Sistemas de investigación profunda autoalojados: comparación de 12 herramientas

Deep Research se ha convertido en su propia categoría de software, y no es simplemente un modelo apuntado a una caja de búsqueda. Este artículo compara doce sistemas autoalojados y las arquitecturas de investigación detrás de ellos.

La línea que realmente importa no es si un producto incluye un botón etiquetado como Deep Research, sino lo que sucede después de la primera ronda de recuperación. Un sistema genuino nota que su plan era incompleto, persigue una pista recién descubierta, pesa fuentes contradictorias y solo entonces escribe el informe.

A continuación, comparo doce proyectos de código abierto y autoalojados que implementan este ciclo de diferentes maneras: árboles de investigación recursivos, diseños de planificador más subagentes, bucles de brecha de evidencia, generación de preguntas basada en perspectivas y búsqueda agéntica impulsada por modelos. Para cada uno, abordo la arquitectura, el soporte de LLM locales, el acceso a documentos privados mediante RAG, la complejidad de despliegue y la licencia que realmente heredas si los autoalojas. Cuando un sistema es también un producto completo (Open WebUI, Vane), mantengo el enfoque en cómo investiga y enlazo a la guía dedicada para la instalación y configuración. Deep Research es una de las cargas de trabajo aplicadas más exigentes en los Sistemas de IA - pone a prueba la recuperación, la planificación y la orquestación de múltiples pasos simultáneamente, en lugar de una sola capa de forma aislada.

¿Qué es Deep Research?

Un flujo de trabajo convencional de búsqueda web con IA es mayormente lineal. Incluso cuando se realizan varias búsquedas, el modelo generalmente solo crea consultas relacionadas, recupera documentos y resume lo que encuentra:

Pregunta
  |
Búsqueda
  |
Recuperar páginas
  |
Resumir
  |
Respuesta

Deep Research añade una capa: el propio proceso de investigación se vuelve adaptativo. Después del primer paso, el sistema puede ramificarse, revisar y continuar hasta que la evidencia sea suficiente.

La distinción es importante. Un sistema que busca cinco veces no necesariamente está realizando Deep Research; un sistema más robusto comienza con una pregunta, descubre un detalle de implementación inesperado, abre una nueva rama de investigación al respecto, compara fuentes primarias y secundarias y revisa sus suposiciones originales. Para la distinción más amplia entre Búsqueda, Búsqueda Profunda e Investigación Profunda y cómo las ofertas en la nube enmarcan la misma idea, consulta Búsqueda vs Búsqueda Profunda vs Investigación Profunda en 2026.

No existe una única arquitectura de Deep Research. Las implementaciones autoalojadas actuales generalmente se dividen en cinco grupos:

1. Árboles de investigación recursivos.
2. Arquitecturas de planificador y subagentes.
3. Bucles de investigación impulsados por brechas de evidencia.
4. Investigación impulsada por perspectivas y preguntas.
5. Búsqueda iterativa agéntica.

Los cuatro primeros proporcionan una estructura de investigación más explícita. El quinto aún puede realizar una investigación sorprendentemente profunda cuando se combina con un modelo de razonamiento y llamado de herramientas potente, pero gran parte de la estrategia se delega en el propio modelo. El bucle de brecha de evidencia, en particular, es un pariente a nivel de sistema de la recuperación autorreflexiva utilizada en pipelines de estilo Self-RAG — decidir si recuperar de nuevo, juzgar la relevancia y criticar el borrador antes de responder. Consulta RAG Avanzado: LongRAG, Self-RAG y GraphRAG para ese patrón a nivel de pipeline de recuperación.

Comparación de sistemas de Deep Research autoalojados

La siguiente tabla resume los sistemas principales. “Profundidad recursiva” no significa que sean posibles múltiples búsquedas web; significa que el sistema tiene algún mecanismo para derivar investigaciones adicionales a partir de hallazgos intermedios.

