Local Deep Researcher : recherche web avec un LLM local

Local Deep Researcher est un assistant de recherche web qui fonctionne entièrement en local, avec un modèle de langage hébergé par Ollama ou LMStudio. Tu lui donnes un sujet : il cherche, résume, repère ce qui manque, puis recommence pendant un nombre de cycles que tu fixes. Le résultat est un résumé en markdown qui cite toutes les sources utilisées.

En bref

• Recherche web pilotée par un LLM qui tourne sur ta machine
• Boucle : requête, résumé, repérage des manques, nouvelle requête
• 3 cycles par défaut, réglables
• DuckDuckGo par défaut, sans clé API
• Licence MIT, écrit en Python

Qu’est-ce que Local Deep Researcher ?

Local Deep Researcher est un projet open source publié par langchain-ai, sous licence MIT. Il sert à faire une recherche web et à rédiger un rapport de synthèse sans confier le travail de rédaction à un service dans le cloud : le modèle de langage tourne sur ta machine, via Ollama ou LMStudio.

Tu lui donnes un sujet, et il se charge de formuler les recherches, de lire les résultats et de produire un résumé. Ce résumé est un fichier markdown qui cite les sources utilisées.

Comment fonctionne Local Deep Researcher

Le projet s’inspire d’une approche nommée IterDRAG, qui découpe une question en sous-questions, retrouve des documents pour chacune, y répond, puis s’appuie sur cette réponse pour la suivante. Local Deep Researcher procède de façon similaire, par cycles successifs.

Le résumé est mis à jour à chaque tour avec les nouvelles informations trouvées. Le nombre d’itérations est configurable.

• Le modèle local génère une requête de recherche à partir du sujet
• Un moteur de recherche renvoie des sources pertinentes
• Le modèle résume ce qui a été trouvé
• Il relit ce résumé pour repérer les lacunes
• Il génère une nouvelle requête pour les combler, puis la boucle recommence

Choisir son modèle et son moteur de recherche

Côté modèle, le README prévoit Ollama ou LMStudio. Avec Ollama, le modèle par défaut est llama3.2 si rien n’est précisé, et le README donne deepseek-r1:8b en exemple. Avec LMStudio, il faut démarrer le serveur local compatible avec l’API OpenAI et indiquer le nom exact du modèle.

Pour la recherche, DuckDuckGo est utilisé par défaut et ne demande pas de clé API. SearXNG, Tavily et Perplexity sont aussi possibles, les deux derniers avec une clé. Le nombre maximal de cycles vaut 3 par défaut, et une option permet de récupérer la page complète avec DuckDuckGo.

ollama pull deepseek-r1:8b
LLM_PROVIDER=ollama
LOCAL_LLM=model # the model to use, defaults to `llama3.2` if not set
MAX_WEB_RESEARCH_LOOPS=xxx # the maximum number of research loop steps, defaults to `3`

Installer et lancer Local Deep Researcher

On commence par cloner le dépôt et copier le fichier d’exemple de configuration, que l’on adapte ensuite. Les variables d’environnement ont la priorité la plus haute, devant la configuration saisie dans l’interface LangGraph, puis devant les valeurs par défaut du code.

Le lancement passe par un serveur LangGraph, dont l’interface s’ouvre dans le navigateur (LangGraph Studio). Le README recommande Firefox, et signale que Safari peut afficher des avertissements de sécurité. Voici la version Mac :

git clone https://github.com/langchain-ai/local-deep-researcher.git
cd local-deep-researcher
cp .env.example .env
curl -LsSf https://astral.sh/uv/install.sh | sh
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev

Utiliser Local Deep Researcher avec Docker

Le dépôt inclut un Dockerfile qui fait tourner LangGraph Studio avec l’assistant, mais pas Ollama : il faut lancer Ollama séparément et renseigner OLLAMA_BASE_URL. Le navigateur ne s’ouvre pas tout seul depuis le conteneur, il faut ouvrir à la main l’adresse indiquée dans le README.

Une adaptation en TypeScript, sans la recherche Perplexity, existe aussi dans un dépôt distinct.

docker build -t local-deep-researcher .

Où en est le projet

Le README signale, au 6 août 2025, l’ajout de l’appel d’outils (tool calling) et la prise en charge de gpt-oss. Ces modèles ne gèrent pas le mode JSON dans Ollama : il faut cocher use_tool_calling dans la configuration.

Selon les chiffres relevés sur GitHub le 8 octobre 2026, le dépôt compte 9 363 étoiles, 976 copies, 13 contributeurs et 45 tickets ou demandes de fusion ouverts. Il a été créé le 4 décembre 2024 et son code a été modifié pour la dernière fois le 20 septembre 2026.

Ce qu’il faut savoir avant de se lancer

Certaines étapes demandent une sortie JSON structurée, ce que tous les modèles ne réussissent pas bien. Le README cite DeepSeek R1 en 7B et en 1,5B comme exemples en difficulté : l’assistant dispose alors d’un mécanisme de repli.

Le README ne donne pas de configuration matérielle minimale, et ne chiffre pas la qualité des résumés selon le modèle choisi.

Quelques repères

• LLM (modèle de langage) : Programme d’intelligence artificielle entraîné sur de grandes quantités de texte, capable de comprendre et de produire du langage. On peut le faire tourner sur son propre ordinateur ou l’utiliser via un service en ligne.
• Markdown : Format de texte simple où quelques symboles indiquent les titres, les listes ou les liens. Il se lit facilement tel quel et se convertit aisément en page web.
• Clé API : Code personnel qui identifie un utilisateur auprès d’un service en ligne et lui permet de l’utiliser depuis un programme.

Questions fréquentes

Local Deep Researcher fonctionne-t-il sans cloud ?

Oui pour le modèle de langage, qui tourne en local via Ollama ou LMStudio. La recherche web, elle, interroge un moteur : DuckDuckGo par défaut, ou SearXNG, Tavily, Perplexity.

Local Deep Researcher a-t-il besoin d’une clé API ?

Non par défaut, car DuckDuckGo n’en demande pas. Tavily et Perplexity nécessitent une clé, à ajouter dans le fichier d’environnement.

Combien de cycles de recherche fait Local Deep Researcher ?

Trois par défaut. Le nombre se règle avec la variable MAX_WEB_RESEARCH_LOOPS ou dans l’onglet de configuration de l’interface.

Local Deep Researcher est-il gratuit ?

Le projet est open source sous licence MIT. Le README ne mentionne aucun tarif pour le projet ; seuls certains moteurs de recherche, comme Tavily ou Perplexity, demandent une clé API.

À retenir

Local Deep Researcher automatise une boucle de recherche web, de résumé et de relecture avec un modèle local, et livre une synthèse markdown sourcée. Il demande de configurer Ollama ou LMStudio, et le choix du modèle compte, car certains gèrent mal la sortie JSON attendue.