Self-Hosted Deep-Research-Systeme: 12 Tools im Vergleich

Deep Research ist inzwischen eine eigene Softwarekategorie geworden, nicht mehr nur ein Modell, das auf ein Suchfeld angewiesen ist. Dieser Artikel vergleicht zwölf selbst gehostete Systeme und die dahinterliegenden Forschungsarchitekturen.

Die entscheidende Frage ist nicht, ob ein Produkt einen Button mit der Bezeichnung „Deep Research" mitliefert, sondern was nach der ersten Abrufphase (Retrieval) geschieht. Ein echtes System erkennt, dass sein Plan unvollständig war, verfolgt einen neu entdeckten Anhaltspunkt, wiegt widersprüchliche Quellen ab und verfasst erst dann den Bericht.

Im Folgenden vergleiche ich zwölf Open-Source- und Self-Hosted-Projekte, die diese Schleife auf unterschiedliche Weise umsetzen: rekursive Forschungsbäume, Planer-und-Subagenten-Designs, Evidenzlücken-Schleifen, perspektivgesteuerte Fragenerzeugung und modellgesteuerte agentische Suche. Für jedes System gebe ich Auskunft über die Architektur, die Unterstützung von lokalen LLMs, den Zugriff auf RAG oder private Dokumente, die Deployment-Komplexität und die Lizenz, die man tatsächlich erbt, wenn man selbst hostet. Bei Systemen, die auch ein vollständiges Produkt sind (Open WebUI, Vane), konzentriere ich mich darauf, wie sie recherchieren, und verweise für Installation und Konfiguration auf die spezielle Anleitung. Deep Research gehört zu den anspruchsvollsten Anwendungs-Workloads im Bereich der KI-Systeme – es belastet Abruf, Planung und mehrstufige Orchestrierung gleichzeitig, statt eine einzelne Ebene isoliert zu testen.

Was ist Deep Research?

Ein konventioneller KI-Websuche-Workflow ist meist linear. Selbst wenn mehrere Suchen durchgeführt werden, erstellt das Modell in der Regel nur verwandte Abfragen, ruft Dokumente ab und fasst zusammen, was es findet:

Frage
  |
Suche
  |
Seiten abrufen
  |
Zusammenfassen
  |
Antwort

Deep Research fügt eine Ebene hinzu: Der Forschungsprozess selbst wird adaptiv. Nach dem ersten Durchgang kann das System Verzweigungen bilden, nachprüfen und weitermachen, bis die Evidenz ausreichend ist.

Der Unterschied ist erheblich. Ein System, das fünfmal sucht, führt nicht unbedingt Deep Research durch; ein leistungsfähigeres System beginnt mit einer Frage, entdeckt ein unerwartetes Implementierungsdetail, öffnet einen neuen Forschungsast darum, vergleicht Primär- und Sekundärquellen und revidiert seine ursprünglichen Annahmen. Für den breiteren Unterschied zwischen Search, Deep Search und Deep Research und dafür, wie Cloud-Angebote dieselbe Idee rahmen, siehe Search vs Deep Search vs Deep Research in 2026.

Es gibt keine einzige Deep-Research-Architektur. Aktuelle Self-Hosted-Implementierungen fallen in der Regel in fünf Gruppen:

1. Rekursive Forschungsbäume.
2. Planer- und Subagenten-Architekturen.
3. Evidenzlücken-gesteuerte Forschungsschleifen.
4. Perspektiv- und fragegesteuerte Forschung.
5. Agentische iterative Suche.

Die ersten vier bieten eine explizitere Forschungsstruktur. Die fünfte kann mit einem starken Reasoning- und Tool-Calling-Modell immer noch überraschend tiefgehende Untersuchungen durchführen, wobei jedoch viel von der Strategie an das Modell selbst delegiert wird. Die Evidenzlückenschleife ist insbesondere ein systemseitiges Cousin des selbstreflektierenden Retrievals, das in Self-RAG-artigen Pipelines verwendet wird – die Entscheidung, ob erneut abgerufen wird, die Bewertung der Relevanz und die Kritik am Entwurf vor der Beantwortung. Siehe Advanced RAG: LongRAG, Self-RAG and GraphRAG für dieses Muster auf Retrievalebene.

