Самохостинговые системы глубокого исследования: сравнение 12 инструментов

Deep Research стал самостоятельной категорией программного обеспечения, а не просто моделью, связанной с поисковой строкой. Эта статья сравнивает двенадцать систем для самостоятельного развёртывания (self-hosted) и архитектуры исследований, лежащих в их основе.

На самом деле ключевое значение имеет не то, содержит ли продукт кнопку с подписью «Deep Research», а то, что происходит после первого раунда получения информации. Подлинная система замечает, что её план был неполным, идёт по новообнаруженной зацепке, взвешивает противоречивые источники и только затем составляет отчёт.

Ниже я сравниваю двенадцать открытых и self-hosted проектов, которые реализуют этот цикл по-разному: рекурсивные деревья исследований, архитектуры «планировщик плюс субагенты», циклы поиска пробелов в доказательствах, генерация вопросов на основе разных перспектив и агентный поиск с управлением моделью. Для каждого из них я разбираю архитектуру, поддержку локальных LLM, доступ к RAG или частным документам, сложность развёртывания и лицензию, которую вы фактически получаете при self-hosting. Если система одновременно является полноценным продуктом (Open WebUI, Vane), я сохраняю фокус на том, как она проводит исследования, и даю ссылку на отдельное руководство по установке и конфигурации. Deep Research — одна из самых требовательных прикладных задач в области AI Systems — она нагружает одновременно извлечение данных, планирование и многоступенчатую оркестрацию, а не какой-либо один слой по отдельности.

Что такое Deep Research?

Обычный рабочий процесс веб-поиска ИИ в основном линейный. Даже когда выполняется несколько поисковых запросов, модель обычно просто создаёт связанные запросы, извлекает документы и резюмирует найденное:

Question
  |
Search
  |
Retrieve pages
  |
Summarize
  |
Answer

Deep Research добавляет новый уровень: сам процесс исследований становится адаптивным. После первого прохода система может разветвляться, перепроверять данные и продолжать, пока доказательств не станет достаточно.

Это различие важно. Система, которая ищет пять раз, не обязательно выполняет Deep Research; более мощная система начинает с одного вопроса, обнаруживает неожиданные детали реализации, открывает новую ветвь исследований вокруг них, сравнивает первоисточники и вторичные источники и пересматривает свои исходные допущения. Для более широкого различения между Search, Deep Search и Deep Research и о том, как облачные сервисы представляют ту же идею, см. Search vs Deep Search vs Deep Research in 2026.

Единой архитектуры Deep Research не существует. Текущие self-hosted реализации в целом делятся на пять групп:

1. Рекурсивные деревья исследований.
2. Архитектуры «планировщик и субагенты».
3. Циклы исследований, управляемые пробелами в доказательствах.
4. Исследования на основе перспектив и вопросов.
5. Агентный итеративный поиск.

Первые четыре обеспечивают более явную структуру исследований. Пятая всё ещё способна к удивительно глубоким исследованиям при сочетании с сильной моделью рассуждений и вызова инструментов, но большая часть стратегии делегируется самой модели. В частности, цикл поиска пробелов в доказательствах является системным родственником рефлексивного извлечения данных, используемого в пайплайнах стиля Self-RAG, — решению, нужно ли извлекать данные снова, оценке релевантности и критике черновика перед ответом. См. Advanced RAG: LongRAG, Self-RAG and GraphRAG о данном паттерне на уровне пайплайна извлечения данных.

Сравнение self-hosted систем Deep Research

Таблица ниже обобщает данные по основным системам. «Рекурсивная глубина» не означает, что возможно несколько веб-поисков; это означает, что система имеет некоторый механизм вывода дополнительных исследований из промежуточных результатов.

Один пункт выделяется: нет прямой связи между продвинутостью пользовательского интерфейса и глубиной исследований. Open WebUI и Vane предоставляют отполированные интерфейсы, тогда как GPT Researcher и STORM сфокусированы больше на алгоритме исследований. С другой стороны, Onyx и Unsloth Studio стараются обеспечить и мощный пользовательский опыт, и полноценный рабочий процесс исследований. Большинство этих систем работают на тех же локальных бэкендах инференса, которые описаны в руководстве по размещению LLM.

Архитектуры Deep Research

Прежде чем сравнивать отдельные продукты, полезно понять архитектурные различия.