Un punto destaca: no hay relación directa entre la sofisticación de la interfaz de usuario y la profundidad de la investigación. Open WebUI y Vane proporcionan interfaces pulidas, mientras que GPT Researcher y STORM se centran más en el algoritmo de investigación. Por el contrario, Onyx y Unsloth Studio intentan proporcionar tanto una experiencia de usuario robusta como un flujo de trabajo de investigación sustancial. La mayoría de estos sistemas funcionan con los mismos backends de inferencia locales cubiertos en la Guía de Hospedaje de LLM.

Arquitecturas de Deep Research

Antes de comparar productos individuales, es útil entender las diferencias arquitectónicas.

Las categorías se superponen. Local Deep Research ofrece varias estrategias de investigación, y DeerFlow 2.0 es una plataforma de agentes de uso general que puede realizar investigación en lugar de ser una aplicación solo de investigación. La distinción sigue siendo útil al elegir un sistema: un investigador que se ramifica recursivamente se comporta de manera diferente a una interfaz de chat cuyo modelo simplemente tiene una herramienta search_web. Los sistemas que recuperan documentos privados junto con la web se basan en los mismos patrones de recuperación descritos en el clúster de RAG.

Comparación de Licencias

La licenciamiento es particularmente importante si el sistema se convertirá en parte de una plataforma interna, un servicio comercial o un producto redistribuido.

Para el autoalojamiento privado, ninguna de estas licencias impide el uso normal. Las diferencias importan al modificar el software, ofrecerlo a otros usuarios, incrustarlo en otra aplicación comercial o redistribuir derivados. MIT y Apache-2.0 son generalmente las opciones más simples para la integración. AGPL-3.0 merece una revisión más cercana para implementaciones modificadas accesibles por red, y la licencia actual de Open WebUI añade sus propias condiciones de marca.

GPT Researcher

GPT Researcher es desarrollado por Assaf Elovic y colaboradores como un agente de investigación autónomo enfocado específicamente en la investigación en línea exhaustiva. Es una de las implementaciones de referencia más claras de lo que significa “Deep Research” cuando el término describe un algoritmo y no una característica de la interfaz de usuario.

Su característica más fuerte es la amplitud y profundidad explícitas. El modo Deep Research expone parámetros como deep_research_breadth, deep_research_depth y concurrencia, permitiendo que una investigación genere varias ramas y que esas ramas generen investigación adicional. Esto crea un árbol de investigación real en lugar de una colección fija de consultas de búsqueda.

Ese enfoque también tiene costos. La expansión recursiva puede producir muchas operaciones de recuperación y LLM, y la calidad del resultado final depende en gran medida de la capacidad del modelo para formular preguntas de investigación útiles, extraer evidencia y evitar propagar suposiciones débiles a niveles más profundos. GPT Researcher también está más orientado al motor de investigación que aplicaciones como Open WebUI o Unsloth Studio.

La instalación es moderada en lugar de trivial: el proyecto usa Python e incluye una aplicación web, mientras que las implementaciones útiles también requieren proveedores de modelos y búsqueda adecuados. Los metadatos del proyecto actual declaran la licencia MIT. Elige GPT Researcher cuando la profundidad de investigación explícita, la recursión configurable y una arquitectura centrada en la investigación importan más que una estación de trabajo local de IA de uso general.

Unsloth Studio

Unsloth Studio es desarrollado por el equipo de Unsloth como parte del ecosistema más amplio de Unsloth. Originalmente mejor conocido por el afinamiento eficiente de modelos, Unsloth ha expandido Studio en un entorno local de IA para inferencia, chat, herramientas, RAG, gestión de modelos y ahora Deep Research.

El aspecto interesante de Studio es cómo de cerca la investigación está integrada con la operación local del modelo. Su flujo de trabajo de Deep Research incluye una etapa de planificación, revisión del plan, recopilación de evidencia, generación de informes, manejo de documentos y manejo de fallas cuando los pasos de investigación no logran recopilar evidencia. Para los usuarios que ya ejecutan modelos GGUF u otros modelos locales, esto hace que Studio sea considerablemente más conveniente que ensamblar un marco de investigación separado, un servidor de inferencia y un frontend.

