셀프호스티드 딥 리서치 시스템: 12가지 도구 비교

Deep Research는 이제 단순히 검색 박스에 적용되는 모델이 아니라, 독자적인 소프트웨어 카테고리가 되었습니다. 이 글에서는 12가지 셀프호스팅 시스템과 그 뒤를支撑하는 리서치 아키텍처를 비교합니다.

실제로 중요한 기준은 제품이 ‘Deep Research’라고 표기된 버튼을 제공하는 것이 아니라, 첫 번째 검색 라운드가 끝난 후 무슨 일이 벌어지는가입니다. 진정한 시스템은 자신의 계획이 불완전했음을 인식하고, 새로 발견된 단서를 추적하며, 서로 충돌하는 출처들을 가름한 후에야 보고서를 작성합니다.

아래에서는 이 루프를 서로 다른 방식으로 구현하는 12개의 오픈소스 및 셀프호스팅 프로젝트를 비교합니다: 재귀적 연구 트리, 플래너-서브에이전트 설계, 증거 결함 루프, 관점 기반 질문 생성, 모델 기반 에이전틱 검색 등입니다. 각 시스템에 대해 아키텍처, 로컬 LLM 지원, RAG 또는 비공개 문서 접근성, 배포 복잡도, 그리고 셀프호스팅 시 실제로 승계되는 라이선스를 다룹니다. 시스템이 전체적인 제품이기도 한 경우(Open WebUI, Vane)에는 리서치 방식을 중심으로 다루고, 설치 및 설정은 전담 가이드로 링크합니다. Deep Research는 AI 시스템에서 가장 까다로운 적용 워크로드 중 하나입니다. 단일 계층이 아닌 검색, 계획, 다단계 오케스트레이션을 동시에 압박하기 때문입니다.

Deep Research란 무엇인가?

전통적인 AI 웹 검색 워크플로우는 대부분 선형적입니다. 여러 번의 검색이 수행되더라도, 모델은 일반적으로 관련 쿼리를 생성하고, 문서를 검색하며, 발견한 내용을 요약할 뿐입니다:

질문
  |
검색
  |
페이지 검색
  |
요약
  |
답변

Deep Research는 한 계층을 더 추가합니다: 연구 과정 자체가 적응형이 되는 것입니다. 첫 번째 패스가 끝난 후, 시스템은 증거가 충분히 모일 때까지 분기하고, 재확인하며, 계속 진행할 수 있습니다.

이 구별은 중요합니다. 5번 검색하는 시스템이 반드시 Deep Research를 수행하는 것은 아닙니다. 더 강력하고 견고한 시스템은 하나의 질문으로 시작하여, 예상치 못한 구현 세부사항을 발견하고, 그 주변에 새로운 연구 분기를 열며, 1차 및 2차 출처를 비교하고, 원래 가정을 수정합니다. 보다 넓은 의미의 Search vs Deep Search vs Deep Research 구별과 클라우드 서비스들이 같은 개념을 어떻게 프레임워크화하는지에 대해서는 2026년 Search vs Deep Search vs Deep Research를 참조하세요.

단일한 Deep Research 아키텍처는 없습니다. 현재 셀프호스팅 구현들은 일반적으로 다섯 가지 그룹으로 나뉩니다:

1. 재귀적 연구 트리.
2. 플래너 및 서브에이전트 아키텍처.
3. 증거 결함 기반 연구 루프.
4. 관점 및 질문 기반 연구.
5. 에이전틱 반복 검색.

첫 네 가지는 보다 명시적인 연구 구조를 제공합니다. 다섯 번째는 강력한 추론 및 도구 호출 모델과 결합될 경우 여전히 놀라울 정도로 심층적인 조사를 수행할 수 있지만, 전략의 상당 부분이 모델 자체에 위임됩니다. 특히 증거 결함 루프는 Self-RAG 스타일 파이프라인에서 사용되는 자기 반성적 검색(Self-reflective retrieval)의 시스템 수준 사촌 격입니다 — 다시 검색할지 결정하고, 관련성을 판단하며, 답변하기 전에 초안을 비판하는 것입니다. 검색 파이프라인 수준에서 해당 패턴에 대해서는 고급 RAG: LongRAG, Self-RAG and GraphRAG를 참조하세요.

