Sistemi di Deep Research Self-Hosted: 12 strumenti confrontati

Deep Research è diventato una categoria software a sé stante, e non è più soltanto un modello indirizzato verso una casella di ricerca. Questo articolo confronta dodici sistemi self-hosted e le architetture di ricerca che li sottendono.

La linea che conta in realtà non è se un prodotto includa un pulsante etichettato “Deep Research”, ma ciò che accade dopo il primo giro di recupero delle informazioni. Un sistema genuino riconosce che il suo piano era incompleto, insegue una pista appena scoperta, pesa fonti in conflitto e soltanto dopo ciò scrive il rapporto.

Di seguito confronto dodici progetti open-source e self-hosted che implementano questo ciclo in modi diversi: alberi di ricerca ricorsivi, architetture planner-con-sotto-agente, cicli di ricerca basati su lacune probatorie, generazione di domande guidata da prospettive e ricerca agentica guidata dal modello. Per ciascuno copro l’architettura, il supporto per LLM locali, l’accesso a RAG o documenti privati, la complessità del deployment e la licenza che si eredita effettivamente in caso di self-hosting. Quando un sistema è anche un prodotto completo (Open WebUI, Vane), mantengo il focus su come svolge la ricerca e rimando alla guida dedicata per installazione e configurazione. Deep Research è uno dei carichi di lavoro applicativi più impegnativi nel campo dei Sistemi AI - sollecita recupero delle informazioni, pianificazione e orchestrazione multi-step simultaneamente, piuttosto che qualsiasi singolo livello in isolamento.

Cos’è il Deep Research?

Un flusso di lavoro convenzionale per la ricerca web con AI è per lo più lineare. Anche quando vengono eseguite più ricerche, il modello di solito genera semplicemente query correlate, recupera documenti e sintetizza ciò che trova:

Domanda
  |
Ricerca
  |
Recupero pagine
  |
Sintesi
  |
Risposta

Deep Research aggiunge un livello: il processo di ricerca stesso diventa adattivo. Dopo il primo passaggio, il sistema può diramarsi, ricontrollare e continuare finché le prove non sono sufficienti.

La distinzione è importante. Un sistema che esegue cinque ricerche non sta necessariamente compiendo un Deep Research; un sistema più robusto parte con una domanda, scopre un dettaglio di implementazione inatteso, apre una nuova branca di ricerca intorno ad esso, confronta fonti primarie e secondarie e rivede le proprie assunzioni originali. Per la distinzione più ampia tra Ricerca, Ricerca Profonda e Deep Research e per come le offerte cloud inquadrino la stessa idea, consulta Ricerca vs Ricerca Profonda vs Deep Research nel 2026.

Non esiste un’architettura unica per il Deep Research. Le attuali implementazioni self-hosted si dividono generalmente in cinque gruppi:

1. Alberi di ricerca ricorsivi.
2. Architetture planner e sotto-agente.
3. Cicli di ricerca guidati da lacune probatorie.
4. Ricerca guidata da prospettive e domande.
5. Ricerca iterativa agentica.

I primi quattro forniscono una struttura di ricerca più esplicita. Il quinto può comunque condurre indagini sorprendentemente profonde se abbinato a un modello di ragionamento e invocazione di strumenti forte, ma gran parte della strategia è delegata al modello stesso. In particolare, il ciclo di ricerca basato sulle lacune probatorie è un parente a livello di sistema del recupero auto-riflessivo usato nelle pipeline di tipo Self-RAG — decidere se recuperare nuovamente, giudicare la pertinenza e criticare la bozza prima di rispondere. Consulta RAG Avanzato: LongRAG, Self-RAG e GraphRAG per quel pattern a livello di pipeline di recupero.

Confronto tra Sistemi Self-Hosted di Deep Research

La tabella sottostante riassume i principali sistemi. “Profondità ricorsiva” non significa che siano possibili più ricerche web; significa che il sistema ha un qualche meccanismo per derivare indagini aggiuntive dai risultati intermedi.