Studio no expone la misma abstracción simple de árbol de investigación de amplitud/profundidad que GPT Researcher. Gran parte del flujo de trabajo está organizado en torno a un plan de investigación y recopilación de evidencia en lugar de una expansión recursiva arbitraria, y la función es más nueva que algunos proyectos de investigación dedicados. La calidad de la investigación local también sigue siendo sensible a la longitud del contexto, los límites de salida, el uso de herramientas y la calidad de razonamiento del modelo seleccionado.

La instalación es relativamente amigable porque Unsloth ahora proporciona Studio y flujos de trabajo orientados a escritorio en las principales plataformas, aunque la configuración de GPU y modelos aún puede volverse sustancial para implementaciones locales avanzadas. El componente Studio es AGPL-3.0, mientras que el paquete central de Unsloth permanece como Apache-2.0. Elige Unsloth Studio cuando Deep Research debe ser parte de una estación de trabajo de modelos locales más amplia en lugar de un servicio de investigación independiente.

Local Deep Research

Local Deep Research es mantenido por LearningCircuit y colaboradores como un asistente de investigación de código abierto orientado a la privacidad. Su objetivo explícito es la investigación sistemática usando fuentes web, bases de datos académicas, documentos privados y modelos de lenguaje locales.

Su mayor ventaja es la flexibilidad arquitectónica. En lugar de imponer un algoritmo de investigación, Local Deep Research admite estrategias orientadas a pipelines así como una estrategia de agente LangGraph en la que el modelo puede decidir qué buscar, qué fuentes especializadas usar y cuándo se ha recopilado suficiente evidencia. Las fuentes académicas como arXiv, PubMed, Semantic Scholar y otros mecanismos de búsqueda lo hacen particularmente atractivo para la investigación técnica y científica.

El inconveniente de la flexibilidad es la complejidad. Estrategias diferentes pueden comportarse de manera bastante diferente, lo que hace que los resultados sean más difíciles de caracterizar con un simple parámetro de “profundidad”. También tiene más piezas móviles que una interfaz de chat convencional, y los usuarios que solo buscan respuestas web asistidas por IA rápidas pueden encontrarlo innecesariamente elaborado.

El proyecto soporta la operación local y ha desarrollado una aplicación sustancial en torno al motor de investigación subyacente. Su licencia es MIT. Elige Local Deep Research cuando la privacidad, la inferencia local, múltiples estrategias de investigación, fuentes de información académica y el control sobre el proceso de investigación importan más que una configuración mínima.

STORM y Co-STORM

STORM, desarrollado por Stanford OVAL, significa Síntesis de Esquemas de Temas a través de la Recuperación y la Pregunta Multiperspectiva. Fue diseñado en torno a la curación de conocimiento y la generación de informes extensos en lugar del chat de IA general.

La técnica distintiva de STORM es la investigación impulsada por perspectivas. Intenta descubrir diferentes perspectivas sobre un tema y usa la formulación de preguntas para ampliar la información recopilada antes de escribir un esquema y un artículo. Co-STORM extiende el concepto hacia la curación colaborativa de conocimiento humano-IA. Esto puede descubrir dimensiones de un tema que una lista convencional de búsquedas por palabras clave pueda pasar por alto.

STORM es menos adecuado como frontend local de IA general. Su flujo de trabajo está fuertemente orientado a la investigación y escritura de artículos estructurados y similares a Wikipedia, y la documentación propia del proyecto señala que la salida generada no debe considerarse automáticamente lista para publicación. Por lo tanto, es mejor entenderlo como un motor de investigación y curación de conocimiento especializado que como un reemplazo para Open WebUI.

La instalación está orientada a Python, y el pipeline puede personalizarse con diferentes modelos y recuperadores. STORM usa la licencia MIT. Elígelo cuando el objetivo es la exploración amplia de temas, el descubrimiento de perspectivas, esquemas estructurados y la síntesis de conocimiento extensa.