셀프호스팅 Deep Research 시스템 비교

아래 표는 주요 시스템을 요약합니다. “재귀적 깊이"는 여러 번의 웹 검색이 가능하다는 의미가 아니라, 중간 조사 결과에서 추가 조사를 파생하는 메커니즘을 시스템이 가지고 있다는 것을 의미합니다.

하나의 점이 눈에 띕니다: UI의 정교함과 연구 깊이 사이에 직접적인 상관관계가 없다는 것입니다. Open WebUI와 Vane은 정교한 인터페이스를 제공하지만, GPT Researcher와 STORM은 연구 알고리즘에 더 중점을 두고 있습니다. 반대로, Onyx와 Unsloth Studio는 강력한 사용자 경험과 상당한 연구 워크플로를 모두 제공하려 합니다. 이 시스템들의 대부분은 LLM 호스팅 가이드에서 다룬 동일한 로컬 추론 백엔드에서 실행됩니다.

Deep Research 아키텍처

개별 제품을 비교하기 전에, 아키텍처적 차이를 이해하는 것이 유용합니다.

이 카테고리들은 겹칩니다. Local Deep Research는 여러 연구 전략을 제공하며, DeerFlow 2.0은 연구 전용 애플리케이션이 아니라 연구를 수행할 수 있는 범용 에이전트 플랫폼입니다. 그럼에도 시스템 선택 시 이 구별은 유용합니다: 재귀적으로 분기하는 리서처는 단순히 search_web 도구를 가진 채팅 인터페이스의 모델과는 다른 방식으로 행동합니다. 웹과 함께 비공개 문서를 검색하는 시스템들은 RAG 클러스터에서 설명된 동일한 검색 패턴에 의존합니다.

라이선스 비교

시스템이 내부 플랫폼, 상업 서비스, 또는 재배포되는 제품의 일부가 될 경우 라이선스는 특히 중요합니다.

비공개 셀프호스팅의 경우, 이들 라이선스 중 어느 것도 정상적인 사용을 방해하지 않습니다. 차이는 소프트웨어를 수정하거나, 다른 사용자들에게 제공하거나, 다른 상업 애플리케이션에 임베드하거나, 파생물을 재배포할 때 중요합니다. MIT와 Apache-2.0은 통합을 위해 일반적으로 가장 간단한 옵션입니다. AGPL-3.0은 네트워크 접근이 가능한 수정된 배포 시 더 세밀한 검토가 필요하며, Open WebUI의 현재 라이선스는 자체 브랜드 조건을 추가합니다.

GPT Researcher

GPT Researcher는 Assaf Elovic와 기여자들에 의해 개발되었으며, 포괄적인 온라인 조사에 특화된 자율 연구 에이전트입니다. 이 용어가 사용자 인터페이스 기능이 아닌 알고리즘을 설명할 때 “Deep Research"가 무엇을 의미하는지에 대한 가장 명확한 참조 구현 중 하나입니다.

그의 가장 강력한 특징은 명시적인 범위와 깊이입니다. Deep Research 모드는 deep_research_breadth, deep_research_depth, 동시성 등 매개변수를 노출시켜, 하나의 조사가 여러 분기를 생성하고 그 분기들이 추가 연구를 생성할 수 있게 합니다. 이는 고정된 검색 쿼리 집합이 아닌 진정한 연구 트리를 만듭니다.

그 접근 방식에도 비용이 있습니다. 재귀적 확장은 많은 검색 및 LLM 연산을 생성할 수 있으며, 최종 결과의 질은 모델이 유용한 연구 질문을 형성하고, 증거를 추출하며, 약한 가정을 더 깊은 수준으로 전파하는 것을 피할 능력에 크게 의존합니다. GPT Researcher는 Open WebUI나 Unsloth Studio와 같은 애플리케이션보다 연구 엔진에 더 중점을 둡니다.