Un punto spicca: non esiste una relazione diretta tra la raffinatezza dell’interfaccia utente e la profondità della ricerca. Open WebUI e Vane forniscono interfacce curate, mentre GPT Researcher e STORM sono centrati più sull’algoritmo di ricerca. Al contrario, Onyx e Unsloth Studio cercano di fornire sia un’esperienza utente robusta sia un flusso di ricerca sostanziale. La maggior parte di questi sistemi funziona contro gli stessi backend di inferenza locali trattati nella guida all’Hosting LLM.

Architetture di Deep Research

Prima di confrontare singoli prodotti, è utile comprendere le differenze architetturali.

Le categorie si sovrappongono. Local Deep Research offre diverse strategie di ricerca, e DeerFlow 2.0 è una piattaforma agentica general-purpose che può eseguire la ricerca piuttosto che un’applicazione esclusivamente per la ricerca. La distinzione è comunque utile quando si sceglie un sistema: un ricercatore a diramazione ricorsiva si comporta in modo diverso da un’interfaccia di chat il cui modello ha semplicemente uno strumento search_web. I sistemi che recuperano documenti privati insieme al web si basano sugli stessi pattern di recupero descritti nel cluster RAG.

Confronto delle Licenze

La licenza è particolarmente importante se il sistema farà parte di una piattaforma interna, di un servizio commerciale o di un prodotto ridistribuito.

Per il self-hosting privato, nessuna di queste licenze impedisce l’uso normale. Le differenze contano quando si modifica il software, lo si offre ad altri utenti, lo si incorpora in un’altra applicazione commerciale o si ridistribuiscono derivati. MIT e Apache-2.0 sono generalmente le opzioni più semplici per l’integrazione. AGPL-3.0 merita un esame più attento per i deployment modificati accessibili in rete, e la licenza attuale di Open WebUI aggiunge le proprie condizioni di branding.

GPT Researcher

GPT Researcher è sviluppato da Assaf Elovic e collaboratori come agente di ricerca autonomo focalizzato specificamente sull’indagine online completa. È una delle implementazioni di riferimento più chiare di ciò che significa “Deep Research” quando il termine descrive un algoritmo piuttosto che una funzione dell’interfaccia utente.

La sua caratteristica più forte è l’ampiezza e la profondità esplicite. La modalità Deep Research espone parametri come deep_research_breadth, deep_research_depth e concorrenza, consentendo a un’indagine di generare diverse branche e a quelle branche di generare ulteriore ricerca. Questo crea un vero albero di ricerca piuttosto che una raccolta fissa di query di ricerca.

Quell’approccio ha anche dei costi. L’espansione ricorsiva può produrre molte operazioni di recupero e LLM, e la qualità del risultato finale dipende molto dalla capacità del modello di formulare domande di ricerca utili, estrarre prove ed evitare di propagare assunzioni deboli a livelli più profondi. GPT Researcher è anche più orientato al motore di ricerca rispetto ad applicazioni come Open WebUI o Unsloth Studio.

L’installazione è moderata piuttosto che banale: il progetto usa Python e fornisce un’applicazione web, mentre i deployment utili richiedono anche provider di modello e ricerca adeguati. I metadati attuali del progetto dichiarano la licenza MIT. Scegli GPT Researcher quando la profondità di ricerca esplicita, la ricorsività configurabile e un’architettura prioritaria alla ricerca contano più di una stazione di lavoro AI locale multiuso.

Unsloth Studio

Unsloth Studio è sviluppato dal team Unsloth come parte dell’ecosistema più ampio di Unsloth. Inizialmente noto per il fine-tuning efficiente dei modelli, Unsloth ha espanso Studio in un ambiente AI locale per inferenza, chat, strumenti, RAG, gestione dei modelli e ora Deep Research.

L’aspetto interessante di Studio è quanto strettamente la ricerca sia integrata con il funzionamento del modello locale. Il suo flusso di lavoro Deep Research include una fase di pianificazione, revisione del piano, raccolta di prove, generazione del rapporto, gestione dei documenti e gestione dei fallimenti quando i passi di ricerca non riescono a raccogliere prove. Per gli utenti che eseguono già modelli GGUF o altri modelli locali, questo rende Studio notevolmente più comodo rispetto all’assemblaggio di un framework di ricerca separato, un server di inferenza e un frontend.

