Systèmes de recherche approfondie auto-hébergés : comparaison de 12 outils

Deep Research est devenu une catégorie logicielle à part entière, et non plus un simple modèle pointé vers une case de recherche. Cet article compare douze systèmes auto-hébergés et les architectures de recherche qui se cachent derrière.

Ce qui compte réellement, ce n’est pas si un produit propose un bouton intitulé « Deep Research », mais ce qui se passe après la première ronde de récupération d’informations. Un système authentique remarque que son plan était incomplet, poursuit une piste nouvellement découverte, pèse les sources conflictuelles, et rédige le rapport seulement après cela.

Ci-dessous, je compare douze projets open source et auto-hébergés qui mettent en œuvre cette boucle de différentes manières : arbres de recherche récursifs, conceptions avec planificateur et sous-agents, boucles de recherche basées sur les lacunes de preuves, génération de questions guidée par des perspectives, et recherche agentique pilotée par le modèle. Pour chacun d’entre eux, j’aborde l’architecture, la prise en charge des LLM locaux, l’accès RAG ou aux documents privés, la complexité du déploiement et la licence que vous héritez réellement si vous auto-hébergez. Lorsqu’un système est également un produit complet (Open WebUI, Vane), je concentre l’attention sur la manière dont il effectue sa recherche et renvoie vers le guide dédié pour l’installation et la configuration. Deep Research est l’une des charges de travail applicatives les plus exigeantes en Systèmes d’IA — elle sollicite la récupération d’informations, la planification et l’orchestration multi-étapes simultanément, plutôt qu’une seule couche isolée.

Qu’est-ce que le Deep Research ?

Un flux de travail de recherche web avec IA conventionnel est principalement linéaire. Même si plusieurs recherches sont effectuées, le modèle crée généralement des requêtes connexes, récupère des documents et résume ce qu’il trouve :

Question
  |
Recherche
  |
Récupération des pages
  |
Résumé
  |
Réponse

Deep Research ajoute une couche : le processus de recherche lui-même devient adaptatif. Après le premier passage, le système peut se ramifier, revérifier et continuer jusqu’à ce que les preuves soient suffisantes.

La distinction est importante. Un système qui effectue cinq recherches n’est pas nécessairement en train de pratiquer le Deep Research ; un système plus robuste commence par une seule question, découvre un détail inattendu d’implémentation, ouvre une nouvelle branche de recherche autour de celle-ci, compare les sources primaires et secondaires, et révise ses hypothèses initiales. Pour la distinction plus large entre Recherche vs Recherche Profonde vs Deep Research et la manière dont les offres cloud encadrent la même idée, voir Recherche vs Recherche Profonde vs Deep Research en 2026.

Il n’existe pas d’architecture unique de Deep Research. Les implémentations auto-hébergées actuelles se répartissent généralement en cinq groupes :

1. Arbres de recherche récursifs.
2. Architectures planificateur et sous-agents.
3. Boucles de recherche pilotées par les lacunes de preuves.
4. Recherche pilotée par les perspectives et les questions.
5. Recherche itérative agentique.

Les quatre premiers fournissent une structure de recherche plus explicite. Le cinquième peut toujours effectuer des investigations surprenamment approfondies lorsqu’il est associé à un modèle de raisonnement et d’appel d’outils puissant, mais une grande partie de la stratégie est déléguée au modèle lui-même. La boucle de lacune de preuves, en particulier, est un cousin système de la récupération autoréfléchie utilisée dans les pipelines de type Self-RAG — décider s’il faut récupérer à nouveau, juger la pertinence et critiquer le brouillon avant de répondre. Voir RAG Avancé : LongRAG, Self-RAG et GraphRAG pour ce motif au niveau du pipeline de récupération.

Systèmes de Deep Research Auto-Hébergés en Comparaison

Le tableau ci-dessous résume les principaux systèmes. « Profondeur récursive » ne signifie pas que plusieurs recherches web sont possibles ; cela signifie que le système possède un mécanisme pour dériver des investigations supplémentaires à partir de résultats intermédiaires.