DeerFlow

DeerFlow es desarrollado por ByteDance y la comunidad de DeerFlow. Su nombre originalmente significaba Flujo de Investigación Efectiva y Exploración Profunda, pero ahora existe una distinción importante entre el marco de Deep Research original 1.x y DeerFlow 2.0.

DeerFlow 1.x fue diseñado específicamente en torno al Deep Research. DeerFlow 2.0 es una reescritura desde cero en un arnés de SuperAgent más general capaz de orquestar subagentes, memoria, sandbox, herramientas y habilidades. Para la investigación, esta arquitectura es poderosa porque un coordinador puede delegar diferentes partes de un problema a agentes separados y luego sintetizar sus hallazgos - la misma descomposición de planificador-más-subagentes cubierta en Patrones de Orquestación Multi-Agente.

La compensación es que DeerFlow 2.0 ya no es un motor de investigación estrechamente optimizado. Está más cerca de una plataforma de agentes de largo alcance general en la que la investigación es una carga de trabajo entre el codificado, la generación de artefactos y otras tareas. Si el requisito es un pequeño servicio de investigación dedicado, esta maquinaria adicional puede ser innecesaria.

El despliegue es consecuentemente más complejo que una simple interfaz de búsqueda, aunque la arquitectura proporciona mucho más espacio para personalización y extensión. DeerFlow tiene licencia MIT. Elige DeerFlow cuando se espera que Deep Research se convierta en una capacidad dentro de un entorno de automatización multi-agente más amplio.

Onyx

Onyx, originalmente conocido como Danswer, es desarrollado por DanswerAI y posicionado como una capa de aplicación de IA autoalojable para organizaciones. Combina chat, agentes, búsqueda web, RAG, integración MCP, muchos conectores de datos empresariales y una capacidad dedicada de Deep Research.

Onyx destaca porque la investigación puede abarcar tanto la web pública como un entorno de conocimiento privado sustancial. Su implementación de Deep Research es un flujo de investigación real de múltiples pasos y no simplemente un resumidor de resultados de búsqueda, y el proyecto ha publicado resultados y registros de ejecución para DeepResearch Bench. Para las organizaciones que necesitan investigación a través de documentación interna, aplicaciones indexadas y fuentes externas, esta es una combinación particularmente fuerte.

El costo de esas capacidades es la complejidad de infraestructura. Onyx es una plataforma más grande que GPT Researcher o un proyecto de investigación local ligero, y muchas de sus fortalezas solo importan cuando los conectores, la indexación, la autenticación, los almacenes de documentos y los datos organizativos están siendo utilizados realmente.

Onyx puede desplegarse de forma autoalojada, incluyendo en entornos restringidos. La mayor parte del repositorio principal tiene licencia MIT, mientras que el código bajo directorios ee usa la Licencia Empresarial de Onyx; un repositorio separado onyx-foss se mantiene como una variante completamente con licencia MIT. Elige Onyx cuando Deep Research debe coexistir con un RAG empresarial serio y la recuperación de conocimiento organizativo.

Open Deep Research

Open Deep Research fue desarrollado por LangChain como una implementación abierta de un agente de Deep Research configurable. Combina planificación, investigación, generación de informes, múltiples proveedores de modelos, herramientas de búsqueda e integraciones MCP usando LangGraph.

Su arquitectura es particularmente interesante para desarrolladores. El trabajo de investigación puede descomponerse y paralelizarse, lo que lo convierte en una referencia útil para diseños de planificador-investigador-sintetizador. Dado que el proyecto fue construido en torno a LangGraph en lugar de una interfaz monolítica, también es más fácil estudiarlo como un patrón de implementación para construir agentes de investigación personalizados.

Hay un problema mayor para nuevas implementaciones: LangChain archivó el repositorio el 21 de agosto de 2026, y ahora es de solo lectura. El código sigue siendo útil, pero comenzar un sistema de producción alrededor de un proyecto de referencia archivado crea un riesgo de mantenimiento obvio.