Studio non espone la stessa semplice astrazione di albero di ricerca ampiezza/profondità di GPT Researcher. Gran parte del flusso di lavoro è organizzata intorno a un piano di ricerca e alla raccolta di prove piuttosto che a un’espansione ricorsiva arbitraria, e la funzione è più recente di alcuni progetti di ricerca dedicati. La qualità della ricerca locale rimane inoltre sensibile alla lunghezza del contesto, ai limiti di output, all’uso degli strumenti e alla qualità di ragionamento del modello selezionato.

L’installazione è relativamente agevole perché Unsloth ora fornisce Studio e flussi di lavoro orientati a desktop su tutte le principali piattaforme, anche se la configurazione di GPU e modelli può comunque diventare sostanziale per deployment locali avanzati. Il componente Studio è AGPL-3.0, mentre il pacchetto core Unsloth rimane Apache-2.0. Scegli Unsloth Studio quando il Deep Research dovrebbe far parte di una più ampia stazione di lavoro per modelli locali piuttosto che di un servizio di ricerca standalone.

Local Deep Research

Local Deep Research è mantenuto da LearningCircuit e collaboratori come assistente di ricerca open-source orientato alla privacy. Il suo obiettivo esplicito è la ricerca sistematica usando fonti web, database accademici, documenti privati e modelli linguistici locali.

Il suo vantaggio principale è la flessibilità architetturale. Invece di imporre un singolo algoritmo di ricerca, Local Deep Research supporta strategie orientate a pipeline oltre a una strategia agentica LangGraph in cui il modello può decidere cosa cercare, quali fonti specializzate usare e quando è stata raccolta prova sufficiente. Le fonti accademiche come arXiv, PubMed, Semantic Scholar e altri meccanismi di ricerca lo rendono particolarmente attraente per la ricerca tecnica e scientifica.

Il rovescio della flessibilità è la complessità. Strategie diverse possono comportarsi in modo sostanzialmente diverso, il che rende i risultati più difficili da caratterizzare con un semplice parametro “profondità”. Ha anche più componenti mobili di un’interfaccia di chat convenzionale, e gli utenti che cercano solo risposte web rapide assistite da AI potrebbero trovarlo inutilmente elaborato.

Il progetto supporta il funzionamento locale e ha sviluppato un’applicazione sostanziale intorno al motore di ricerca sottostante. La sua licenza è MIT. Scegli Local Deep Research quando privacy, inferenza locale, molteplici strategie di ricerca, fonti informative accademiche e controllo sul processo di ricerca contano più di una configurazione minima.

STORM e Co-STORM

STORM, sviluppato da Stanford OVAL, sta per Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking. È stato progettato intorno alla curatela della conoscenza e alla generazione di rapporti long-form piuttosto che alla chat AI generale.

La tecnica distintiva di STORM è la ricerca guidata da prospettive. Cerca di scoprire diverse prospettive su un soggetto e usa la formulazione di domande per ampliare le informazioni raccolte prima di scrivere un outline e un articolo. Co-STORM estende il concetto verso la curatela collaborativa della conoscenza uomo-AI. Questo può scoprire dimensioni di un argomento che una lista convenzionale di ricerche per parole chiave potrebbe trascurare.

STORM è meno adatto come frontend AI locale generale. Il suo flusso di lavoro è fortemente orientato alla ricerca e alla scrittura di articoli strutturati simili a Wikipedia, e la documentazione stessa del progetto nota che l’output generato non dovrebbe essere considerato automaticamente pronto per la pubblicazione. È quindi meglio compreso come un motore di ricerca e curatela della conoscenza specializzato piuttosto che come una sostituzione per Open WebUI.

L’installazione è orientata a Python, e la pipeline può essere personalizzata con modelli e recuperatori diversi. STORM usa la licenza MIT. Sceglietelo quando l’obiettivo è l’esplorazione ampia di un argomento, la scoperta di prospettive, outline strutturati e sintesi della conoscenza long-form.