설치는 자명하지는 않지만 중간 정도입니다: 프로젝트는 Python을 사용하며 웹 애플리케이션을 제공하며, 유용한 배포에는 적합한 모델 및 검색 프로바이더도 필요합니다. 현재 프로젝트 메타데이터는 MIT 라이선스를 선언합니다. 명시적인 연구 깊이, 구성 가능한 재귀, 리서치 우선 아키텍처가 범용 로컬 AI 워크스테이션보다 더 중요한 경우 GPT Researcher를 선택하세요.

Unsloth Studio

Unsloth Studio는 Unsloth 팀에 의해 더 넓은 Unsloth 생태계의 일부로 개발되었습니다. 원래 효율적인 모델 파인튜닝으로 잘 알려졌던 Unsloth는 Studio를 추론, 채팅, 도구, RAG, 모델 관리 및 이제 Deep Research를 위한 로컬 AI 환경으로 확장했습니다.

Studio의 흥미로운 측면은 연구가 로컬 모델 작동과 얼마나 긴밀하게 통합되는가입니다. 그 Deep Research 워크플로는 계획 단계, 계획 검토, 증거 수집, 보고서 생성, 문서 처리, 그리고 연구 단계가 증거를 수집하지 못했을 때의 실패 처리를 포함합니다. 이미 GGUF나 다른 로컬 모델을 실행 중인 사용자에게, Studio는 별도의 연구 프레임워크, 추론 서버, 프론트엔드를 조립하는 것보다 훨씬 더 편리합니다.

Studio는 GPT Researcher와 동일한 간단한 범위/깊이 연구 트리 추상화를 노출하지 않습니다. 워크플로의 상당 부분은 임의의 재귀적 확장보다 연구 계획과 증거 수집 중심으로 조직화되어 있으며, 이 기능은 일부 전담 연구 프로젝트보다 더 신생합니다. 로컬 연구의 질 역시 컨텍스트 길이, 출력 제한, 도구 사용, 선택된 모델의 추론 질에 여전히 민감합니다.

Unsloth가 이제 주요 플랫폼 전반에 걸쳐 Studio와 데스크톱 지향 워크플로를 제공하므로 설치 상대적 용이하지만, 고급 로컬 배포의 경우 GPU 및 모델 구성은 여전히 상당할 수 있습니다. Studio 구성 요소는 AGPL-3.0이며, 코어 Unsloth 패키지는 Apache-2.0을 유지합니다. Deep Research가 스탠드얼론 연구 서비스보다 더 넓은 로컬 모델 워크스테이션의 일부가 되어야 하는 경우 Unsloth Studio를 선택하세요.

Local Deep Research

Local Deep Research는 LearningCircuit와 기여자들에 의해 유지 관리되는 프라이버시 중심 오픈소스 연구 어시스턴트입니다. 그 명시적인 목표는 웹 출처, 학술 데이터베이스, 비공개 문서 및 로컬 언어 모델을 사용한 체계적인 연구입니다.

그의 주요 이점은 아키텍처적 유연성입니다. 하나의 연구 알고리즘을 강제하는 대신, Local Deep Research는 파이프라인 지향 전략과 함께, 모델이 무엇을 검색할지, 어떤 전문 출처를 사용할지, 그리고 충분한 증거가 수집되었는지 결정할 수 있는 LangGraph 에이전트 전략을 지원합니다. arXiv, PubMed, Semantic Scholar 및 기타 검색 메커니즘과 같은 학술 출처는 기술 및 과학 연구에 특히 매력적입니다.

유연성의 단점은 복잡성입니다. 서로 다른 전략은 상당하게 다르게 행동할 수 있어, 하나의 간단한 “깊이” 매개변수로 결과를 특징 짓기 어렵게 만듭니다. 또한 전통적인 채팅 UI보다 움직이는 부품이 더 많으며, 빠른 AI 보조 웹 답변만 원하는 사용자에게는 불필요하게 정교하게 느껴질 수 있습니다.

이 프로젝트는 로컬 작동을 지원하며, 기반 연구 엔진 주위에 상당한 애플리케이션을 개발했습니다. 그 라이선스는 MIT입니다. 프라이버시, 로컬 추론, 복수 연구 전략, 학술 정보 출처, 그리고 연구 과정에 대한 통제가 최소한의 설정보다 더 중요한 경우 Local Deep Research를 선택하세요.

