
     

5. Instalar dependencias e iniciar
   • Entrada:

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

   • acceso posterior al lanzamiento http://127.0.0.1:2024.

Herramienta de búsqueda de configuraciones (opcional)

• DuckDuckGo se utiliza por defecto y no se requiere clave API.
• si Tavily o Perplejidad:
  1. haga una copia de .env.example debido a .env.
  2. compilador .envañade la llave:

     TAVILY_API_KEY=your_tavily_key
     PERPLEXITY_API_KEY=your_perplexity_key
     

  3. Configuración opcional:
     • OLLAMA_BASE_URL(Por defecto) http://localhost:11434).
     • MAX_WEB_RESEARCH_LOOPS(por defecto 3).

Cómo utilizarlo

1. Abrir LangGraph Studio
   • Después de iniciar el servicio, acceda a http://127.0.0.1:2024.
   • La interfaz está dividida en columnas izquierda y derecha: configuración a la izquierda, y entrada y resultados a la derecha.
2. Parámetros de configuración
   • Herramientas de búsquedaElige entre DuckDuckGo, Tavily o Perplexity.
   • modelizaciónIntroduzca el nombre del modelo descargado (p. ej. deepseek-r1:8b).
   • Número de ciclos: Establece la profundidad de estudio, por defecto 3 veces.
   • Guarda la configuración.
3. Introduzca un tema
   • Introduzca un tema de investigación, como "El futuro del aprendizaje automático", en el cuadro de entrada de la derecha.
   • Haga clic en "Ejecutar" para iniciar el estudio.
4. Ver el proceso y los resultados
   • Studio muestra cada paso: generación de consultas, búsquedas, resúmenes, etc.
   • Una vez terminado, el informe Markdown se guarda en el estado gráfico de la carpeta del proyecto.

Función destacada Operación

• Ajustar la profundidad de la investigación
  • Cambio en la configuración MAX_WEB_RESEARCH_LOOPSSi el número de veces se fija en 5, los resultados serán más completos pero llevarán más tiempo.
• Alternar herramienta de búsqueda
  • DuckDuckGo Gratuito pero con resultados limitados, Tavily Más detallado (requiere clave). Reinicia el servicio después de cambiar.
• Comprobación de compatibilidad de modelos
  • Si se notifica un error (por ejemplo KeyError: 'query'), lo que indica que el modelo no admite la salida JSON. Cambiar a DeepSeek R1 (8B) o Llama 3.2.

advertencia

• requisitos de hardware: se necesitan 8 GB de memoria para el modelo 8B y 16 GB para el 13B.
• Compatibilidad con navegadoresSe recomienda Firefox, Safari puede tener advertencias de seguridad.
• detección de erroresSi te quedas atascado, comprueba los registros del terminal, puede que necesites actualizar dependencias o cambiar modelos.

escenario de aplicación

1. investigación académica
   • Descripción de la escenaLos estudiantes teclean "métodos de optimización de redes neuronales" y la herramienta busca y genera un informe con citas, lo que ahorra tiempo en la búsqueda de información.
2. Análisis del sector
   • Descripción de la escenaAI Market Trends to 2025", una herramienta que ofrece un resumen detallado para ayudar en la toma de decisiones.
3. Aprendizaje técnico
   • Descripción de la escenaLos desarrolladores introducen "Programación asíncrona en Python" y la herramienta genera un informe tutorial para facilitar el autoaprendizaje.

CONTROL DE CALIDAD

1. ¿Tengo que trabajar en red?
   • El modelo local no requiere conexión a Internet, pero la búsqueda en la web sí. Si no está conectado, solo se pueden utilizar los datos existentes.
2. ¿Es compatible con el chino?
   • Soporte. Introduzca un tema en chino y la herramienta generará resultados en chino, pero el efecto varía en función de la herramienta de búsqueda.
3. ¿Puede modificarse el informe?
   • Los archivos Markdown pueden editarse directamente.
4. ¿Qué debo hacer si obtengo un error JSON?
   • Esto significa que el modelo no soporta salida estructurada. Vuelva a intentarlo con DeepSeek R1 (8B) o Llama 3.2.