DeerFlow

DeerFlow è sviluppato da ByteDance e dalla community DeerFlow. Il suo nome originariamente stava per Deep Exploration and Efficient Research Flow, ma ora esiste una distinzione importante tra il framework Deep Research originale 1.x e DeerFlow 2.0.

DeerFlow 1.x è stato specificamente progettato intorno al Deep Research. DeerFlow 2.0 è una riscrittura completa in un harness SuperAgent più generale capace di orchestrare sotto-agenti, memoria, sandbox, strumenti e abilità. Per la ricerca, questa architettura è potente perché un coordinatore può delegare diverse parti di un problema ad agenti separati e successivamente sintetizzarne i risultati - la stessa decomposizione planner-con-sotto-agente trattata nei Pattern di Orchestrazione Multi-Agente.

Il compromesso è che DeerFlow 2.0 non è più un motore di ricerca ottimizzato strettamente. È più simile a una piattaforma agentica long-horizon generale in cui la ricerca è uno dei carichi di lavoro insieme a coding, generazione di artefatti e altri task. Se il requisito è un piccolo servizio di ricerca dedicato, questa macchina aggiuntiva può essere non necessaria.

Il deployment è di conseguenza più impegnativo di un semplice UI di ricerca, anche se l’architettura fornisce molto più spazio per personalizzazione ed estensione. DeerFlow è con licenza MIT. Scegli DeerFlow quando il Deep Research è previsto come una capacità all’interno di un più ampio ambiente di automazione multi-agente.

Onyx

Onyx, noto in precedenza come Danswer, è sviluppato da DanswerAI e posizionato come un livello di applicazione AI self-hostable per le organizzazioni. Combina chat, agenti, ricerca web, RAG, integrazione MCP, molti connettori di dati aziendali e una capacità dedicata di Deep Research.

Onyx spicca perché la ricerca può coprire sia il web pubblico sia un sostanziale ambiente di conoscenza privata. La sua implementazione Deep Research è un vero flusso di ricerca multi-step e non meramente un sintetizzatore di risultati di ricerca, e il progetto ha pubblicato risultati e log di esecuzione per DeepResearch Bench. Per le organizzazioni che necessitano di ricerca attraverso documentazione interna, applicazioni indicizzate e fonti esterne, questa è una combinazione particolarmente forte.

Il costo di quelle capacità è la complessità infrastrutturale. Onyx è una piattaforma più grande di GPT Researcher o di un leggero progetto di ricerca locale, e molte delle sue forze contano solo quando connettori, indicizzazione, autenticazione, archivi di documenti e dati organizzativi vengono effettivamente utilizzati.

Onyx può essere deployed in self-hosted, inclusi in ambienti ristretti. La maggior parte del repository principale è con licenza MIT, mentre il codice sotto le directory ee usa la Onyx Enterprise License; un repository separato onyx-foss è mantenuto come una variante completamente con licenza MIT. Scegli Onyx quando il Deep Research deve coesistere con un RAG aziendale serio e il recupero di conoscenza organizzativa.

Open Deep Research

Open Deep Research è stato sviluppato da LangChain come un’implementazione open di un agente Deep Research configurabile. Combina pianificazione, ricerca, generazione di rapporti, più provider di modelli, strumenti di ricerca e integrazioni MCP usando LangGraph.

La sua architettura è particolarmente interessante per gli sviluppatori. Il lavoro di ricerca può essere decomposto e parallelizzato, rendendolo un riferimento utile per design planner-ricercatore-sintetizzatore. Poiché il progetto è stato costruito intorno a LangGraph piuttosto che a un UI monolitico, è anche più facile da studiare come un pattern di implementazione per costruire agenti di ricerca custom.

Esiste un problema principale per i nuovi deployment: LangChain ha archiviato il repository il 21 agosto 2026, ed è ora in sola lettura. Il codice rimane utile, ma avviare un sistema di produzione intorno a un progetto di riferimento archiviato crea un rischio di manutenzione ovvio.