Un point se démarque : il n’y a pas de relation directe entre la sophistication de l’interface utilisateur et la profondeur de la recherche. Open WebUI et Vane offrent des interfaces raffinées, tandis que GPT Researcher et STORM sont plus centrés sur l’algorithme de recherche. Inversement, Onyx et Unsloth Studio tentent de fournir à la fois une forte expérience utilisateur et un flux de travail de recherche substantiel. La plupart de ces systèmes s’exécutent contre les mêmes backends d’inférence locale couverts dans le Guide d’Hébergement LLM.

Architectures de Deep Research

Avant de comparer les produits individuels, il est utile de comprendre les différences d’architecture.

Les catégories se chevauchent. Local Deep Research offre plusieurs stratégies de recherche, et DeerFlow 2.0 est une plateforme d’agents polyvalente qui peut effectuer des recherches plutôt qu’une application uniquement de recherche. La distinction est néanmoins utile lors du choix d’un système : un chercheur à ramification récursive se comporte différemment d’une interface de chat dont le modèle dispose simplement d’un outil search_web. Les systèmes qui récupèrent des documents privés en plus du web s’appuient sur les mêmes motifs de récupération décrits dans le cluster RAG.

Comparaison des Licences

Les licences sont particulièrement importantes si le système doit faire partie d’une plateforme interne, d’un service commercial ou d’un produit rediffusé.

Pour l’auto-hébergement privé, aucune de ces licences n’empêche l’utilisation normale. Les différences comptent lors de la modification du logiciel, de son offre à d’autres utilisateurs, de son intégration dans une autre application commerciale ou de la redistribution de dérivés. MIT et Apache-2.0 sont généralement les options les plus simples pour l’intégration. AGPL-3.0 mérite un examen plus approfondi pour les déploiements modifiés accessibles au réseau, et la licence actuelle d’Open WebUI ajoute ses propres conditions de marque.

GPT Researcher

GPT Researcher est développé par Assaf Elovic et les contributeurs comme un agent de recherche autonome axé spécifiquement sur l’investigation en ligne complète. C’est l’une des implémentations de référence les plus claires de ce que signifie « Deep Research » lorsque le terme décrit un algorithme plutôt qu’une fonctionnalité d’interface utilisateur.

Sa caractéristique la plus forte est l’étendue et la profondeur explicites. Le mode Deep Research expose des paramètres tels que deep_research_breadth, deep_research_depth et la parallélisme, permettant à une investigation de générer plusieurs branches et à ces branches de générer une recherche supplémentaire. Cela crée un véritable arbre de recherche plutôt qu’une collection fixe de requêtes de recherche.

Cette approche a aussi des coûts. L’expansion récursive peut produire de nombreuses opérations de récupération et de LLM, et la qualité du résultat final dépend fortement de la capacité du modèle à formuler des questions de recherche utiles, à extraire des preuves et à éviter de propager des hypothèses faibles vers des niveaux plus profonds. GPT Researcher est également plus orienté moteur de recherche que des applications telles que Open WebUI ou Unsloth Studio.

L’installation est modérée plutôt que triviale : le projet utilise Python et fournit une application web, tandis que les déploiements utiles nécessitent également des fournisseurs de modèles et de recherche appropriés. Les métadonnées actuelles du projet déclarent la licence MIT. Choisissez GPT Researcher lorsque la profondeur de recherche explicite, la récursivité configurable et une architecture centrée sur la recherche comptent plus qu’une station de travail IA locale polyvalente.

Unsloth Studio

Unsloth Studio est développé par l’équipe Unsloth dans le cadre de l’écosystème Unsloth plus large. Initialement connu pour le fine-tuning efficace des modèles, Unsloth a étendu Studio pour en faire un environnement IA local pour l’inférence, le chat, les outils, le RAG, la gestion des modèles et maintenant le Deep Research.

L’aspect intéressant de Studio est à quel point la recherche est intégrée à l’opération des modèles locaux. Son flux de travail Deep Research comprend une étape de planification, une revue du plan, la collecte de preuves, la génération de rapports, le traitement des documents et la gestion des échecs lorsque les étapes de recherche échouent à collecter des preuves. Pour les utilisateurs qui font déjà fonctionner des modèles GGUF ou d’autres modèles locaux, cela rend Studio considérablement plus pratique que l’assemblage d’un cadre de recherche séparé, d’un serveur d’inférence et d’une interface avant.