El proyecto está basado en Python y usa una licencia MIT. Elígelo hoy principalmente para el estudio de arquitectura, la experimentación o como una fuente de ideas de implementación en lugar de ser la base predeterminada para una nueva instalación de larga duración.

Open WebUI

Open WebUI es una de las interfaces autoalojadas de uso general más populares para LLM locales y remotos. Su reciente arquitectura de herramientas agénticas da a los modelos acceso a búsqueda web, obtención de URL, bases de conocimiento, archivos, memoria, ejecución de código y otras herramientas. Para la instalación, la configuración de RAG y el conjunto completo de funciones, consulta la Guía de Open WebUI.

El modelo de investigación de Open WebUI es interesante porque el bucle de investigación está controlado en gran parte por el modelo de lenguaje. En el modo agéntico nativo, el modelo puede buscar, inspeccionar fragmentos, obtener páginas completas, identificar información faltante, seguir URL recién descubiertos, cruzar fuentes y repetir el proceso antes de generar una respuesta. Con un modelo de razonamiento y llamada de herramientas capaz, esto puede producir un comportamiento de investigación genuino sin un árbol de investigación fijo dedicado.

La limitación es precisamente que esta estructura es impulsada por el modelo. Open WebUI no proporciona la misma topología de investigación de amplitud/profundidad explícita que GPT Researcher, y hay menos control determinista sobre cuántas ramas independientes se explorarán. Un modelo de llamada de herramientas débil puede detenerse demasiado pronto, buscar mal o fallar en seguir pistas importantes.

La instalación es una de las más fáciles en esta comparación, particularmente para usuarios que ya ejecutan Ollama, llama.cpp, vLLM u otro servidor de inferencia compatible con OpenAI. Las versiones actuales usan la Licencia de Open WebUI, que retiene características permisivas sustanciales pero añade restricciones de marca; las porciones anteriores del proyecto tienen historia MIT y BSD-3-Clause. Elige Open WebUI cuando quieres una excelente integración de LLM locales y una interfaz de IA general en la que la investigación es una de muchas capacidades agénticas.

Khoj

Khoj es desarrollado como una IA personal autoalojable y un “segundo cerebro”. Combina modelos de lenguaje locales o en la nube con recuperación web, documentos personales, búsqueda semántica, agentes personalizados, automatizaciones y un modo /research experimental.

Su caso de uso más fuerte es la investigación que cruza la frontera entre la información pública y la base de conocimiento existente de un usuario. Una pregunta puede investigarse en el contexto de PDF, archivos Markdown, notas, documentos de oficina o información conectada en lugar de tratar cada tarea como una investigación web desde cero. Esto hace que Khoj sea útil para el trabajo de conocimiento personal o de equipo continuo.

Khoj no está diseñado principalmente en torno a un árbol de investigación recursivo visible. Su funcionalidad de investigación es mejor entendida como una investigación autónoma dentro de un sistema de conocimiento personal más amplio. Los usuarios que buscan controles explícitos de amplitud/profundidad o una API de motor de investigación dedicado pueden preferir GPT Researcher o Local Deep Research.

Se soporta el autoalojamiento y el sistema puede funcionar con modelos locales, incluyendo las familias Llama, Qwen, Gemma y Mistral. Khoj está licenciado bajo AGPL-3.0-o-posterior. Elígelo cuando Deep Research debe estar estrechamente integrado con una base de conocimiento personal de larga duración en lugar de ser tratado como un trabajo de investigación web aislado.

SurfSense

SurfSense es un espacio de trabajo de investigación de código abierto que evolucionó de un sistema de conocimiento de estilo NotebookLM hacia una plataforma de investigación web abierta orientada a agentes. Combina una base de conocimiento consultable con conectores de datos web y específicos de la plataforma, informes, automatizaciones, acceso MCP y soporte de modelos locales.

La ventaja distintiva de SurfSense es su superficie de datos. Está diseñado para dar a los agentes acceso estructurado no solo a páginas web ordinarias y resultados de búsqueda, sino también a fuentes como Reddit, YouTube, Google Maps y otros servicios de información en vivo. Los hallazgos de investigación pueden luego permanecer en el mismo entorno que los documentos cargados y el conocimiento recopilado previamente.