Категории перекрываются. Local Deep Research предлагает несколько стратегий исследований, а DeerFlow 2.0 — это универсальная платформа агентов, которая может проводить исследования, а не приложение только для исследований. Тем не менее это различие полезно при выборе системы: рекурсивно ветвящийся исследователь ведёт себя иначе, чем чат-интерфейс, у которого модель просто имеет инструмент search_web. Системы, извлекающие частные документы наряду с веб-контентом, опираются на те же паттерны извлечения данных, что описаны в кластере RAG.

Сравнение лицензий

Лицензирование особенно важно, если система станет частью внутренней платформы, коммерческого сервиса или перераспределяемого продукта.

Для частного self-hosting ни одна из этих лицензий не препятствует обычному использованию. Различия важны при модификации программного обеспечения, его предоставлении другим пользователям, встраивании в другое коммерческое приложение или перераспределении производных версий. MIT и Apache-2.0 — обычно самые простые варианты для интеграции. AGPL-3.0 заслуживает более тщательного рассмотрения для сетевых деплойментов с модификациями, а текущая лицензия Open WebUI добавляет собственные условия по брендингу.

GPT Researcher

GPT Researcher разработан Ассафом Эловиком и вкладчиками в качестве автономного исследовательского агента, сфокусированного на комплексных онлайн-исследованиях. Это одна из самых чётких референсных реализаций того, что означает «Deep Research», когда термин описывает алгоритм, а не функцию пользовательского интерфейса.

Её сильнейшая сторона — явная ширина и глубина. Режим Deep Research выставляет параметры, такие как deep_research_breadth, deep_research_depth и конкурентность, позволяя одному исследованию генерировать несколько ветвей, а этим ветвям — дополнительные исследования. Это создаёт реальное дерево исследований, а не фиксированный набор поисковых запросов.

У такого подхода есть и издержки. Рекурсивное расширение может порождать множество операций извлечения и LLM, и качество конечного результата сильно зависит от способности модели формулировать полезные исследовательские вопросы, извлекать доказательства и избегать распространения слабых допущений на более глубокие уровни. GPT Researcher также более ориентирован на «движок исследований», чем такие приложения, как Open WebUI или Unsloth Studio.

Установка умеренная, а не тривиальная: проект использует Python и поставляется с веб-приложением, при этом полезные деплойменты также требуют подходящих провайдеров моделей и поиска. Текущие метаданные проекта декларируют лицензию MIT. Выбирайте GPT Researcher, когда важны явная глубина исследований, настраиваемая рекурсия и архитектура «исследования в первую очередь», а не всеобъемлющая локальная AI-рабочая станция.

Unsloth Studio

Unsloth Studio разработан командой Unsloth в рамках более широкой экосистемы Unsloth. Изначально наиболее известный благодаря эффективному дообучению моделей, Unsloth расширил Studio до локальной AI-среды для инференса, чата, инструментов, RAG, управления моделями и теперь Deep Research.

Интересная сторона Studio — то, насколько тесно исследования интегрированы с работой локальных моделей. Его рабочий процесс Deep Research включает этап планирования, обзор плана, сбор доказательств, генерацию отчёта, обработку документов и обработку сбоев, когда этапы исследований не могут собрать доказательства. Для пользователей, уже запускающих GGUF или другие локальные модели, это делает Studio значительно удобнее, чем сборка отдельного исследовательского фреймворка, сервера инференса и фронтенда.

Studio не предоставляет такого простого абстрагирования «дерева исследований по ширине/глубине», как GPT Researcher. Большая часть рабочего процесса организована вокруг плана исследований и сбора доказательств, а не произвольного рекурсивного расширения, и функция новее некоторых специализированных исследовательских проектов. Качество локальных исследований также остаётся чувствительным к длине контекста, лимитам вывода, использованию инструментов и качеству рассуждений выбранной модели.

Установка относительно дружелюбна, поскольку Unsloth теперь предоставляет Studio и десктопные рабочие процессы для основных платформ, хотя конфигурация GPU и моделей всё ещё может стать существенной для продвинутых локальных деплойментов. Компонент Studio имеет лицензию AGPL-3.0, тогда как основной пакет Unsloth остаётся под Apache-2.0. Выбирайте Unsloth Studio, когда Deep Research должен быть частью более широкой локальной AI-рабочей станции, а не отдельного исследовательского сервиса.

Local Deep Research

Local Deep Research поддерживается LearningCircuit и вкладчиками в качестве исследовательского ассистента с акцентом на конфиденциальность. Его явная цель — систематические исследования с использованием веб-источников, академических баз данных, частных документов и локальных языковых моделей.