Il progetto è basato su Python e usa una licenza MIT. Sceglietelo oggi principalmente per lo studio architetturale, la sperimentazione o come fonte di idee di implementazione piuttosto che come base predefinita per una nuova installazione long-lived.

Open WebUI

Open WebUI è uno dei più popolari interfacce general-purpose self-hosted per LLM locali e remoti. La sua recente architettura agentica di strumenti dà ai modelli accesso a ricerca web, fetching di URL, knowledge base, file, memoria, esecuzione di codice e altri strumenti. Per l’installazione, la configurazione RAG e l’intero set di funzioni, consulta la guida a Open WebUI.

Il modello di ricerca di Open WebUI è interessante perché il ciclo di ricerca è in gran parte controllato dal modello linguistico. Nella modalità agentica nativa il modello può cercare, ispezionare snippet, recuperare pagine complete, identificare informazioni mancanti, seguire URL appena scoperti, controllare incrociando le fonti e ripetere il processo prima di generare una risposta. Con un modello di ragionamento e invocazione di strumenti capace, questo può produrre un comportamento investigativo genuino senza un albero di ricerca fisso dedicato.

Il limite è precisamente che questa struttura è guidata dal modello. Open WebUI non fornisce la stessa topologia di ricerca esplicita ampiezza/profondità di GPT Researcher, e c’è meno controllo deterministico su quante branche indipendenti verranno esplorate. Un modello di invocazione di strumenti debole può fermarsi troppo presto, cercare male o fallire nel seguire piste importanti.

L’installazione è tra le più facili in questo confronto, particolarmente per gli utenti che eseguono già Ollama, llama.cpp, vLLM o un altro server di inferenza compatibile con OpenAI. Le release attuali usano la Licenza Open WebUI, che mantiene caratteristiche permissive sostanziali ma aggiunge restrizioni di branding; le porzioni precedenti del progetto hanno una storia MIT e BSD-3-Clause. Scegli Open WebUI quando desideri un’eccellente integrazione con LLM locali e un’interfaccia AI generale in cui la ricerca è una delle molte capacità agentiche.

Khoj

Khoj è sviluppato come AI personale self-hostable e “seconda cervello”. Combina modelli linguistici locali o cloud con recupero web, documenti personali, ricerca semantica, agenti custom, automazioni e una modalità sperimentale /research.

Il suo caso d’uso più forte è la ricerca che attraversa il confine tra informazioni pubbliche e la knowledge base esistente dell’utente. Una domanda può essere indagata nel contesto di PDF, file Markdown, note, documenti d’ufficio o informazioni connesse, piuttosto che trattare ogni task come una ricerca web da zero. Questo rende Khoj utile per il lavoro di conoscenza personale o di team in corso.

Khoj non è progettato principalmente intorno a un albero di ricerca ricorsivo visibile. La sua funzionalità di ricerca è meglio compresa come indagine autonoma all’interno di un più grande sistema di conoscenza personale. Gli utenti che cercano controlli espliciti ampiezza/profondità o un’API di motore di ricerca dedicato potrebbero preferire GPT Researcher o Local Deep Research.

Il self-hosting è supportato e il sistema può funzionare con modelli locali incluse le famiglie Llama, Qwen, Gemma e Mistral. Khoj è con licenza AGPL-3.0-or-later. Sceglietelo quando il Deep Research dovrebbe essere strettamente integrato con una knowledge base personale long-lived piuttosto che trattato come un task di ricerca web isolato.

SurfSense

SurfSense è un workspace di ricerca open-source che si è evoluto da un sistema di conoscenza di tipo NotebookLM verso una piattaforma di ricerca web aperta orientata agli agenti. Combina una knowledge base ricercabile con connettori di dati web e specifici per piattaforma, rapporti, automazioni, accesso MCP e supporto per modelli locali.

Il vantaggio distintivo di SurfSense è la sua superficie di dati. È progettato per dare agli agenti accesso strutturato non solo a pagine web ordinarie e risultati di ricerca ma anche a fonti come Reddit, YouTube, Google Maps e altri servizi di informazione live. I risultati della ricerca possono quindi rimanere nello stesso ambiente dei documenti caricati e della conoscenza precedentemente raccolta.