Vergleich selbst gehosteter Deep-Research-Systeme

Die folgende Tabelle fasst die wichtigsten Systeme zusammen. „Rekursive Tiefe" bedeutet nicht, dass mehrere Websuchen möglich sind; es bedeutet, dass das System einen Mechanismus hat, zusätzliche Untersuchungen aus Zwischenbefunden abzuleiten.

Ein Punkt sticht hervor: Es gibt keinen direkten Zusammenhang zwischen UI-Sophistikation und Forschungstiefe. Open WebUI und Vane bieten polierte Schnittstellen, während GPT Researcher und STORM stärker auf den Forschungsalgorithmus ausgerichtet sind. Umgekehrt versuchen Onyx und Unsloth Studio, sowohl eine starke Benutzererfahrung als auch einen substanziellen Forschungsworkflow bereitzustellen. Die meisten dieser Systeme laufen gegen dieselben lokalen Inferenz-Backends, die im LLM-Hosting-Guide behandelt werden.

Deep-Research-Architekturen

Bevor einzelne Produkte verglichen werden, ist es nützlich, die architektonischen Unterschiede zu verstehen.

Die Kategorien überschneiden sich. Local Deep Research bietet mehrere Forschungsstrategien, und DeerFlow 2.0 ist eine Allzweck-Agenten-Plattform, die Forschung durchführen kann, anstatt eine reine Forschungsanwendung zu sein. Der Unterschied ist dennoch nützlich bei der Auswahl eines Systems: Ein rekursiv verzweigender Forscher verhält sich anders als eine Chat-Schnittstelle, deren Modell lediglich ein search_web-Tool hat. Systeme, die private Dokumente neben dem Web abrufen, stützen sich auf dieselben Abrufmuster, die im RAG-Cluster beschrieben werden.

Lizenzvergleich

Lizenzierung ist besonders wichtig, wenn das System Teil einer internen Plattform, eines kommerziellen Dienstes oder eines wiedervertriebenen Produkts werden soll.

Für das private Self-Hosting verhindert keine dieser Lizenzen die normale Nutzung. Die Unterschiede werden wichtig, wenn die Software modifiziert, anderen Nutzern angeboten, in eine andere kommerzielle Anwendung eingebettet oder Derivate weitervertrieben werden. MIT und Apache-2.0 sind im Allgemeinen die einfachsten Optionen für Integrationen. AGPL-3.0 verdient eine genauere Prüfung für netzwerkzugängliche modifizierte Deployments, und die aktuelle Lizenz von Open WebUI fügt eigene Markenbedingungen hinzu.

GPT Researcher

GPT Researcher wird von Assaf Elovic und Mitwirkenden als autonomer Forschungsagent entwickelt, der sich speziell auf umfassende Online-Untersuchungen konzentriert. Es ist eine der klarsten Referenzimplementierungen dafür, was „Deep Research" bedeutet, wenn der Begriff einen Algorithmus und nicht eine Benutzerschnittstellen-Funktion beschreibt.

Sein stärkstes Merkmal ist explizite Breite und Tiefe. Der Deep-Research-Modus stellt Parameter wie deep_research_breadth, deep_research_depth und Parallelität bereit, die es ermöglichen, dass eine Untersuchung mehrere Äste erzeugt und diese Äste zusätzliche Forschung erzeugen. Dies schafft einen echten Forschungsbaum anstatt einer festen Sammlung von Suchanfragen.

Dieser Ansatz hat jedoch auch Kosten. Rekursive Erweiterung kann viele Abruf- und LLM-Operationen erzeugen, und die Qualität des Endergebnisses hängt stark von der Fähigkeit des Modells ab, nützliche Forschungsfragen zu formulieren, Evidenz zu extrahieren und schwache Annahmen auf tiefere Ebenen nicht zu propagieren. GPT Researcher ist auch stärker forschungsingenieur-orientiert als Anwendungen wie Open WebUI oder Unsloth Studio.