Его основное преимущество — архитектурная гибкость. Вместо навязывания одного алгоритма исследований Local Deep Research поддерживает пайплайн-ориентированные стратегии, а также стратегию агента на LangGraph, в которой модель может решить, что искать, какие специализированные источники использовать и когда собрано достаточно доказательств. Академические источники, такие как arXiv, PubMed, Semantic Scholar и другие механизмы поиска, делают его особенно привлекательным для технических и научных исследований.

Недостаток гибкости — это сложность. Разные стратегии могут вести себя существенно по-разному, что затрудняет характеризацию результатов одним простым параметром «глубины». У него также больше движущихся частей, чем у обычного чат-интерфейса, и пользователи, ищущие только быстрые ответы с ИИ по веб-запросам, могут счесть его unnecessarily elaborated (необоснованно сложным).

Проект поддерживает локальную работу и разработал существенное приложение вокруг базового движка исследований. Его лицензия — MIT. Выбирайте Local Deep Research, когда важны конфиденциальность, локальный инференс, несколько стратегий исследований, источники академической информации и контроль над процессом исследований, а не минимальная настройка.

STORM и Co-STORM

STORM, разработанный Stanford OVAL, расшифровывается как Synthesis of Topic Outlines through Retrieval and Multi-perspective Question Asking. Он был спроектирован вокруг курирования знаний и генерации длинных форматов отчётов, а не общего ИИ-чата.

Отличительная техника STORM — исследования на основе перспектив. Он пытается обнаружить разные точки зрения по теме и использует задавание вопросов для расширения собранной информации перед написанием контура и статьи. Co-STORM расширяет концепцию в сторону совместного курирования знаний человеком и ИИ. Это может вскрыть грани темы, которые обычный список поисковых запросов по ключевым словам может упустить.

STORM менее подходит в качестве общего локального AI-фронтенда. Его рабочий процесс сильно ориентирован на исследование и написание структурированных, вики-подобных статей, и документация самого проекта отмечает, что сгенерированный вывод не следует автоматически считать готовым к публикации. Следовательно, его лучше понимать как специализированный движок исследований и курирования знаний, а не замену Open WebUI.

Установка ориентирована на Python, и пайплайн можно настраивать с разными моделями и извлечателями. STORM использует лицензию MIT. Выбирайте его, когда цель — широкое исследование темы, открытие перспектив, структурированные контуры и синтез знаний в длинном формате.

DeerFlow

DeerFlow разработан ByteDance и сообществом DeerFlow. Его имя изначально означало Deep Exploration and Efficient Research Flow, но сейчас существует важное различие между исходным фреймворком Deep Research 1.x и DeerFlow 2.0.

DeerFlow 1.x был специально разработан вокруг Deep Research. DeerFlow 2.0 — это переписывание с нуля в более общий каркас SuperAgent, способный к оркестрации субагентов, памяти, песочниц, инструментов и навыков. Для исследований эта архитектура мощна, потому что координатор может делегировать разные части задачи отдельным агентам и впоследствии синтезировать их результаты, — та же декомпозиция «планировщик плюс субагенты», описанная в Multi-Agent Orchestration Patterns.

Ценой этого является то, что DeerFlow 2.0 больше не является узко оптимизированным движком исследований. Он ближе к общей платформе агентов с длинным горизонтом, в которой исследования — одна из задач наряду с кодированием, генерацией артефактов и другими заданиями. Если требование — маленький специализированный исследовательский сервис, эта дополнительная механика может быть излишней.

Развёртывание, соответственно, сложнее, чем для простого поискового интерфейса, хотя архитектура предоставляет гораздо больше возможностей для настройки и расширения. DeerFlow имеет лицензию MIT. Выбирайте DeerFlow, когда ожидается, что Deep Research станет одной из возможностей в более широкой мультиагентной среде автоматизации.

Onyx

Onyx, ранее известный как Danswer, разработан DanswerAI и позиционируется как самодостаточный слой AI-приложений для организаций. Он сочетает чат, агентов, веб-поиск, RAG, интеграцию MCP, многие корпоративные коннекторы данных и отдельную возможность Deep Research.