Studio n’expose pas la même abstraction simple d’arbre de recherche étendue/profonde que GPT Researcher. Une grande partie du flux de travail est organisée autour d’un plan de recherche et d’une collecte de preuves plutôt que d’une expansion récursive arbitraire, et la fonctionnalité est plus récente que certains projets de recherche dédiés. La qualité de la recherche locale reste également sensible à la longueur du contexte, aux limites de sortie, à l’utilisation des outils et à la qualité du raisonnement du modèle sélectionné.

L’installation est relativement conviviale car Unsloth fournit maintenant Studio et des flux de travail orientés bureau sur les principales plateformes, bien que la configuration du GPU et des modèles puisse encore devenir substantielle pour les déploiements locaux avancés. Le composant Studio est AGPL-3.0, tandis que le package cœur Unsloth reste Apache-2.0. Choisissez Unsloth Studio lorsque le Deep Research doit faire partie d’une station de travail de modèles locaux plus large plutôt que d’un service de recherche autonome.

Local Deep Research

Local Deep Research est maintenu par LearningCircuit et les contributeurs comme un assistant de recherche open source orienté vers la confidentialité. Son objectif explicite est la recherche systématique utilisant des sources web, des bases de données académiques, des documents privés et des modèles de langage locaux.

Son principal avantage est la flexibilité architecturale. Plutôt que d’imposer un algorithme de recherche unique, Local Deep Research prend en charge des stratégies orientées pipeline ainsi qu’une stratégie d’agent LangGraph dans laquelle le modèle peut décider quoi rechercher, quelles sources spécialisées utiliser et quand des preuves suffisantes ont été collectées. Les sources académiques telles qu’arXiv, PubMed, Semantic Scholar et d’autres mécanismes de recherche le rendent particulièrement attractif pour la recherche technique et scientifique.

L’inconvénient de la flexibilité est la complexité. Les stratégies différentes peuvent se comporter de manière très différente, ce qui rend les résultats plus difficiles à caractériser avec un simple paramètre de « profondeur ». Il a également plus de pièces mobiles qu’une interface de chat conventionnelle, et les utilisateurs cherchant uniquement des réponses web assistées par IA rapides pourraient le trouver inutilement élaboré.

Le projet prend en charge le fonctionnement local et a développé une application substantielle autour du moteur de recherche sous-jacent. Sa licence est MIT. Choisissez Local Deep Research lorsque la confidentialité, l’inférence locale, les multiples stratégies de recherche, les sources d’information académiques et le contrôle du processus de recherche sont plus importants qu’une installation minimale.

STORM et Co-STORM

STORM, développé par Stanford OVAL, signifie Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking. Il a été conçu autour de la curation des connaissances et de la génération de rapports longs plutôt que du chat IA général.

La technique distincte de STORM est la recherche pilotée par les perspectives. Il essaie de découvrir différentes perspectives sur un sujet et utilise la pose de questions pour élargir les informations collectées avant de rédiger un plan et un article. Co-STORM étend le concept vers la curation collaborative des connaissances humain-IA. Cela peut révéler des dimensions d’un sujet qu’une liste conventionnelle de recherches par mots-clés pourrait négliger.

STORM est moins adapté comme interface avant IA locale générale. Son flux de travail est fortement orienté vers la recherche et la rédaction d’articles structurés, de type Wikipédia, et la documentation du projet note que la sortie générée ne doit pas automatiquement être considérée comme prête pour publication. Il est donc mieux compris comme un moteur de recherche et de curation des connaissances spécialisé plutôt que comme un remplacement pour Open WebUI.

L’installation est orientée Python, et le pipeline peut être personnalisé avec différents modèles et récupérateurs. STORM utilise la licence MIT. Choisissez-le lorsque l’objectif est l’exploration large d’un sujet, la découverte de perspectives, les plans structurés et la synthèse des connaissances sur le long terme.