Die Installation ist moderat und nicht trivial: Das Projekt verwendet Python und liefert eine Webanwendung mit, während sinnvolle Deployments auch geeignete Modell- und Suchanbieter erfordern. Die aktuellen Projektmakrodaten deklarierten die MIT-Lizenz. Wählen Sie GPT Researcher, wenn explizite Forschungstiefe, konfigurierbare Rekursion und eine forschungsprimäre Architektur wichtiger sind als eine Allzweck-Lokale-KI-Workstation.

Unsloth Studio

Unsloth Studio wird vom Unsloth-Team als Teil des breiteren Unsloth-Ökosystems entwickelt. Ursprünglich am besten bekannt für effizientes Feinabstimmung von Modellen, hat Unsloth Studio zu einer lokalen KI-Umgebung für Inferenz, Chat, Tools, RAG, Modellverwaltung und jetzt Deep Research erweitert.

Der interessante Aspekt von Studio ist, wie eng Forschung mit dem lokalen Modellbetrieb integriert ist. Sein Deep-Research-Workflow umfasst eine Planungsphase, Planüberprüfung, Evidenzsammeln, Berichterstellung, Dokumentverarbeitung und Fehlerbehandlung, wenn Forschungsschritte scheitern, Evidenz zu sammeln. Für Benutzer, die bereits GGUF- oder andere lokale Modelle betreiben, macht dies Studio erheblich bequemer als das Zusammenstellen eines separaten Forschungsframeworks, Inferenzservers und Frontends.

Studio stellt nicht dieselbe einfache Breiten-/Tiefen-Forschungsbaum-Abstraktion wie GPT Researcher bereit. Der Workflow wird weitgehend um einen Forschungsplan und die Datensammlung organisiert, anstatt um willkürliche rekursive Erweiterung, und die Funktion ist jünger als einige dedizierte Forschungsprojekte. Die Qualität der lokalen Forschung bleibt auch empfindlich gegenüber Kontextlänge, Ausgabeobergrenzen, Tool-Nutzung und der Reasoning-Qualität des gewählten Modells.

Die Installation ist relativ einsteigerfreundlich, da Unsloth nun Studio- und Desktop-orientierte Workflows auf den großen Plattformen bereitstellt, obwohl GPU- und Modellkonfiguration für fortgeschrittene lokale Deployments immer noch erheblich sein kann. Die Studio-Komponente ist AGPL-3.0, während das Kern-Unsloth-Paket Apache-2.0 bleibt. Wählen Sie Unsloth Studio, wenn Deep Research Teil einer breiteren lokalen Modell-Workstation sein soll, anstatt ein eigenständiger Forschungsdienst zu sein.

Local Deep Research

Local Deep Research wird von LearningCircuit und Mitwirkenden als privacy-orientierter Open-Source-Forschungsassistent verwaltet. Sein explizites Ziel ist systematische Forschung unter Verwendung von Webquellen, akademischen Datenbanken, privaten Dokumenten und lokalen Sprachmodellen.

Sein großer Vorteil ist die architektonische Flexibilität. Anstatt einen einzigen Forschungsalgorithmus durchzusetzen, unterstützt Local Deep Research pipeline-orientierte Strategien sowie eine LangGraph-Agenten-Strategie, bei der das Modell entscheiden kann, was es zu suchen hat, welche Spezialquellen zu verwenden sind und wann genügend Evidenz gesammelt wurde. Akademische Quellen wie arXiv, PubMed, Semantic Scholar und andere Suchmechanismen machen es besonders attraktiv für technische und wissenschaftliche Forschung.

Der Nachteil der Flexibilität ist die Komplexität. Verschiedene Strategien können sich wesentlich unterschiedlich verhalten, was es schwieriger macht, Ergebnisse mit einem einfachen „Tiefe"-Parameter zu charakterisieren. Es hat auch mehr bewegliche Teile als eine konventionelle Chat-UI, und Benutzer, die nur schnelle KI-gestützte Web-Antworten suchen, könnten es unnötig aufwendig finden.

Das Projekt unterstützt lokalen Betrieb und hat eine beträchtliche Anwendung um den zugrunde liegenden Forschungsengine entwickelt. Seine Lizenz ist MIT. Wählen Sie Local Deep Research, wenn Datenschutz, lokale Inferenz, mehrere Forschungsstrategien, akademische Informationsquellen und die Kontrolle über den Forschungsprozess wichtiger sind als eine minimale Einrichtung.