È meno puramente focalizzato sull’algoritmo di ricerca rispetto a GPT Researcher o STORM. Una parte significativa del valore di SurfSense proviene da infrastruttura di recupero, connettori, gestione della conoscenza e artefatti a valle piuttosto che da un grafo di ricerca ricorsivo esplicito che si espande.

Il self-hosting è supportato tramite installazione orientata a Docker, e i modelli locali possono essere connessi tramite interfacce comuni di inferenza locale. L’attuale repository è con licenza Apache-2.0. Scegli SurfSense quando la parte difficile della ricerca è l’ottenimento, la strutturazione, la ritenzione e il riutilizzo di informazioni da molte diverse fonti di dati.

Vane, precedentemente Perplexica

Vane, noto in precedenza come Perplexica, è un motore di risposta AI open-source progettato come alternativa self-hosted a prodotti search-first come Perplexity. Combina un’interfaccia di chat AI, backend di ricerca, citazioni, supporto per modelli locali e ricerca semantica su file caricati. Per il quickstart Docker, il collegamento SEARXNG_API_URL e la configurazione Ollama/llama.cpp, consulta Vane (Perplexica 2.0) Quickstart con Ollama e llama.cpp.

Vane è bravo nell’esperienza di ricerca-e-risposta. Classifica le domande, conduce ricerche web, recupera informazioni utili e genera risposte citate attraverso un’interfaccia curata. La maggior parte dei deployment lo sostiene con SearXNG come layer di ricerca. Per gli utenti che desiderano principalmente un motore di ricerca AI privato sostenuto da SearXNG e modelli locali, fornisce un’esperienza molto più focalizzata rispetto a una grande piattaforma agentica generale.

Il suo limite in questo confronto è la profondità di ricerca. Anche se il sistema può eseguire operazioni di ricerca, la sua architettura è ancora principalmente quella di un motore di risposta piuttosto che di un framework Deep Research a diramazione ricorsiva. Non dovrebbe quindi essere trattato come equivalente a GPT Researcher solo perché entrambi possono eseguire più ricerche prima di rispondere.

Vane è relativamente semplice da deployare con Docker e supporta provider di modelli comuni e sistemi di inferenza locali. È con licenza MIT. Scegli Vane quando il requisito primario è la ricerca AI self-hosted di alta qualità con citazioni piuttosto che un’indagine autonoma in esecuzione lunga.

Deep Research di lukeswade

Il progetto lukeswade/deep-research è un sistema di ricerca self-hosted più piccolo, ma implementa uno dei flussi di lavoro più interessanti in questo confronto. Supporta sia modelli cloud sia endpoint locali compatibili con OpenAI inclusi llama.cpp, LM Studio, Ollama, vLLM e MLX - per la parte server di quell’endpoint, consulta llama.cpp Quickstart con CLI e Server.

Il suo ciclo di ricerca è esplicitamente guidato da lacune. Un run scompone la domanda in ricerche mirate, legge pagine pertinenti, produce note per fonte contenenti prove e analizza ciò che rimane sconosciuto prima di decidere cosa dovrebbe essere cercato successivamente. Impostazioni di profondità più alte permettono più giri e budget di fonti progressivamente maggiori, mentre il rilevamento della saturazione può fermare la ricerca in anticipo quando nuove ricerche cessano di produrre informazioni utili.

Non ha l’ecosistema, i connettori organizzativi o le capacità di stazione di lavoro AI generale di Onyx, Open WebUI o Unsloth Studio. È molto più strettamente focalizzato sul fare una cosa: ricercare una domanda in profondità e archiviare la risultante ricerca in una libreria locale ricercabile.

Quella focalizzazione rende anche il deployment relativamente comprensibile. Il sistema ha un’interfaccia web ed è particolarmente amichevole verso i server di modelli locali compatibili con OpenAI; la documentazione raccomanda modelli capaci e supporta l’uso di un modello più piccolo e veloce per l’elaborazione di note ad alto volume. È con licenza MIT. Sceglietelo quando l’inferenza locale, la raccolta di prove trasparente e la ricerca guidata da lacune informative contano più di una grande piattaforma circostante.