DeerFlow

DeerFlow est développé par ByteDance et la communauté DeerFlow. Son nom signifiait à l’origine Deep Exploration and Efficient Research Flow, mais une distinction importante existe maintenant entre le cadre de Deep Research 1.x original et DeerFlow 2.0.

DeerFlow 1.x était spécifiquement conçu autour du Deep Research. DeerFlow 2.0 est une réécriture de zéro en un harnais SuperAgent plus général capable d’orchestrer des sous-agents, la mémoire, les sandbox, les outils et les compétences. Pour la recherche, cette architecture est puissante car un coordonnateur peut déléguer différentes parties d’un problème à des agents séparés et synthétiser plus tard leurs résultats — la même décomposition planificateur-plus-sous-agents couverte dans Modèles d’Orchestration Multi-Agent.

Le compromis est que DeerFlow 2.0 n’est plus un moteur de recherche étroitement optimisé. C’est plus proche d’une plateforme d’agents polyvalente à long terme dans laquelle la recherche est une charge de travail parmi le codage, la génération d’artefacts et d’autres tâches. Si l’exigence est un petit service de recherche dédié, cette machinerie supplémentaire peut être inutile.

Le déploiement est par conséquent plus complexe qu’une simple interface de recherche, bien que l’architecture offre beaucoup plus de place pour la personnalisation et l’extension. DeerFlow est sous licence MIT. Choisissez DeerFlow lorsque le Deep Research est censé devenir une capacité parmi d’autres dans un environnement d’automatisation multi-agent plus large.

Onyx

Onyx, anciennement connu sous le nom de Danswer, est développé par DanswerAI et positionné comme une couche applicative IA auto-hébergeable pour les organisations. Il combine le chat, les agents, la recherche web, le RAG, l’intégration MCP, de nombreux connecteurs de données d’entreprise et une capacité de Deep Research dédiée.

Onyx se démarque car la recherche peut s’étendre à la fois au web public et à un environnement de connaissances privé substantiel. Son implémentation Deep Research est un véritable flux de recherche multi-étapes et non un simple résumateur de résultats de recherche, et le projet a publié des résultats et des journaux d’exécution pour DeepResearch Bench. Pour les organisations qui ont besoin de recherche à travers la documentation interne, les applications indexées et les sources externes, c’est une combinaison particulièrement forte.

Le coût de ces capacités est la complexité d’infrastructure. Onyx est une plateforme plus importante que GPT Researcher ou un projet de recherche local léger, et beaucoup de ses forces n’ont d’importance que lorsque les connecteurs, l’indexation, l’authentification, les magasins de documents et les données organisationnelles sont réellement utilisés.

Onyx peut être déployé en auto-hébergement, y compris dans des environnements restreints. La plupart du dépôt principal est sous licence MIT, tandis que le code sous les répertoires ee utilise la Licence Entreprise Onyx ; un dépôt onyx-foss séparé est maintenu comme variante entièrement sous licence MIT. Choisissez Onyx lorsque le Deep Research doit coexister avec un RAG d’entreprise sérieux et la récupération de connaissances organisationnelles.

Open Deep Research

Open Deep Research a été développé par LangChain comme une implémentation open source d’un agent de Deep Research configurable. Il combine la planification, la recherche, la génération de rapports, plusieurs fournisseurs de modèles, des outils de recherche et des intégrations MCP en utilisant LangGraph.

Son architecture est particulièrement intéressante pour les développeurs. Le travail de recherche peut être décomposé et parallélisé, ce qui en fait une référence utile pour les conceptions planificateur-chercheur-synthétiseur. Comme le projet a été construit autour de LangGraph plutôt que d’une interface monolithique, il est également plus facile à étudier comme motif d’implémentation pour construire des agents de recherche personnalisés.

Il y a un problème majeur pour les nouveaux déploiements : LangChain a archivé le dépôt le 21 août 2026, et il est maintenant en lecture seule. Le code reste utile, mais démarrer un système de production autour d’un projet de référence archivé crée un risque de maintenance évident.

Le projet est basé sur Python et utilise une licence MIT. Choisissez-le aujourd’hui principalement pour l’étude architecturale, l’expérimentation ou comme source d’idées d’implémentation plutôt que comme fondation par défaut pour une nouvelle installation à longue durée de vie.