STORM und Co-STORM

STORM, entwickelt von Stanford OVAL, steht für Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking. Es wurde um Wissenskuratierung und die Generierung langer Berichte herum konzipiert, anstatt um allgemeinen KI-Chat.

Die einzigartige Technik von STORM ist perspektivgesteuerte Forschung. Es versucht, unterschiedliche Perspektiven zu einem Thema zu entdecken und verwendet Fragengenerierung, um die gesammelte Informationen zu erweitern, bevor es eine Gliederung und einen Artikel schreibt. Co-STORM erweitert das Konzept hin zur kollaborativen menschlich-KI-Wissenskuratierung. Dies kann Dimensionen eines Themas aufdecken, die eine konventionelle Liste von Stichwortsuchen übersehen könnte.

STORM ist weniger als allgemeiner lokaler KI-Frontend geeignet. Sein Workflow ist stark auf die Recherche und das Schreiben strukturierter, Wikipedia-ähnlicher Artikel ausgerichtet, und die eigene Dokumentation des Projekts bemerkt, dass generierte Ausgabe nicht automatisch als publikationsreif betrachtet werden sollte. Es ist daher besser als eine spezialisierte Forschungs- und Wissenskuratierungs-Engine zu verstehen, als als Ersatz für Open WebUI.

Die Installation ist Python-orientiert, und die Pipeline kann mit verschiedenen Modellen und Retrievern angepasst werden. STORM verwendet die MIT-Lizenz. Wählen Sie es, wenn das Ziel eine breitere thematische Erkundung, Perspektiventdeckung, strukturierte Gliederungen und Langform-Wissenssynthese ist.

DeerFlow

DeerFlow wird von ByteDance und der DeerFlow-Community entwickelt. Sein Name stand ursprünglich für Deep Exploration and Efficient Research Flow, aber es gibt jetzt einen wichtigen Unterschied zwischen dem ursprünglichen 1.x-Deep-Research-Framework und DeerFlow 2.0.

DeerFlow 1.x wurde spezifisch um Deep Research herum entworfen. DeerFlow 2.0 ist ein grundlegendes Umschreiben in einen allgemeineren SuperAgent-Harness, der Subagenten, Speicher, Sandboxes, Tools und Fähigkeiten orchestrieren kann. Für die Forschung ist diese Architektur leistungsfähig, weil ein Koordinator verschiedene Teile eines Problems an separate Agenten delegieren und später ihre Befunde zusammenfassen kann – dieselbe Planer-und-Subagenten-Dekomposition, die in Mehragent-Orchestrierungsmuster behandelt wird.

Der Kompromiss ist, dass DeerFlow 2.0 kein eng optimierter Forschungsmotor mehr ist. Es ist näher an einer allgemeinen Langhorizont-Agenten-Plattform, in der Forschung eine Workload unter Koderstellung, Artefakterstellung und anderen Aufgaben ist. Wenn die Anforderung ein kleiner dedizierter Forschungsdienst ist, kann diese zusätzliche Mechanik unnötig sein.

Die Deployment-Strategie ist folglich aufwendiger als eine einfache Such-UI, obwohl die Architektur viel mehr Raum für Anpassung und Erweiterung bietet. DeerFlow ist mit MIT lizenziert. Wählen Sie DeerFlow, wenn Deep Research dazu erwartet wird, eine Fähigkeit innerhalb einer breiteren Mehragent-Automatisierungsumgebung zu werden.

Onyx

Onyx, ursprünglich bekannt als Danswer, wird von DanswerAI entwickelt und als selbst hostbare KI-Anwendungsschicht für Organisationen positioniert. Es kombiniert Chat, Agenten, Websuche, RAG, MCP-Integration, viele Enterprise-Datenconnectoren und eine dedizierte Deep-Research-Fähigkeit.