Onyx выделяется тем, что исследования могут охватывать как публичный веб, так и существенную среду частных знаний. Его реализация Deep Research — это реальный многоступенчатый рабочий процесс исследований, а не просто суммаризатор результатов поиска, и проект опубликовал результаты и журналы выполнения для DeepResearch Bench. Для организаций, которым нужны исследования по внутренней документации, индексированным приложениям и внешним источникам, это особенно мощное сочетание.

Ценой этих возможностей является сложность инфраструктуры. Onyx — большая платформа, чем GPT Researcher или лёгкий локальный исследовательский проект, и многие его преимущества имеют значение только тогда, когда на самом деле используются коннекторы, индексация, аутентификация, хранилища документов и организационные данные.

Onyx может быть развёрнут в self-hosted режиме, включая ограниченные среды. Большая часть основного репозитория имеет лицензию MIT, в то время как код в каталогах ee использует Onyx Enterprise License; отдельный репозиторий onyx-foss поддерживается как полностью MIT-лицензируемая версия. Выбирайте Onyx, когда Deep Research должен сосуществовать с серьёзным корпоративным RAG и извлечением организационных знаний.

Open Deep Research

Open Deep Research разработан LangChain как открытая реализация настраиваемого агента Deep Research. Он сочетает планирование, исследования, генерацию отчётов, несколько провайдеров моделей, поисковые инструменты и интеграции MCP с использованием LangGraph.

Его архитектура особенно интересна для разработчиков. Работу по исследованиям можно декомпозировать и параллелизовать, что делает её полезным референсом для дизайнов «планировщик-исследователь-синтезатор». Поскольку проект был построен вокруг LangGraph, а не монолитного пользовательского интерфейса, его также легче изучать как паттерн реализации для создания кастомных исследовательских агентов.

Есть одна большая проблема для новых деплойментов: LangChain архивировал репозиторий 21 августа 2026 года, и теперь он доступен только для чтения. Код остаётся полезным, но запуск производственной системы на основе архивного референс-проекта создаёт очевидный риск поддержки.

Проект основан на Python и использует лицензию MIT. Сегодня выбирайте его в основном для архитектурного изучения, экспериментов или как источник идей для реализации, а не как основу для нового долгосрочного установления.

Open WebUI

Open WebUI — один из самых популярных универсальных self-hosted интерфейсов для локальных и удалённых LLM. Его недавняя агентная архитектура инструментов даёт моделям доступ к веб-поиску, получению URL, базам знаний, файлам, памяти, выполнению кода и другим инструментам. Для установки, настройки RAG и полного набора функций см. руководство по Open WebUI.

Исследовательская модель Open WebUI интересна тем, что цикл исследований в значительной степени контролируется языковой моделью. В нативном агентном режиме модель может искать, просматривать сниппеты, получать полные страницы, выявлять недостающую информацию, отслеживать новообнаруженные URL, перекрёстно проверять источники и повторять процесс перед генерацией ответа. Со способной моделью рассуждений и вызова инструментов это может породить подлинное исследовательское поведение без специального фиксированного дерева исследований.

Ограничение именно в том, что эта структура управляется моделью. Open WebUI не предоставляет той же явной топологии исследований по ширине/глубине, что GPT Researcher, и детерминированный контроль над тем, сколько независимых ветвей будет исследовано, слабее. Слабая модель вызова инструментов может остановиться слишком рано, плохо искать или не отслеживать важные зацепки.

Установка одна из самых простых в этом сравнении, особенно для пользователей, которые уже запускают Ollama, llama.cpp, vLLM или другой OpenAI-совместимый сервер инференса. Текущие релизы используют лицензию Open WebUI, которая сохраняет существенные свободные характеристики, но добавляет ограничения по брендингу; более ранние части проекта имеют историю MIT и BSD-3-Clause. Выбирайте Open WebUI, когда вы хотите отличную интеграцию с локальными LLM и общий AI-интерфейс, в котором исследования — одна из многих агентных возможностей.

Khoj

Khoj разработан как self-hostable личный ИИ и «второй мозг». Он сочетает локальные или облачные языковые модели с веб-извлечением, личными документами, семантическим поиском, кастомными агентами, автоматизациями и экспериментальным режимом /research.

Его сильнейший кейс использования — исследования, пересекающие границу между публичной информацией и существующей базой знаний пользователя. Вопрос может быть исследован в контексте PDF, Markdown-файлов, заметок, офисных документов или подключённой информации, а не каждую задачу рассматривать как веб-исследование с нуля. Это делает Khoj полезным для постоянного личного или командного знания.