Open WebUI

Open WebUI est l’une des interfaces générales auto-hébergées les plus populaires pour les LLM locaux et distants. Son récente architecture d’outils agentiques donne aux modèles un accès à la recherche web, à la récupération d’URL, aux bases de connaissances, aux fichiers, à la mémoire, à l’exécution de code et à d’autres outils. Pour l’installation, la configuration RAG et l’ensemble des fonctionnalités, voir le Guide Open WebUI.

Le modèle de recherche d’Open WebUI est intéressant parce que la boucle de recherche est largement contrôlée par le modèle de langage. En mode agentique natif, le modèle peut rechercher, examiner des extraits, récupérer des pages complètes, identifier les informations manquantes, suivre de nouvelles URL découvertes, croiser les sources et répéter le processus avant de générer une réponse. Avec un modèle de raisonnement et d’appel d’outils capable, cela peut produire un comportement investigatif authentique sans un arbre de recherche fixe dédié.

La limitation est précisément que cette structure est pilotée par le modèle. Open WebUI ne fournit pas la même topologie de recherche étendue/profonde explicite que GPT Researcher, et il y a moins de contrôle déterministe sur le nombre de branches indépendantes qui seront explorées. Un modèle d’appel d’outils faible peut s’arrêter trop tôt, rechercher mal ou échouer à suivre des pistes importantes.

L’installation est parmi les plus faciles de cette comparaison, en particulier pour les utilisateurs qui font déjà fonctionner Ollama, llama.cpp, vLLM ou un autre serveur d’inférence compatible OpenAI. Les versions actuelles utilisent la Licence Open WebUI, qui conserve des caractéristiques permissives substantielles mais ajoute des restrictions de marque ; les parties antérieures du projet ont un historique MIT et BSD-3-Clause. Choisissez Open WebUI lorsque vous voulez une excellente intégration de LLM locaux et une interface IA générale dans laquelle la recherche est l’une des nombreuses capacités agentiques.

Khoj

Khoj est développé comme une IA personnelle auto-hébergeable et un « second cerveau ». Il combine des modèles de langage locaux ou cloud avec la récupération web, des documents personnels, la recherche sémantique, des agents personnalisés, des automatisations et un mode /research expérimental.

Son cas d’utilisation le plus fort est la recherche qui traverse la frontière entre les informations publiques et la base de connaissances existante d’un utilisateur. Une question peut être investiguée dans le contexte de PDF, fichiers Markdown, notes, documents bureautiques ou informations connectées plutôt que de traiter chaque tâche comme une recherche web depuis zéro. Cela rend Khoj utile pour le travail de connaissances personnel ou d’équipe en continu.

Khoj n’est pas principalement conçu autour d’un arbre de recherche récursif visible. Sa fonctionnalité de recherche est mieux comprise comme une investigation autonome au sein d’un système de connaissances personnelles plus large. Les utilisateurs cherchant des contrôles explicites d’étendue/profondeur ou une API de moteur de recherche dédié préféreront GPT Researcher ou Local Deep Research.

L’auto-hébergement est pris en charge et le système peut fonctionner avec des modèles locaux y compris les familles Llama, Qwen, Gemma et Mistral. Khoj est sous licence AGPL-3.0-or-later. Choisissez-le lorsque le Deep Research doit être étroitement intégré avec une base de connaissances personnelle à longue durée de vie plutôt que traité comme un travail de recherche web isolé.

SurfSense

SurfSense est un espace de travail de recherche open source qui a évolué d’un système de connaissances de type NotebookLM vers une plateforme de recherche web ouverte orientée agent. Il combine une base de connaissances recherchable avec des connecteurs de données web et spécifiques aux plateformes, des rapports, des automatisations, un accès MCP et la prise en charge des modèles locaux.

L’avantage distinctif de SurfSense est sa surface de données. Il est conçu pour donner aux agents un accès structuré non seulement aux pages web ordinaires et aux résultats de recherche, mais aussi à des sources telles que Reddit, YouTube, Google Maps et d’autres services d’information en direct. Les résultats de recherche peuvent ensuite rester dans le même environnement que les documents téléchargés et les connaissances collectées précédemment.