Onyx sticht hervor, weil Forschung sowohl das öffentliche Web als auch eine beträchtliche private Wissensumgebung umfassen kann. Seine Deep-Research-Implementierung ist ein echter mehrstufiger Forschungsflow und nicht nur eine Zusammenfassung von Suchergebnissen, und das Projekt hat Ergebnisse und Ausführungsprotokolle für DeepResearch Bench veröffentlicht. Für Organisationen, die Recherche über interne Dokumentation, indexierte Anwendungen und externe Quellen hinweg benötigen, ist dies eine besonders starke Kombination.

Der Preis dieser Fähigkeiten ist die Infrastrukturkomplexität. Onyx ist eine größere Plattform als GPT Researcher oder ein leichtgewichtiges lokales Forschungsprojekt, und viele seiner Stärken sind nur dann relevant, wenn Connectoren, Indexierung, Authentifizierung, Dokumentenstores und Organisationsdaten tatsächlich verwendet werden.

Onyx kann selbst gehostet werden, einschließlich in beschränkten Umgebungen. Der Großteil des Hauptrepositories ist mit MIT lizenziert, während Code unter ee-Verzeichnissen die Onyx-Enterprise-Lizenz verwendet; ein separates onyx-foss-Repository wird als vollständig mit MIT lizenzierte Variante gepflegt. Wählen Sie Onyx, wenn Deep Research mit ernsthafter Enterprise-RAG und Organisationswissensabruf koexistieren muss.

Open Deep Research

Open Deep Research wurde von LangChain als offene Implementierung eines konfigurierbaren Deep-Research-Agenten entwickelt. Es kombiniert Planung, Forschung, Berichterstellung, mehrere Modellanbieter, Suchtools und MCP-Integrationen unter Verwendung von LangGraph.

Seine Architektur ist für Entwickler besonders interessant. Forschungsarbeit kann dekomponiert und parallelisiert werden, was es zu einer nützlichen Referenz für Planer-Forscher-Synthetisierer-Designs macht. Weil das Projekt um LangGraph herum gebaut wurde und nicht um eine monolithische UI, ist es auch leichter als Implementierungsmuster für den Bau customisierter Forschungsagenten zu studieren.

Es gibt ein großes Problem für neue Deployments: LangChain hat das Repository am 21. August 2026 archiviert, und es ist jetzt nur lesbar. Der Code bleibt nützlich, aber ein Produktionssystem um ein archiviertes Referenzprojekt herum zu starten, schafft ein offensichtliches Wartungsrisiko.

Das Projekt ist Python-basiert und verwendet eine MIT-Lizenz. Wählen Sie es heute hauptsächlich für architektonische Studien, Experimente oder als Quelle für Implementierungsides, anstatt als die Standardgrundlage für eine neue langfristige Installation.

Open WebUI

Open WebUI ist eine der beliebtesten Allzweck-Self-Hosted-Schnittstellen für lokale und entfernte LLMs. Seine recente agentische Tool-Architektur gibt Modellen Zugriff auf Websuche, URL-Holen, Wissensbasen, Dateien, Speicher, Codeausführung und andere Tools. Für Installation, RAG-Einrichtung und den vollständigen Funktionsumfang siehe den Open-WebUI-Guide.

Das Forschungsmodell von Open WebUI ist interessant, weil der Forschungskreislauf weitgehend von dem Sprachmodell gesteuert wird. Im nativen agentischen Modus kann das Modell suchen, Snippets inspizieren, vollständige Seiten holen, fehlende Informationen identifizieren, neu entdeckten URLs folgen, Quellen gegenseitig prüfen und den Prozess wiederholen, bevor es eine Antwort generiert. Mit einem fähigen Reasoning- und Tool-Calling-Modell kann dies echtes investigatives Verhalten erzeugen, ohne einen dedizierten festen Forschungsbaum.

Die Einschränkung ist genau, dass diese Struktur modellgesteuert ist. Open WebUI stellt nicht dieselbe explizite Breiten-/Tiefen-Forschungstopologie wie GPT Researcher bereit, und es gibt weniger deterministische Kontrolle darüber, wie viele unabhängige Äste erkundet werden. Ein schwaches Tool-Calling-Modell kann zu früh stoppen, schlecht suchen oder wichtige Anhaltspunkte nicht verfolgen.

