Local Deep Research: opinión, precio, seguridad y alternativas

Qué hace Local Deep Research

Local Deep Research pertenece a la familia de investigación profunda: agentes que buscan, leen y contrastan decenas de fuentes para elaborar un informe con fuentes. En nuestra tabla ocupa el puesto 5 de los 18 proyectos de esta familia del directorio.

Se usa desde: aplicación web, terminal (CLI) y API. Modelos utilizables: modelos locales (Ollama, llama.cpp, vLLM…), Gemini (Google), Qwen (Alibaba), Mistral y cualquier modelo compatible con la API de OpenAI. Puede funcionar en su propia máquina o servidor.

Presentación del repositorio (en inglés): «~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.»

¿Para quién es Local Deep Research?

Se dirige a analistas, estudiantes y equipos que deben cruzar muchas fuentes para producir una síntesis argumentada. Ejemplos de tareas que se le confían:

• redactar un estado de la cuestión con fuentes
• comparar productos o competidores
• preparar una vigilancia técnica o normativa

Es un buen candidato si se siente cómodo en un terminal, sus datos deben quedarse en sus máquinas y quiere poder usar un modelo local, sin coste de API.

Accesos y control humano

Según su documentación, Local Deep Research puede:

• llamar a servicios en línea y API
• leer y modificar archivos

No hemos podido establecer si pide validación humana antes de las acciones sensibles: pruébelo primero en una cuenta o carpeta sin importancia.

Precio de Local Deep Research

El código es gratuito, con licencia MIT.

Empezar con Local Deep Research

1. Instálelo: el proyecto se distribuye como un paquete de Python (instalación con pip o uv). El comando exacto figura en el README del repositorio.
2. Elija el modelo: una clave de API de un proveedor, o un modelo local si su máquina tiene suficiente memoria gráfica (la calculadora de VRAM se lo indica).
3. Dele un primer terreno sin riesgo: una carpeta de prueba, una cuenta secundaria o un proyecto desechable. Solo abra sus cuentas reales después de ver cómo se comporta.
4. Encárguele una tarea corta y verificable, revise el resultado y el registro de sus acciones, y luego aumente la dificultad poco a poco.

Seguridad: nivel de riesgo

Un informe de agente puede citar fuentes mal leídas o inventadas: compruebe los enlaces antes de reutilizar una cifra.

Puntos detectados para Local Deep Research:

• Contenidos externos: lee páginas web o respuestas de API, que pueden contener instrucciones trampa (inyección de prompt).

Tres reflejos: mínimo privilegio (permisos mínimos, claves dedicadas), validación humana para las acciones irreversibles, sandbox para la ejecución de código. El diagnóstico de seguridad de agentes IA revisa su instalación en pocos minutos.

Actividad del proyecto y versiones

Creado el 9 de febrero de 2025, el repositorio LearningCircuit/local-deep-research suma 9402 estrellas, 883 copias (forks) y 991 incidencias abiertas, con 8480 commits en total. Ha recibido cambios este mes.

En las últimas 52 semanas: 4986 commits, una media de 95,9 por semana.

172 versiones publicadas en total; 30 en los últimos doce meses. Última versión: v1.10.7, el 28 de agosto de 2026.

Local Deep Research frente a otros investigación profunda

Estrellas de GitHub de los proyectos de código abierto mejor valorados de la familia investigación profunda. Las estrellas miden la atención, no la calidad: un proyecto muy mediático las acumula rápido, una herramienta especializada tendrá pocas.

Local Deep Research y otros investigación profunda en una tabla

Los 7 agentes mejor clasificados de la misma familia, 7 de ellos de código abierto. La nota sobre 100 solo se aplica a los proyectos de código abierto; para los servicios propietarios indicamos el precio de entrada publicado. Un guion señala un dato que la documentación no precisa.

Cómo lo hemos evaluado

Nota: 74/100, calculada solo con datos públicos y verificables, sin pruebas subjetivas ni acuerdos comerciales:

• Adopción 24/40: 9402 estrellas en escala logarítmica (40 puntos a partir de unas 200 000).
• Actividad 30/30: último commit hace menos de un mes, 27 versiones en seis meses, 4986 commits en un año.
• Marco 20/30: licencia, validación humana por defecto, autoalojamiento, elección de modelo y sitio de documentación.

La nota no dice si el agente resolverá sus tareas: mide la solidez del proyecto. La tabla completa está en la página de método.