Il est moins purement focalisé sur l’algorithme de recherche que GPT Researcher ou STORM. Une part importante de la valeur de SurfSense provient de l’infrastructure de récupération, des connecteurs, de la gestion des connaissances et des artefacts en aval plutôt que d’un graphe de recherche récursivement expansé explicite.

L’auto-hébergement est pris en charge via une installation orientée Docker, et les modèles locaux peuvent être connectés via les interfaces d’inférence locales courantes. Le dépôt actuel est sous licence Apache-2.0. Choisissez SurfSense lorsque la partie difficile de la recherche est l’obtention, la structuration, la rétention et la réutilisation d’informations provenant de nombreuses sources de données différentes.

Vane, anciennement Perplexica

Vane, anciennement connu sous le nom de Perplexica, est un moteur de réponse IA open source conçu comme une alternative auto-hébergée à des produits orientés recherche tels que Perplexity. Il combine une interface de chat IA, un backend de recherche, des citations, la prise en charge des modèles locaux et la recherche sémantique sur les fichiers téléchargés. Pour le démarrage rapide Docker, le câblage de SEARXNG_API_URL et la configuration Ollama/llama.cpp, voir Démarrage Rapide de Vane (Perplexica 2.0) avec Ollama et llama.cpp.

Vane est bon dans l’expérience de recherche et de réponse. Il classe les questions, mène des recherches web, récupère des informations utiles et génère des réponses citées à travers une interface raffinée. La plupart des déploiements l’appuient avec SearXNG comme couche de recherche. Pour les utilisateurs qui veulent principalement un moteur de recherche IA privé appuyé par SearXNG et des modèles locaux, il fournit une expérience beaucoup plus focalisée qu’une grande plateforme d’agents générale.

Sa limitation dans cette comparaison est la profondeur de recherche. Bien que le système puisse exécuter des opérations de recherche, son architecture est toujours principalement celle d’un moteur de réponse plutôt que d’un cadre de Deep Research à ramification récursive. Il ne doit donc pas être traité comme équivalent à GPT Researcher simplement parce que les deux peuvent effectuer plusieurs recherches avant de répondre.

Vane est relativement simple à déployer avec Docker et prend en charge les fournisseurs de modèles courants et les systèmes d’inférence locaux. Il est sous licence MIT. Choisissez Vane lorsque l’exigence principale est une recherche IA auto-hébergée de haute qualité avec des citations plutôt qu’une investigation autonome de longue durée.

Deep Research par lukeswade

Le projet lukeswade/deep-research est un système de recherche auto-hébergé plus petit, mais il met en œuvre l’un des flux de travail les plus intéressants de cette comparaison. Il prend en charge à la fois les modèles cloud et les points d’entrée compatibles OpenAI locaux y compris llama.cpp, LM Studio, Ollama, vLLM et MLX — pour le côté serveur de ce point d’entrée, voir Démarrage Rapide llama.cpp avec CLI et Serveur.

Sa boucle de recherche est explicitement pilotée par les lacunes. Une exécution décompose la question en recherches ciblées, lit les pages pertinentes, produit des notes par source contenant des preuves et analyse ce qui reste inconnu avant de décider quoi rechercher ensuite. Les paramètres de profondeur supérieurs permettent plusieurs rondes et des budgets de sources progressivement plus grands, tandis que la détection de saturation peut arrêter la recherche précocement lorsque de nouvelles recherches cessent de produire des informations utiles.

Il n’a pas l’écosystème, les connecteurs organisationnels ou les capacités de station de travail IA générale d’Onyx, Open WebUI ou Unsloth Studio. Il est beaucoup plus étroitement focalisé sur faire une seule chose : rechercher une question en profondeur et stocker la recherche résultante dans une bibliothèque locale recherchable.

Cette focalisation rend également le déploiement relativement compréhensible. Le système a une interface web et est particulièrement convivial pour les serveurs de modèles locaux compatibles OpenAI ; la documentation recommande des modèles capables et prend en charge l’utilisation d’un modèle rapide plus petit pour le traitement de notes à fort volume. Il est sous licence MIT. Choisissez-le lorsque l’inférence locale, la collecte de preuves transparente et la recherche pilotée par les lacunes d’information comptent plus qu’une grande plateforme environnante.