Quale Sistema di Deep Research Scegliere?

Non esiste un unico vincitore, perché questi sistemi risolvono problemi leggermente diversi.

Per un algoritmo di ricerca esplicito con controlli di profondità comprensibili, GPT Researcher rimane uno dei punti di partenza più chiari. Il suo modello ampiezza/profondità lo rende facile da ragionare sul perché la ricerca si espande e quanto costoso un run possa diventare.

Per un flusso di lavoro fortemente locale, Local Deep Research e Unsloth Studio sono particolarmente attraenti. Local Deep Research fornisce più flessibilità di strategia di ricerca, mentre Unsloth Studio integra la ricerca con la gestione dei modelli, l’inferenza, il RAG e il più ampio flusso di lavoro del modello locale.

Per la curatela della conoscenza long-form, STORM rimane insolitamente interessante perché la sua tecnica di generazione di domande multi-prospettiva attacca un problema che molti sistemi di ricerca ignorano: scoprire le domande che l’utente originale non sapeva di dover fare.

Per i sistemi multi-agente, DeerFlow rappresenta una direzione diversa. Invece di costruire un ciclo di ricerca specializzato, tratta la ricerca come un task agentico long-running che può essere delegato tra sotto-agenti e combinato con strumenti, memoria, esecuzione di codice e altre capacità.

Per le organizzazioni, Onyx ha una delle combinazioni più forti di Deep Research, RAG, indagine web e connettori di conoscenza aziendale. La sua infrastruttura più pesante è giustificata quando le fonti informative interne contano quanto il web pubblico.

Per un’installazione AI locale esistente, Open WebUI può essere tutto ciò che serve. Un modello locale sufficientemente capace con invocazione nativa di strumenti può cercare ripetutamente, leggere pagine, seguire link, verificare informazioni e colmare le lacune senza installare un motore di ricerca separato.

Infine, lukeswade/deep-research vale la pena di essere osservato precisamente perché è più piccolo. Il suo flusso di lavoro guidato da lacune è concettualmente pulito, supporta llama.cpp direttamente tramite un endpoint compatibile con OpenAI e separa la pianificazione e sintesi costosa dall’elaborazione ad alto volume per fonte.

Come Distinguere il Vero Deep Research dalla Ricerca Ripetuta

Il modo più utile per valutare questi sistemi non è chiedere se abbiano un pulsante etichettato “Deep Research”. Invece, ispezionare ciò che accade dopo il primo giro di raccolta delle informazioni.

Un sistema di ricerca genuino dovrebbe essere in grado di scoprire che il suo piano originale era incompleto. Dovrebbe riconoscere una contraddizione, una fonte mancante, un dettaglio di implementazione inatteso o un sotto-argomento rilevante a nuovo e cambiare di conseguenza la sua indagine successiva. È la linea che separa il recupero sofisticato dalla ricerca.

Per il self-hosting, l’ecosistema è ora abbastanza ampio che la scelta non è più semplicemente tra un servizio cloud Deep Research e uno script fatto in casa. Ci sono ricercatori ricorsivi dedicati, sistemi di curatela della conoscenza accademica, piattaforme di ricerca aziendali, stazioni di lavoro per modelli locali, framework agentici generali e strumenti leggeri guidati da lacune.

La scelta giusta dipende quindi meno da quale progetto pubblicizza più funzioni e più sull’architettura di ricerca che si vuole operare: ricorsione esplicita, delega multi-agente, analisi delle lacune probatorie, scoperta di prospettive o ricerca autonoma guidata dal modello.

Riferimenti

• GPT Researcher
• Unsloth Studio
• Local Deep Research
• STORM / Co-STORM
• DeerFlow
• Onyx
• Open Deep Research
• Open WebUI
• Khoj
• SurfSense
• Vane (precedentemente Perplexica)
• lukeswade/deep-research
• Ricerca vs Ricerca Profonda vs Deep Research nel 2026
• Pattern di Orchestrazione Multi-Agente