Khoj не спроектирован в первую очередь вокруг видимого рекурсивного дерева исследований. Его исследовательская функция лучше понимается как автономное расследование в рамках более крупной системы личных знаний. Пользователи, ищущие явные контролы ширины/глубины или API специализированного исследовательского движка, могут предпочесть GPT Researcher или Local Deep Research.

Self-hosting поддерживается, и система может работать с локальными моделями, включая семейства Llama, Qwen, Gemma и Mistral. Khoj лицензирован под AGPL-3.0-or-later. Выбирайте его, когда Deep Research должен быть тесно интегрирован с долгоживущей личной базой знаний, а не рассматриваться как изолированная задача веб-исследования.

SurfSense

SurfSense — это open-source исследовательское рабочее пространство, эволюционировавшее из системы знаний в стиле NotebookLM в агентно-ориентированную платформу открытых веб-исследований. Оно сочетает поисковую базу знаний с коннекторами веб- и платформенно-специфичных данных, отчётами, автоматизациями, доступом MCP и поддержкой локальных моделей.

Отличительное преимущество SurfSense — его «данные поверхность». Он спроектирован так, чтобы давать агентам структурированный доступ не только к обычным веб-страницам и результатам поиска, но и к таким источникам, как Reddit, YouTube, Google Maps и другим сервисам живой информации. Результаты исследований затем могут оставаться в той же среде, что и загруженные документы и ранее собранные знания.

Он менее чисто сфокусирован на алгоритме исследований, чем GPT Researcher или STORM. Значительная часть ценности SurfSense исходит из инфраструктуры извлечения, коннекторов, управления знаниями и downstream-артефактов, а не из явного рекурсивно расширяющегося графа исследований.

Self-hosting поддерживается через ориентированную на Docker установку, и локальные модели могут быть подключены через общие интерфейсы локального инференса. Текущий репозиторий имеет лицензию Apache-2.0. Выбирайте SurfSense, когда трудная часть исследований — это получение, структурирование, сохранение и повторное использование информации из множества различных источников данных.

Vane, ранее Perplexica

Vane, ранее известный как Perplexica, — это open-source AI-движок ответов, спроектированный как self-hosted альтернатива продуктам, ориентированным на поиск, таким как Perplexity. Он сочетает AI-чат-интерфейс, поисковый бэкенд, цитаты, поддержку локальных моделей и семантический поиск по загруженным файлам. Для быстрого старта через Docker, настройки SEARXNG_API_URL и настройки Ollama/llama.cpp см. Vane (Perplexica 2.0) Quickstart With Ollama and llama.cpp.

Vane хорош в опыте «поиск и ответ». Он классифицирует вопросы, проводит веб-исследования, извлекает полезную информацию и генерирует цитируемые ответы через отполированный интерфейс. Большинство деплойментов используют SearXNG как поисковый слой. Для пользователей, которым в основном нужен приватный AI-поисковый движок на основе SearXNG и локальных моделей, он предоставляет гораздо более сфокусированный опыт, чем большая общая агентная платформа.

Его ограничение в этом сравнении — глубина исследований. Хотя система может выполнять исследовательские операции, её архитектура по-прежнему является в первую очередь движком ответов, а не рекурсивно ветвящимся фреймворком Deep Research. Поэтому её не следует рассматривать как эквивалент GPT Researcher только потому, что обе могут выполнять несколько поисков перед ответом.

Vane относительно просто развернуть через Docker, и он поддерживает общие провайдеры моделей и системы локального инференса. Он имеет лицензию MIT. Выбирайте Vane, когда основное требование — высококачественный self-hosted AI-поиск с цитатами, а не длительные автономные расследования.

Deep Research by lukeswade

Проект lukeswade/deep-research — это более pequeña (маленькая) self-hosted система исследований, но она реализует одну из более интересных рабочих процессов в этом сравнении. Он поддерживает как облачные модели, так и локальные OpenAI-совместимые эндпоинты, включая llama.cpp, LM Studio, Ollama, vLLM и MLX, — для серверной части этого эндпоинта см. llama.cpp Quickstart with CLI and Server.

Его цикл исследований явно управляется пробелами в информации. Запуск декомпозирует вопрос на целенаправленные поиски, читает релевантные страницы, создаёт заметки по каждому источнику, содержащие доказательства, и анализирует, что остаётся неизвестным, прежде чем решить, что следует искать далее. Более высокие настройки глубины позволяют несколько раундов и progressively (постепенно) большие бюджеты источников, в то время как детектирование насыщения может остановить исследования рано, когда новые поиски перестают давать полезную информацию.