Quel Système de Deep Research Devriez-Vous Choisir ?

Il n’y a pas de vainqueur unique, car ces systèmes résolvent des problèmes quelque peu différents.

Pour un algorithme de recherche explicite avec des contrôles de profondeur compréhensibles, GPT Researcher reste l’un des points de départ les plus clairs. Son modèle étendue/profondeur le rend facile à raisonner sur les raisons pour lesquelles la recherche s’étend et sur le coût potentiel d’une exécution.

Pour un flux de travail fortement local, Local Deep Research et Unsloth Studio sont particulièrement attractifs. Local Deep Research offre plus de flexibilité en matière de stratégie de recherche, tandis qu’Unsloth Studio intègre la recherche avec la gestion des modèles, l’inférence, le RAG et le flux de travail de modèles locaux plus large.

Pour la curation des connaissances sur le long terme, STORM reste inhabituellement intéressant car sa technique de génération de questions multi-perspectives attaque un problème que de nombreux systèmes de recherche ignorent : découvrir les questions que l’utilisateur d’origine ne savait pas poser.

Pour les systèmes multi-agents, DeerFlow représente une direction différente. Au lieu de construire une boucle de recherche spécialisée, il traite la recherche comme une tâche d’agent de longue durée qui peut être déléguée entre des sous-agents et combinée avec des outils, de la mémoire, l’exécution de code et d’autres capacités.

Pour les organisations, Onyx a l’une des combinaisons les plus fortes de Deep Research, RAG, investigation web et connecteurs de connaissances d’entreprise. Son infrastructure plus lourde est justifiée lorsque les sources d’information internes comptent autant que le web public.

Pour une installation IA locale existante, Open WebUI peut être tout ce qui est nécessaire. Un modèle local suffisamment capable avec un appel d’outils natif peut rechercher à répétition, lire des pages, suivre des liens, vérifier les informations et combler les lacunes sans installer un moteur de recherche séparé.

Enfin, lukeswade/deep-research mérite d’être surveillé précisément parce qu’il est plus petit. Son flux de travail basé sur les lacunes est conceptuellement propre, prend en charge llama.cpp directement via un point d’entrée compatible OpenAI et sépare la planification et la synthèse coûteuses du traitement par source à fort volume.

Comment Distinguer le Vrai Deep Research de la Recherche Répétée

La manière la plus utile d’évaluer ces systèmes n’est pas de demander s’ils ont un bouton intitulé « Deep Research ». Au contraire, inspectez ce qui se passe après la première ronde d’information collectée.

Un système de recherche authentique devrait être capable de découvrir que son plan original était incomplet. Il devrait reconnaître une contradiction, une source manquante, un détail d’implémentation inattendu ou un sous-sujet nouvellement pertinent et modifier son investigation ultérieure en conséquence. C’est la ligne qui sépare la récupération sophistiquée de la recherche.

Pour l’auto-hébergement, l’écosystème est maintenant assez large pour que le choix ne soit plus simplement entre un service de Deep Research cloud et un script maison. Il y a des chercheurs récursifs dédiés, des systèmes de curation des connaissances académiques, des plateformes de recherche d’entreprise, des stations de travail de modèles locaux, des cadres d’agents généraux et des outils légers pilotés par les lacunes.

Le bon choix dépend donc moins du projet qui publie le plus de fonctionnalités et plus de l’architecture de recherche que vous voulez exploiter : récursivité explicite, délégation multi-agents, analyse des lacunes de preuves, découverte de perspectives ou recherche autonome pilotée par le modèle.

Références

• GPT Researcher
• Unsloth Studio
• Local Deep Research
• STORM / Co-STORM
• DeerFlow
• Onyx
• Open Deep Research
• Open WebUI
• Khoj
• SurfSense
• Vane (anciennement Perplexica)
• lukeswade/deep-research
• Recherche vs Recherche Profonde vs Deep Research en 2026
• Modèles d’Orchestration Multi-Agent