STORM and Co-STORM

STORM은 Stanford OVAL에 의해 개발되었으며, Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking의 약자입니다. 일반 AI 채팅이 아닌 지식 큐레이션과 장문 보고서 생성을 중심으로 설계되었습니다.

STORM의 독특한 기법은 관점 기반 연구입니다. 주제에 대한 다양한 관점을 발견하려고 시도하고, 질문을 사용하여 아웃라인과 기사를 쓰기 전에 수집된 정보를 확장합니다. Co-STORM은 이 개념을 협동적 인간-AI 지식 큐레이션으로 확장합니다. 이는 전통적인 키워드 검색 목록이 놓칠 수 있는 주제의 측면을 발견할 수 있습니다.

STORM은 일반 로컬 AI 프론트엔드로는 덜 적합합니다. 그 워크플로는 구조화된, 위키백과 스타일의 기사를 연구하고 작성하는 데 강하게 지향되어 있으며, 프로젝트의 자체 문서도 생성된 출력을 자동으로 출판 가능하다고 생각하지 않아야 한다고 언급합니다. 따라서 STORM은 Open WebUI의 대체재가 아니라, 전문적인 연구 및 지식 큐레이션 엔진으로 이해되는 것이 더 좋습니다.

설치는 Python 중심으로 이루어지며, 파이프라인은 다른 모델과 검색기로 사용자 정의할 수 있습니다. STORM은 MIT 라이선스를 사용합니다. 목표가 넓은 주제 탐색, 관점 발견, 구조화된 아웃라인, 그리고 장문 지식 종합인 경우 선택하세요.

DeerFlow

DeerFlow는 ByteDance와 DeerFlow 커뮤니티에 의해 개발되었습니다. 그 이름은 원래 Deep Exploration and Efficient Research Flow의 약자였지만, 이제 원래 1.x Deep Research 프레임워크와 DeerFlow 2.0 사이에 중요한 구별이 존재합니다.

DeerFlow 1.x는 Deep Research를 중심으로 특별히 설계되었습니다. DeerFlow 2.0은 서브에이전트, 메모리, 샌드박스, 도구, 스킬을 오케스트레이션할 수 있는 더 일반적인 SuperAgent 하네스로의 전면 재작성입니다. 연구에 있어, 이 아키텍처는 강력합니다. 조정자가 문제의 다른 부분들을 개별 에이전트에 위임하고 나중에 그 발견들을 종합할 수 있기 때문입니다 - 이는 다중 에이전트 오케스트레이션 패턴에서 다룬 플래너-서브에이전트 분해와 동일합니다.

트레이드오프는 DeerFlow 2.0이 더 이상 좁게 최적화된 연구 엔진이 아니라는 것입니다. 코딩, 아티팩트 생성, 기타 작업과 함께 연구가 여러 워크로드 중 하나인 더 일반적인 장기 에이전트 플랫폼에 더 가깝습니다. 요구 사항이 작은 전담 연구 서비스인 경우, 이 추가 메커니즘은 불필요할 수 있습니다.

배포는 따라서 단순한 검색 UI보다 더 복잡하지만, 아키텍처는 사용자 정의와 확장에 훨씬 더 많은 공간을 제공합니다. DeerFlow는 MIT 라이선스입니다. Deep Research가 더 넓은 다중 에이전트 자동화 환경 안의 하나의 기능으로 성장할 것으로 예상되는 경우 DeerFlow를 선택하세요.

Onyx

Onyx, 원래 Danswer로 알려졌으며, DanswerAI에 의해 조직을 위한 셀프호스팅 가능한 AI 애플리케이션 레이어로 포지셔닝되었습니다. 채팅, 에이전트, 웹 검색, RAG, MCP 통합, 많은 엔터프라이즈 데이터 커넥터, 그리고 전용 Deep Research 기능을 결합합니다.