Die Installation gehört zu den einfachsten in diesem Vergleich, insbesondere für Benutzer, die bereits Ollama, llama.cpp, vLLM oder einen anderen OpenAI-kompatiblen Inferenzserver betreiben. Aktuelle Releases verwenden die Open-WebUI-Lizenz, die beträchtliche permissive Charakteristika beibehält, aber Markenbeschränkungen hinzufügt; frühere Teile des Projekts haben eine MIT- und BSD-3-Clause-Historie. Wählen Sie Open WebUI, wenn Sie eine ausgezeichnete lokale-LLM-Integration und eine allgemeine KI-Schnittstelle wünschen, in der Forschung eine von vielen agentischen Fähigkeiten ist.

Khoj

Khoj wird als selbst hostbare persönliche KI und „zweites Gehirn" entwickelt. Es kombiniert lokale oder Cloud-Sprachmodelle mit Webabruf, persönlichen Dokumenten, semantischer Suche, custom Agents, Automatisierungen und einem experimentellen /research-Modus.

Sein stärkster Anwendungsfall ist Forschung, die die Grenze zwischen öffentlichen Informationen und dem vorhandenen Wissensbestand eines Nutzers überschreitet. Eine Frage kann im Kontext von PDFs, Markdown-Dateien, Notizen, Büro-Dokumenten oder verbundenen Informationen untersucht werden, anstatt jede Aufgabe als Websuche von Grund auf zu behandeln. Dies macht Khoj nützlich für anhaltende persönliche oder Team-Wissensarbeit.

Khoj ist nicht primär um einen sichtbaren rekursiven Forschungsbaum herum entworfen. Seine Forschungsfunktionalität ist besser als autonome Untersuchung innerhalb eines größeren persönlichen Wissenssystems zu verstehen. Benutzer, die explizite Breiten-/Tiefen-Steuerungen oder eine dedizierte Forschungsengine-API suchen, könnten GPT Researcher oder Local Deep Research bevorzugen.

Self-Hosting wird unterstützt, und das System kann mit lokalen Modellen arbeiten, einschließlich der Familien Llama, Qwen, Gemma und Mistral. Khoj ist unter AGPL-3.0-or-later lizenziert. Wählen Sie es, wenn Deep Research eng mit einer langlebigen persönlichen Wissensbasis integriert werden soll, anstatt als isolierter Websuche-Job behandelt zu werden.

SurfSense

SurfSense ist ein Open-Source-Forschungsbereich, der sich von einem NotebookLM-artigen Wissenssystem zu einer agentenorientierten Open-Web-Forschungsplattform entwickelt hat. Es kombiniert eine durchsuchbare Wissensbasis mit Web- und plattformspezifischen Datenconnectoren, Berichten, Automatisierungen, MCP-Zugriff und Unterstützung lokaler Modelle.

Der charakteristische Vorteil von SurfSense ist seine Datenebene. Es ist so gestaltet, Agenten strukturierten Zugriff nicht nur auf gewöhnliche Webseiten und Suchergebnisse, sondern auch auf Quellen wie Reddit, YouTube, Google Maps und andere Live-Informationssdienste zu geben. Forschungsergebnisse können dann in derselben Umgebung bleiben wie hochgeladene Dokumente und zuvor gesammelte Erkenntnisse.

Es ist weniger rein auf den Forschungsalgorithmus fokussiert als GPT Researcher oder STORM. Ein erheblicher Teil des Werts von SurfSense stammt aus Abrufinfrastruktur, Connectoren, Wissensmanagement und nachgelagerten Artefakten, anstatt aus einem explizit rekursiv expandierenden Forschungsgraphen.

Self-Hosting wird über Docker-orientierte Installation unterstützt, und lokale Modelle können über gängige lokale Inferenzschnittstellen verbunden werden. Das aktuelle Repository ist mit Apache-2.0 lizenziert. Wählen Sie SurfSense, wenn der schwierige Teil der Forschung darin besteht, Informationen aus vielen verschiedenen Datenquellen zu beschaffen, zu strukturieren, zu speichern und wiederzuverwenden.