Está menos puramente enfocado en el algoritmo de investigación que GPT Researcher o STORM. Una parte significativa del valor de SurfSense proviene de la infraestructura de recuperación, los conectores, la gestión del conocimiento y los artefactos descendentes en lugar de un grafo de investigación recursivamente expandible explícito.

Se soporta el autoalojamiento a través de la instalación orientada a Docker, y los modelos locales pueden conectarse a través de interfaces comunes de inferencia local. El repositorio actual tiene licencia Apache-2.0. Elige SurfSense cuando la parte difícil de la investigación es obtener, estructurar, retener y reutilizar información de muchas fuentes de datos diferentes.

Vane, Anteriormente Perplexica

Vane, anteriormente conocido como Perplexica, es un motor de respuestas de IA de código abierto diseñado como una alternativa autoalojada a productos con prioridad en búsqueda como Perplexity. Combina una interfaz de chat de IA, backend de búsqueda, citas, soporte de modelos locales y búsqueda semántica sobre archivos cargados. Para el inicio rápido con Docker, la configuración de SEARXNG_API_URL y la configuración de Ollama/llama.cpp, consulta Inicio rápido de Vane (Perplexica 2.0) con Ollama y llama.cpp.

Vane es bueno en la experiencia de búsqueda y respuesta. Clasifica preguntas, realiza investigación web, recupera información útil y genera respuestas con citas a través de una interfaz pulida. La mayoría de las implementaciones lo respaldan con SearXNG como la capa de búsqueda. Para los usuarios que principalmente quieren un motor de búsqueda de IA privado respaldado por SearXNG y modelos locales, proporciona una experiencia mucho más enfocada que una gran plataforma de agentes general.

Su limitación en esta comparación es la profundidad de investigación. Aunque el sistema puede ejecutar operaciones de investigación, su arquitectura es principalmente la de un motor de respuestas en lugar de un marco de Deep Research de ramificación recursiva. Por lo tanto, no debe tratarse como equivalente a GPT Researcher simplemente porque ambos pueden realizar múltiples búsquedas antes de responder.

Vane es relativamente straightforward de desplegar con Docker y soporta proveedores de modelos comunes y sistemas de inferencia locales. Tiene licencia MIT. Elige Vane cuando el requisito principal es una búsqueda de IA autoalojada de alta calidad con citas en lugar de una investigación autónoma de larga duración.

Deep Research por lukeswade

El proyecto lukeswade/deep-research es un sistema de investigación autoalojado más pequeño, pero implementa uno de los flujos de trabajo más interesantes en esta comparación. Soporta tanto modelos en la nube como puntos finales locales compatibles con OpenAI, incluyendo llama.cpp, LM Studio, Ollama, vLLM y MLX - para el lado del servidor de ese punto final, consulta Inicio rápido de llama.cpp con CLI y Servidor.

Su bucle de investigación es explícitamente impulsado por brechas. Una ejecución descompone la pregunta en búsquedas dirigidas, lee páginas relevantes, produce notas por fuente que contienen evidencia y analiza lo que permanece desconocido antes de decidir qué debería buscarse a continuación. Los ajustes de profundidad más altos permiten varias rondas y presupuestos de fuentes progresivamente más grandes, mientras que la detección de saturación puede detener la investigación temprano cuando las nuevas búsquedas dejan de producir información útil.

No tiene el ecosistema, los conectores organizativos o las capacidades de estación de trabajo de IA general de Onyx, Open WebUI o Unsloth Studio. Está mucho más estrechamente enfocado en hacer una cosa: investigar una pregunta a profundidad y almacenar la investigación resultante en una biblioteca local consultable.

Ese enfoque también hace que el despliegue sea relativamente comprensible. El sistema tiene una interfaz web y es particularmente amigable con los servidores de modelos locales compatibles con OpenAI; la documentación recomienda modelos capaces y soporta el uso de un modelo rápido más pequeño para el procesamiento de notas de alto volumen. Tiene licencia MIT. Elígelo cuando la inferencia local, la recopilación de evidencia transparente y la investigación impulsada por brechas de información importan más que una gran plataforma circundante.