У него нет экосистемы, организационных коннекторов или возможностей общей AI-рабочей станции, что есть у Onyx, Open WebUI или Unsloth Studio. Он гораздо более узко сфокусирован на одном: глубоком исследовании вопроса и хранении получившихся результатов исследований в поисковой локальной библиотеке.

Этот фокус также делает развёртывание относительно понятным. Система имеет веб-интерфейс и особенно дружелюбна к локальным OpenAI-совместимым серверам моделей; документация рекомендует способные модели и поддерживает использование более малой быстрой модели для высокообъёмной обработки заметок. Он имеет лицензию MIT. Выбирайте его, когда важны локальный инференс, прозрачный сбор доказательств и исследования на основе пробелов в информации, а не большая окружающая платформа.

Какую систему Deep Research выбрать?

Нет единого победителя, поскольку эти системы решают несколько разные задачи.

Для явного алгоритма исследований с понятными контролами глубины GPT Researcher остаётся одной из самых чётких отправных точек. Его модель ширины/глубины облегчает понимание того, почему исследования расширяются и насколько дорогим может стать запуск.

Для строго локального рабочего процесса Local Deep Research и Unsloth Studio особенно привлекательны. Local Deep Research предоставляет больше гибкости в стратегиях исследований, тогда как Unsloth Studio интегрирует исследования с управлением моделями, инференсом, RAG и более широким рабочим процессом локальных моделей.

Для курирования знаний в длинном формате STORM остаётся необычно интересным, потому что его техника генерации многоперспективных вопросов атакует проблему, которую многие исследовательские системы игнорируют: открытие вопросов, которые исходный пользователь не знал, что задавать.

Для мультиагентных систем DeerFlow представляет другое направление. Вместо построения специализированного исследовательского цикла он рассматривает исследования как длительную задачу агента, которая может быть делегирована среди субагентов и сочетается с инструментами, памятью, выполнением кода и другими возможностями.

Для организаций Onyx имеет одно из самых сильных сочетаний Deep Research, RAG, веб-расследований и корпоративных коннекторов знаний. Его более тяжёлая инфраструктура оправдана, когда источники внутренней информации важны не меньше, чем публичный веб.

Для существующей локальной AI-инсталляции Open WebUI может быть достаточен. Достаточная локальная модель с нативным вызовом инструментов может многократно искать, читать страницы, отслеживать ссылки, проверять информацию и заполнять пробелы без установки отдельного исследовательского движка.

Наконец, lukeswade/deep-research стоит отслеживать именно потому, что он более мал. Его рабочий процесс на основе пробелов концептуально чист, поддерживает llama.cpp напрямую через OpenAI-совместимый эндпоинт и разделяет дорогостоящее планирование и синтез с высокообъёмной обработкой по каждому источнику.

Как отличить настоящий Deep Research от повторяющегося поиска

Самый полезный способ оценить эти системы — спросить не о наличии кнопки «Deep Research». Вместо этого, изучите, что происходит после первого сбора информации.

Подлинная исследовательская система должна быть способна обнаружить, что её исходный план был неполным. Она должна распознать противоречие, отсутствующий источник, неожиданные детали реализации или новый релевантный подтему и соответственно изменить последующее расследование. Это и есть линия, разделяющая изощрённое извлечение данных и исследования.

Для self-hosting экосистема теперь достаточно широка, чтобы выбор больше не сводился просто к облачному сервису Deep Research или домашнему скрипту. Есть специализированные рекурсивные исследователи, системы курирования академических знаний, корпоративные исследовательские платформы, рабочие станции с локальными моделями, общие агентные фреймворки и лёгкие инструменты на основе пробелов.

Правильный выбор, следовательно, зависит меньше от того, какой проект рекламирует больше всего функций, и больше от архитектуры исследований, которую вы хотите использовать: явная рекурсия, мультиагентная делегация, анализ пробелов в доказательствах, открытие перспектив или модельно-управляемый автономный поиск.

Ссылки

• GPT Researcher
• Unsloth Studio
• Local Deep Research
• STORM / Co-STORM
• DeerFlow
• Onyx
• Open Deep Research
• Open WebUI
• Khoj
• SurfSense
• Vane (ранее Perplexica)
• lukeswade/deep-research
• Search vs Deep Search vs Deep Research in 2026
• Multi-Agent Orchestration Patterns