Vane, früher Perplexica

Vane, früher bekannt als Perplexica, ist eine Open-Source-KI-Antwortmaschine, die als selbst gehostete Alternative zu suchenprimären Produkten wie Perplexity konzipiert wurde. Es kombiniert eine KI-Chat-Schnittstelle, einen Such-Backend, Zitate, Unterstützung lokaler Modelle und semantische Suche über hochgeladene Dateien. Für den Docker-Quickstart, das SEARXNG_API_URL-Wiring und das Ollama/llama.cpp-Setup siehe Vane (Perplexica 2.0) Quickstart mit Ollama und llama.cpp.

Vane ist gut im Suchen-und-Antworten-Erlebnis. Es klassifiziert Fragen, führt Websuche durch, ruft nützliche Informationen ab und generiert zitierte Antworten über eine polierte Schnittstelle. Die meisten Deployments stützen es mit SearXNG als Schichsuche. Für Benutzer, die hauptsächlich eine private KI-Suchmaschine wünschen, die von SearXNG und lokalen Modellen gestützt wird, bietet es ein viel fokussierteres Erlebnis als eine große allgemeine Agentenplattform.

Seine Einschränkung in diesem Vergleich ist die Forschungstiefe. Obwohl das System Forschungsbetriebe ausführen kann, ist seine Architektur immer noch primär die einer Antwortmaschine und nicht eines rekursiv verzweigenden Deep-Research-Frameworks. Es sollte daher nicht als äquivalent zu GPT Researcher behandelt werden, nur weil beide mehrere Suchen durchführen können, bevor sie antworten.

Vane ist relativ unkompliziert mit Docker zu deployen und unterstützt gängige Modellanbieter und lokale Inferenzsysteme. Es ist mit MIT lizenziert. Wählen Sie Vane, wenn die primäre Anforderung eine hochwertige selbst gehostete KI-Suche mit Zitaten ist, anstatt eine langlaufende autonome Untersuchung.

Deep Research von lukeswade

Das Projekt lukeswade/deep-research ist ein kleineres selbst gehostetes Forschungssystem, aber es implementiert einen der interessanten Workflows in diesem Vergleich. Es unterstützt sowohl Cloud-Modelle als auch lokale OpenAI-kompatible Endpunkte, einschließlich llama.cpp, LM Studio, Ollama, vLLM und MLX – für die Serverseite dieses Endpunkts siehe llama.cpp Quickstart mit CLI und Server.

Sein Forschungsschleife ist explizit lückengesteuert. Eine Ausführung dekomponiert die Frage in gezielte Suchen, liest relevante Seiten, erzeugt Notizen pro Quelle, die Evidenz enthalten, und analysiert, was unbekannt bleibt, bevor es entscheidet, was als Nächstes gesucht werden soll. Höhere Tiefeinstellungen erlauben mehrere Runden und progressive größere Quellenbudgets, während Sättigungserkennung die Forschung früh stoppen kann, wenn neue Suchen keine nützlichen Informationen mehr erzeugen.

Es hat nicht das Ökosystem, die Organisationsconnectoren oder die allgemeine KI-Workstation-Fähigkeiten von Onyx, Open WebUI oder Unsloth Studio. Es ist viel enger darauf fokussiert, eine Sache zu tun: eine Frage tief zu erforschen und die resultierende Forschung in einer durchsuchbaren lokalen Bibliothek zu speichern.

Diese Fokussierung macht auch das Deployment relativ verständlich. Das System hat eine Web-UI und ist besonders freundlich gegenüber lokalen OpenAI-kompatiblen Modellservern; die Dokumentation empfiehlt fähige Modelle und unterstützt die Verwendung eines kleineren, schnellen Modells für die volumenstarke Notizenverarbeitung. Es ist mit MIT lizenziert. Wählen Sie es, wenn lokale Inferenz, transparente Evidenzsammlung und lückengetriebene Forschung wichtiger sind als eine große umgebende Plattform.

Welches Deep-Research-System sollten Sie wählen?

Es gibt keinen einzelnen Gewinner, weil diese Systeme etwas verschiedene Probleme lösen.