¿Qué sistema de Deep Research deberías elegir?

No hay un único ganador, porque estos sistemas resuelven problemas algo diferentes.

Para un algoritmo de investigación explícito con controles de profundidad comprensibles, GPT Researcher sigue siendo uno de los puntos de partida más claros. Su modelo de amplitud/profundidad facilita razonar sobre por qué la investigación se expande y cuán costosa puede volverse una ejecución.

Para un flujo de trabajo fuertemente local, Local Deep Research y Unsloth Studio son particularmente atractivos. Local Deep Research proporciona más flexibilidad en estrategias de investigación, mientras que Unsloth Studio integra la investigación con la gestión de modelos, la inferencia, el RAG y el flujo de trabajo de modelos locales más amplio.

Para la curación de conocimiento extensa, STORM sigue siendo inusualmente interesante porque su técnica de generación de preguntas multiperspectiva ataca un problema que muchos sistemas de investigación ignoran: descubrir las preguntas que el usuario original no sabía hacer.

Para sistemas multi-agente, DeerFlow representa una dirección diferente. En lugar de construir un bucle de investigación especializado, trata la investigación como una tarea de agente de larga duración que puede delegarse entre subagentes y combinarse con herramientas, memoria, ejecución de código y otras capacidades.

Para organizaciones, Onyx tiene una de las combinaciones más fuertes de Deep Research, RAG, investigación web y conectores de conocimiento empresarial. Su infraestructura más pesada está justificada cuando las fuentes de información interna importan tanto como la web pública.

Para una instalación local de IA existente, Open WebUI puede ser todo lo necesario. Un modelo local suficientemente capaz con llamada de herramientas nativa puede buscar repetidamente, leer páginas, seguir enlaces, verificar información y llenar brechas sin instalar un motor de investigación separado.

Finalmente, lukeswade/deep-research vale la pena vigilar precisamente porque es más pequeño. Su flujo de trabajo impulsado por brechas es conceptualmente limpio, soporta llama.cpp directamente a través de un punto final compatible con OpenAI y separa la planificación y síntesis costosas del procesamiento por fuente de alto volumen.

Cómo distinguir el Deep Research real de la búsqueda repetida

La forma más útil de evaluar estos sistemas no es preguntar si tienen un botón etiquetado como “Deep Research”. En cambio, inspecciona lo que sucede después de que se recopila la primera ronda de información.

Un sistema de investigación genuino debe ser capaz de descubrir que su plan original era incompleto. Debe reconocer una contradicción, una fuente faltante, un detalle de implementación inesperado o un subtema recién relevante y cambiar su investigación posterior en consecuencia. Esa es la línea que separa la recuperación sofisticada de la investigación.

Para el autoalojamiento, el ecosistema ahora es lo suficientemente amplio como para que la elección ya no sea simplemente entre un servicio de Deep Research en la nube y un script hecho a mano. Hay investigadores recursivos dedicados, sistemas de curación de conocimiento académico, plataformas de investigación empresariales, estaciones de trabajo de modelos locales, marcos de agentes generales y herramientas ligeras impulsadas por brechas.

Por lo tanto, la elección correcta depende menos de qué proyecto anuncia más funciones y más de la arquitectura de investigación que deseas operar: recursión explícita, delegación multi-agente, análisis de brechas de evidencia, descubrimiento de perspectivas o búsqueda autónoma impulsada por modelos.

Referencias

• GPT Researcher
• Unsloth Studio
• Local Deep Research
• STORM / Co-STORM
• DeerFlow
• Onyx
• Open Deep Research
• Open WebUI
• Khoj
• SurfSense
• Vane (anteriormente Perplexica)
• lukeswade/deep-research
• Búsqueda vs Búsqueda Profunda vs Investigación Profunda en 2026
• Patrones de Orquestación Multi-Agente