Onyx가 눈에 띄는 이유는 연구가 공개 웹과 상당한 비공개 지식 환경을 모두 아우를 수 있기 때문입니다. 그 Deep Research 구현은 단순한 검색 결과 요약기가 아닌 진정한 다단계 연구 흐름이며, 프로젝트는 DeepResearch Bench에 대한 결과 및 실행 로그를 게시했습니다. 내부 문서, 인덱싱된 애플리케이션, 외부 출처를 아우르는 연구가 필요한 조직에 있어, 이는 특히 강력한 조합입니다.

그 기능들의 비용은 인프라 복잡성입니다. Onyx는 GPT Researcher나 가벼운 로컬 연구 프로젝트보다 더 큰 플랫폼이며, 그 강점의 대부분은 커넥터, 인덱싱, 인증, 문서 스토어, 조직 데이터가 실제로 사용될 때에만 의미가 있습니다.

Onyx는 셀프호스팅 배포할 수 있으며, 제한된 환경에서도 가능합니다. 주요 저장소의 대부분은 MIT 라이선스이며, ee 디렉토리 아래에 있는 코드는 Onyx Enterprise License를 사용합니다; 별도의 onyx-foss 저장소는 완전히 MIT 라이선스된 변형으로 유지됩니다. Deep Research가 진지한 엔터프라이즈 RAG 및 조직 지식 검색과 공존해야 하는 경우 Onyx를 선택하세요.

Open Deep Research

Open Deep Research는 LangChain에 의해 구성 가능한 Deep Research 에이전트의 오픈 구현으로 개발되었습니다. LangGraph를 사용하여 계획, 연구, 보고서 생성, 복수 모델 프로바이더, 검색 도구, MCP 통합을 결합합니다.

그의 아키텍처는 개발자들에게 특히 흥미롭습니다. 연구 작업은 분해되고 병렬화될 수 있어, 플래너-리서처-종합자 설계에 대한 유용한 참조가 됩니다. 프로젝트가 단편적인 UI가 아닌 LangGraph 주위로 구축되었기 때문에, 커스텀 연구 에이전트 구축을 위한 구현 패턴으로 연구하기에도 더 용이합니다.

새로운 배포에는 하나의 큰 문제가 있습니다: LangChain이 2026년 8월 21일에 저장소를 아카이브했으며, 이제 읽기 전용입니다. 코드는 여전히 유용하지만, 아카이브된 참조 프로젝트를 기반으로 프로덕션 시스템을 시작하면 명백한 유지보수 위험을 초래합니다.

이 프로젝트는 Python 기반이며 MIT 라이선스를 사용합니다. 현재 아키텍처 연구, 실험, 또는 구현 아이디어의 원천으로서 선택하는 것이 좋으며, 새로운 장기 설치의 기본 기반보다는 그쪽에 중점을 두어야 합니다.

Open WebUI

Open WebUI는 로컬 및 원격 LLM을 위한 가장 인기 있는 범용 셀프호스팅 인터페이스 중 하나입니다. 최근 에이전틱 도구 아키텍처는 모델에게 웹 검색, URL 페칭, 지식 베이스, 파일, 메모리, 코드 실행 및 기타 도구에 대한 접근을 제공합니다. 설치, RAG 설정, 전체 기능 세트에 대해서는 Open WebUI 가이드를 참조하세요.

Open WebUI의 연구 모델은 연구 루프가 주로 언어 모델에 의해 제어되기 때문에 흥미롭습니다. 네이티브 에이전틱 모드에서 모델은 검색하고, 스니펫을 조사하고, 전체 페이지를 페칭하고, 누락된 정보를 식별하고, 새로 발견된 URL을 추적하고, 출처를 교차 확인하고, 답변을 생성하기 전에 과정을 반복할 수 있습니다. 유능한 추론 및 도구 호출 모델과 함께, 이는 전용 고정 연구 트리 없이도 진정한 조사적 행동을 생성할 수 있습니다.

제한은 정확히 이 구조가 모델 주도라는 점입니다. Open WebUI는 GPT Researcher와 동일한 명시적인 범위/깊이 연구 위상을 제공하지 않으며, 얼마나 많은 독립적인 분기가 탐색될지에 대한 결정론적 통제가 더 적습니다. 약한 도구 호출 모델은 너무 일찍 중지하거나, 검색을 잘하지 못하거나, 중요한 단서를 추적하지 못할 수 있습니다.