Für einen expliziten Forschungsalgorithmus mit verständlichen Tiefensteuerungen bleibt GPT Researcher einer der klarsten Startpunkte. Sein Breiten-/Tiefen-Modell macht es leicht, darüber nachzudenken, warum sich Forschung erweitert und wie teuer eine Ausführung werden kann.

Für einen stark lokalen Workflow sind Local Deep Research und Unsloth Studio besonders attraktiv. Local Deep Research bietet mehr Flexibilität bei den Forschungsstrategien, während Unsloth Studio Forschung mit Modellverwaltung, Inferenz, RAG und dem breiteren lokalen Modell-Workflow integriert.

Für Langform-Wissenskuratierung bleibt STORM ungewöhnlich interessant, weil seine Mehrperspektiven-Fragengenerierungstechnik ein Problem angreift, das viele Forschungssysteme ignorieren: die Entdeckung der Fragen, die der ursprüngliche Benutzer nicht wusste, zu stellen.

Für Mehragentensysteme repräsentiert DeerFlow eine andere Richtung. Anstatt einen spezialisierten Forschungsschleife zu bauen, behandelt es Forschung als langlaufende Agentenaufgabe, die an Subagenten delegiert und mit Tools, Speicher, Codeausführung und anderen Fähigkeiten kombiniert werden kann.

Für Organisationen hat Onyx eine der stärksten Kombinationen aus Deep Research, RAG, Web-Untersuchung und Enterprise-Wissensconnectoren. Seine schwerere Infrastruktur ist gerechtfertigt, wenn interne Informationsquellen genauso wichtig sind wie das öffentliche Web.

Für eine vorhandene lokale KI-Installation kann Open WebUI alles sein, was nötig ist. Ein hinreichend fähiges lokales Modell mit nativem Tool-Calling kann wiederholt suchen, Seiten lesen, Links folgen, Informationen verifizieren und Lücken füllen, ohne dass eine separate Forschungsengine installiert wird.

Schließlich ist lukeswade/deep-research genau deshalb wert, beobachtet zu werden, weil es kleiner ist. Sein lückengetriebener Workflow ist konzeptionell sauber, unterstützt llama.cpp direkt über einen OpenAI-kompatiblen Endpunkt und trennt kostspielige Planung und Synthese von volumenstarker pro-Quellen-Verarbeitung.

Wie echtes Deep Research von wiederholter Suche zu unterscheiden ist

Der nützlichste Weg, diese Systeme zu evaluieren, ist nicht zu fragen, ob sie einen Button mit der Bezeichnung „Deep Research" haben. Stattdessen sollte man inspizieren, was nach der ersten Sammlung von Informationen geschieht.

Ein echtes Forschungssystem sollte in der Lage sein, zu entdecken, dass sein ursprünglicher Plan unvollständig war. Es sollte einen Widerspruch, eine fehlende Quelle, ein unerwartetes Implementierungsdetail oder ein neu relevantes Subthema erkennen und seine nachfolgende Untersuchung entsprechend ändern. Das ist die Linie, die differenzierten Abruf von Forschung trennt.

Für Self-Hosting ist das Ökosystem jetzt breit genug, dass die Wahl nicht mehr einfach zwischen einem Cloud-Deep-Research-Dienst und einem hausgemachten Skript liegt. Es gibt dedizierte rekursive Forscher, akademische Wissenskuratierungssysteme, Enterprise-Forschungsplattformen, lokale Modell-Workstations, allgemeine Agentenframeworks und leichtgewichtige lückengetriebene Tools.

Die richtige Wahl hängt daher weniger davon ab, welches Projekt die meisten Funktionen bewirbt, sondern mehr von der Forschungsarchitektur, die man betreiben möchte: explizite Rekursion, Mehragenten-Delegation, Evidenzlücken-Analyse, Perspektiventdeckung oder modellgesteuerte autonome Suche.

Referenzen

• GPT Researcher
• Unsloth Studio
• Local Deep Research
• STORM / Co-STORM
• DeerFlow
• Onyx
• Open Deep Research
• Open WebUI
• Khoj
• SurfSense
• Vane (ehemals Perplexica)
• lukeswade/deep-research
• Search vs Deep Search vs Deep Research in 2026
• Mehragent-Orchestrierungsmuster