설치는 이 비교 중 가장 쉬우며, 이미 Ollama, llama.cpp, vLLM 또는 다른 OpenAI 호환 추론 서버를 실행 중인 사용자에게 특히 그렇습니다. 현재 릴리스는 Open WebUI License를 사용하며, 상당한 관대한 특성을 유지하지만 브랜드 제한을 추가합니다; 프로젝트의 이전 부분에는 MIT와 BSD-3-Clause 이력이 있습니다. 훌륭한 로컬 LLM 통합과 연구가 수많은 에이전틱 기능 중 하나인 일반 AI 인터페이스를 원하는 경우 Open WebUI를 선택하세요.

Khoj

Khoj는 셀프호스팅 가능한 개인 AI 및 “두 번째 뇌"로 개발되었습니다. 로컬 또는 클라우드 언어 모델을 웹 검색, 개인 문서, 의미론적 검색, 커스텀 에이전트, 자동화, 실험적인 /research 모드와 결합합니다.

그의 가장 강력한 사용 사례는 공개 정보와 사용자의 기존 지식 베이스 사이의 경계를 넘나드는 연구입니다. 질문은 웹 연구부터 처음부터 시작하는 것이 아니라, PDF, Markdown 파일, 메모, 오피스 문서, 또는 연결된 정보의 컨텍스트 내에서 조사될 수 있습니다. 이는 Khoj를 지속적인 개인 또는 팀 지식 작업에 유용하게 만듭니다.

Khoj는 눈에 보이는 재귀적 연구 트리를 중심으로 주로 설계되지 않았습니다. 그 연구 기능은 더 넓은 개인 지식 시스템 내에서 자율 조사로 이해하는 것이 더 좋습니다. 명시적인 범위/깊이 제어 또는 전담 연구 엔진 API를 찾는 사용자는 GPT Researcher나 Local Deep Research를 선호할 수 있습니다.

셀프호스팅이 지원되며, Llama, Qwen, Gemma, Mistral 패밀리와 같은 로컬 모델과 함께 작동할 수 있습니다. Khoj는 AGPL-3.0-or-later로 라이선스가 부여됩니다. Deep Research가 고립된 웹 연구 작업으로 처리되는 것이 아니라, 장기적인 개인 지식 베이스와 긴밀하게 통합되어야 하는 경우 선택하세요.

SurfSense

SurfSense는 NotebookLM 스타일 지식 시스템에서 에이전트 지향 오픈 웹 연구 플랫폼으로 진화한 오픈소스 연구 워크스페이스입니다. 검색 가능한 지식 베이스와 웹 및 플랫폼 특정 데이터 커넥터, 보고서, 자동화, MCP 접근, 로컬 모델 지원을 결합합니다.

SurfSense의 독특한 이점은 그 데이터 표면입니다. 에이전트에게 일반적인 웹 페이지 및 검색 결과뿐만 아니라 Reddit, YouTube, Google Maps, 기타 라이브 정보 서비스와 같은 출처에 대한 구조화된 접근을 제공하는 것으로 설계되었습니다. 그러면 연구 결과가 업로드된 문서와 이전에 수집된 지식과 동일한 환경 내에 남아 있을 수 있습니다.

GPT Researcher나 STORM보다 연구 알고리즘에 덜 순수하게 집중합니다. SurfSense의 가치의 상당 부분은 명시적으로 재귀적으로 확장되는 연구 그래프가 아니라, 검색 인프라, 커넥터, 지식 관리, 다운스트림 아티팩트에서 나옵니다.

셀프호스팅은 Docker 중심의 설치를 통해 지원되며, 로컬 모델은 일반적인 로컬 추론 인터페이스를 통해 연결할 수 있습니다. 현재 저장소는 Apache-2.0 라이선스입니다. 연구의 어려운 부분이 많은 서로 다른 데이터 출처에서 정보를 얻고, 구조화하고, 유지하고, 재사용하는 것인 경우 SurfSense를 선택하세요.

Vane, formerly Perplexica

Vane, formerly Perplexica, Perplexity와 같은 검색 우선 제품의 셀프호스팅 대체재로 설계된 오픈소스 AI 답변 엔진입니다. AI 채팅 인터페이스, 검색 백엔드, 인용, 로컬 모델 지원, 업로드된 파일에 대한 의미론적 검색을 결합합니다. Docker 퀵스타트, SEARXNG_API_URL 와이어링, Ollama/llama.cpp 설정에 대해서는 Vane (Perplexica 2.0) Quickstart With Ollama and llama.cpp를 참조하세요.

Vane은 검색-답변 경험에서 뛰어납니다. 질문을 분류하고, 웹 조사를 수행하고, 유용한 정보를 검색하며, 정교한 인터페이스를 통해 인용된 응답을 생성합니다. 대부분의 배포는 검색 레이어로 SearXNG를 백으로 사용합니다. SearXNG와 로컬 모델을 백으로 하는 사적인 AI 검색 엔진만을 원하는 사용자에게, 큰 범용 에이전트 플랫폼보다 훨씬 더 집중된 경험을 제공합니다.

이 비교에서의 그 제한은 연구 깊이입니다. 시스템이 연구 작동을 실행할 수 있지만, 그 아키텍처는 여전히 재귀적으로 분기하는 Deep Research 프레임워크보다는 답변 엔진의 것입니다. 따라서 단순히 응답하기 전에 여러 번 검색할 수 있다는 이유만으로 GPT Researcher와 동등하다고 처리해서는 안 됩니다.

Vane은 Docker로 배포가 상대적으로 간편하며, 일반적인 모델 프로바이더와 로컬 추론 시스템을 지원합니다. MIT 라이선스입니다. 장기간 자율 조사보다 인용이 포함된 고품질 셀프호스팅 AI 검색이 주요 요구 사항인 경우 Vane을 선택하세요.

Deep Research by lukeswade

lukeswade/deep-research 프로젝트는 더 작은 셀프호스팅 연구 시스템이지만, 이 비교에서 가장 흥미로운 워크플로 중 하나를 구현합니다. 클라우드 모델과 llama.cpp, LM Studio, Ollama, vLLM, MLX를 포함한 로컬 OpenAI 호환 엔드포인트를 모두 지원합니다 - 그 엔드포인트의 서버 측면에 대해서는 llama.cpp Quickstart with CLI and Server를 참조하세요.

그의 연구 루프는 명시적으로 결함 기반입니다. 실행은 질문을 표적화된 검색으로 분해하고, 관련 페이지를 읽고, 증거를 포함하는 출처별 메모를 생성한 후, 다음에 무엇을 검색해야 할지 결정하기 전에 무엇이 아직 알려지지 않았는지 분석합니다. 더 높은 깊이 설정은 여러 라운드와 점진적으로 더 큰 출처 예산을 허용하며, 포화도 감지는 새로운 검색이 더 이상 유용한 정보를 생성하지 않을 때 조사를 일찍 중단할 수 있습니다.

Onyx, Open WebUI, Unsloth Studio와 같은 생태계, 조직 커넥터, 범용 AI 워크스테이션 기능을 가지고 있지 않습니다. 하나의 일을 깊게 수행하는 데 훨씬 더 좁게 집중합니다: 질문을 깊이 연구하고, 결과 연구를 검색 가능한 로컬 라이브러리에 저장하는 것입니다.

그 집중은 배포를 상대적으로 이해하기 쉽게 만듭니다. 시스템에는 웹 UI가 있으며, 로컬 OpenAI 호환 모델 서버와 특히 친숙합니다; 문서는 유능한 모델을 권장하며, 고부피 메모 처리에 더 작고 빠른 모델을 사용하는 것을 지원합니다. MIT 라이선스입니다. 큰 주변 플랫폼보다 로컬 추론, 투명한 증거 수집, 정보 결함 기반 연구가 더 중요한 경우 선택하세요.

어떤 Deep Research 시스템을 선택해야 할까요?

단일 승자는 없습니다. 왜냐하면 이 시스템들은 다소 다른 문제들을 해결하기 때문입니다.

이해하기 쉬운 깊이 제어와 함께 명시적인 연구 알고리즘을 위해, GPT Researcher는 여전히 가장 명확한 시작점 중 하나입니다. 그 범위/깊이 모델은 연구가 왜 확장되는지, 실행이 얼마나 비싸질 수 있는지에 대해 추론하기 쉽게 만듭니다.

강하게 로컬적인 워크플로를 위해, Local Deep Research와 Unsloth Studio가 특히 매력적입니다. Local Deep Research는 더 많은 연구 전략 유연성을 제공하며, Unsloth Studio는 연구를 모델 관리, 추론, RAG, 더 넓은 로컬 모델 워크플로와 통합합니다.

장문 지식 큐레이션을 위해, STORM는 여전히 비범하게 흥미롭습니다. 그 다중 관점 질문 생성 기법은 많은 연구 시스템이 무시하는 문제에 도전하기 때문입니다: 원래 사용자가 묻지 않았던 질문을 발견하는 것.

다중 에이전트 시스템을 위해, DeerFlow는 다른 방향을 나타냅니다. 전문화된 연구 루프를 구축하는 대신, 연구가 서브에이전트 사이에 위임될 수 있고, 도구, 메모리, 코드 실행, 기타 기능과 결합될 수 있는 장기간 에이전트 작업으로 취급합니다.

조직을 위해, Onyx는 Deep Research, RAG, 웹 조사, 엔터프라이즈 지식 커넥터의 가장 강력한 조합 중 하나를 가지고 있습니다. 내부 정보 출처가 공개 웹만큼 중요할 때, 그 더 무거운 인프라는 정당화됩니다.

기존 로컬 AI 설치를 위해, Open WebUI가 필요한 모든 것일 수 있습니다. 네이티브 도구 호출을 가진 충분히 유능한 로컬 모델은 별도의 연구 엔진을 설치하지 않고도 반복적으로 검색하고, 페이지를 읽고, 링크를 추적하고, 정보를 검증하고, 결함을 채울 수 있습니다.

마지막으로, lukeswade/deep-research는 더 작기 때문에 특히 주목할 가치가 있습니다. 그 결함 기반 워크플로는 개념적으로 깔끔하며, OpenAI 호환 엔드포인트를 통해 llama.cpp를 직접 지원하고, 비용이 큰 계획과 종합을 고부피 출처별 처리와 분리합니다.

반복된 검색과 진정한 Deep Research를 구별하는 방법

이 시스템들을 평가하는 가장 유용한 방법은 “Deep Research"라고 표기된 버튼이 있는지 묻는 것이 아닙니다. 대신, 첫 번째 라운드의 정보가 수집된 후 무슨 일이 일어나는지 검사하세요.

진정한 연구 시스템은 원래 계획이 불완전했음을 발견할 수 있어야 합니다. 모순, 누락된 출처, 예상치 못한 구현 세부사항, 또는 새로 관련성이 있는 하위 주제를 인식하고, 그에 따라 후속 조사를 변경해야 합니다. 그것이 정교한 검색과 연구를 구분하는 선입니다.

셀프호스팅에 있어, 생태계는 이제 선택이 더 이상 클라우드 Deep Research 서비스와 자작 스크립트 사이가 아닌 만큼 충분히 넓어졌습니다. 전담 재귀 리서처, 학술 지식 큐레이션 시스템, 엔터프라이즈 연구 플랫폼, 로컬 모델 워크스테이션, 범용 에이전트 프레임워크, 가벼운 결함 기반 도구가 있습니다.

따라서 올바른 선택은 더 많은 기능을 홍보하는 프로젝트가 어느 것인지에 덜 의존하고, 운영하려는 연구 아키텍처에 더 많이 의존합니다: 명시적인 재귀, 다중 에이전트 위임, 증거 결함 분석, 관점 발견, 또는 모델 주도 자율 검색.

References

• GPT Researcher
• Unsloth Studio
• Local Deep Research
• STORM / Co-STORM
• DeerFlow
• Onyx
• Open Deep Research
• Open WebUI
• Khoj
• SurfSense
• Vane (formerly Perplexica)
• lukeswade/deep-research
• 2026년 Search vs Deep Search vs Deep Research
• 다중 에이전트 오케스트레이션 패턴