Local Deep Research (LDR) MCP Server

官方

本地优先的深度研究助手，通过 MCP 把多引擎检索与引用式研究报告接入 Claude。

分类: 其他第 10 / 230
Stars: ★ 9.5k 非常热门
传输方式: stdio（本地进程）
运行环境: Python · Docker
凭据: 可选 API Key
许可证: MIT
最近提交: 今天
工具数: 8

70FMRS · B

LDR 的 MCP 服务器是该开源本地研究项目自带的官方集成，把其多引擎检索、私有文档分析与引用式报告生成能力以 8 个工具暴露给 Claude，通过 STDIO 在本地运行。它对隐私敏感、已具备本地/云端 LLM 与搜索引擎配置能力的用户很有吸引力，但官方明确声明该服务器不含身份验证或限流，仅适合本地单机使用，不建议在无额外安全措施的情况下联网部署。

最强项 · 维护活跃度 18/20 最弱项 · 可靠性 9/20

可靠性

9/20

安全与权限

14/20

维护活跃度

18/20

文档质量

17/20

安装易用性

12/20

查看各项评分依据

可靠性 9/20: README给出了MCP工具列表（search、quick_research、detailed_research、generate_report、analyze_documents、list_search_engines、list_strategies、get_configuration）及各自耗时和LLM成本说明，描述较为具体。但本次审查未获得服务器manifest（标注为'not cached'），因此无法核实工具的实际入参/输出schema是否与文档描述一致。仓库虽有大量CI徽章（CodeQL、Semgrep、pre-commit、security-tests等），但这些主要针对主应用和容器安全，并无证据表明MCP的STDIO握手、工具调用路径或错误处理有专门的自动化测试覆盖。根据静态评审规则，在缺乏manifest和针对MCP关键路径的可验证测试证据时，reliability不应超过12分，故给出9分，扣分主要因manifest缺失和MCP专属测试证据不足。
安全与权限 14/20: MCP服务器仅设计为通过STDIO本地运行（如Claude Desktop/Claude Code），README明确警示'无内置认证与限流，禁止不加防护地暴露到网络'，这种透明披露是加分项，且属于本地单用户场景下的合理设计而非红线风险。主应用整体安全态势较强：SQLCipher AES-256加密数据库、密码永不存储、每用户隔离数据库、Docker镜像使用Cosign签名+SLSA证明+SBOM、cap_drop ALL、非root运行、镜像按digest锁定，且有详细的SECURITY.md和抑制项说明文档，透明度高。扣分点在于：MCP配置示例中LLM API Key通过环境变量以明文形式写入客户端配置文件（如claude_desktop_config.json），这是MCP生态的常见做法但仍存在本地凭证泄露面；且'in-memory credentials'部分承认了运行时内存中持有密钥的固有风险（虽已说明缓解措施）。未见不可逆的自动删除/支付/部署等危险默认操作，不构成红线。综合给14分。
维护活跃度 18/20: 项目有8849颗星标、活跃的commit徽章（最近提交、月度提交活跃度）、丰富的CI/CD体系（CodeQL、Semgrep、DevSkim、Bearer、OSV-Scanner、npm-audit、Retire.js、Dockle、Hadolint、Checkov、Zizmor、OWASP ZAP等），并有专门的安全评审流程文档、SECURITY.md、CONTRIBUTING.md、发布指南和CI/CD基础设施文档，治理结构清晰。开放issue数量（312）偏多但对于此规模项目在可接受范围内，且有活跃的Discord/Reddit社区支持。MIT许可证明确。整体呈现持续、有序的维护状态，给18分。
文档质量 17/20: 文档体系分层完整：安装指南、FAQ、API快速入门、配置指南与自动生成的完整配置参考、功能指南、搜索引擎指南、分析仪表盘、基准测试指南、LangChain集成指南，以及专门的MCP Server指南（docs/mcp-server.md，链接给出但本次未直接提供全文）。MCP工具表格列出了工具名称、描述、耗时区间和LLM成本，对用户决策有实际帮助，并给出了Claude Desktop/Claude Code的具体JSON配置示例。版本升级说明（如1.6.3的默认模型变更、auto/parallel引擎移除、llamacpp迁移到HTTP模式）体现了对破坏性变更的诚实披露。扣分原因：MCP专属文档（docs/mcp-server.md）未随本次评审提供全文，工具参数的详细边界/限制/故障排查证据不完整，故未给满分，给17分。
安装易用性 12/20: 提供了清晰的分步安装说明：pip install "local-deep-research[mcp]"，随后给出Claude Desktop与Claude Code的JSON配置示例，包含环境变量方式传递LLM Provider配置，步骤明确。但根据静态校准规则，在没有可验证的执行证据（真实CI工作流+�covers MCP关键路径的已提交测试）时setup不得超过15分。此外实际可用还需额外配置LLM后端（Ollama/OpenAI兼容端点等）和搜索引擎（如SearXNG），属于多步骤配置，存在一定复杂度和外部依赖，跨平台层面README还提到Docker Desktop下--network host模式的已知坑点，需要额外查阅FAQ。综合给12分。

静态评测 · 未实际运行收录于 2026-08-06

查看 FMRS 评分方法 →

选型与风险

能访问什么读取本地文件访问网络连接数据库

适合谁

希望完全本地运行 LLM 与检索、注重隐私的研究者和开发者
已经在使用 Ollama / LM Studio / llama.cpp 等本地模型的用户
需要为 Claude 增加多引擎学术检索与结构化报告生成能力的用户
希望在 Claude Desktop 或 Claude Code 中以 STDIO 方式本地集成研究工具的用户

不适合谁

需要多用户远程访问或网络暴露部署的场景（该 MCP 服务器无内置身份验证与限流，仅设计为本地 STDIO 使用）
希望零配置即用的用户（需要先安装并配置 LLM 提供方与搜索引擎，部分功能还需部署 SearXNG）
需要实时多人协作功能的团队场景

所需权限

需要访问已配置的 LLM（本地服务端点或云端 API Key）
除纯本地文档检索外，需要出网权限以调用所配置的搜索引擎（arXiv、PubMed、SearXNG、Brave 等）
使用 analyze_documents 时需要读取本地私有文档的文件系统权限
需要对本地加密数据库（SQLCipher）进行读写

风险与副作用

官方文档明确警告：该 MCP 服务器仅为本地 STDIO 使用设计，没有内置身份验证或限流，不应在未加额外安全控制的情况下暴露到网络
运行期间凭据（如 API Key）会保存在进程内存中，属于常规运行时风险，官方以会话级凭据生命周期和核心转储排除作为缓解措施
研究查询内容会发送给所配置的搜索引擎，若使用云端搜索或云端 LLM（OpenAI、Anthropic、Google 等）也会将查询/文档内容发送给相应第三方
若使用 Docker 且开启 --network host，在 Windows/WSL2/Mac 上可能出现端口未正确暴露的问题

安装接入

准备工作

运行环境：Python · Docker

LDR_LLM_PROVIDER 必填指定 LLM 提供商，如 openai 或 ollama，在 MCP 客户端 env 配置中设置。

LDR_LLM_OPENAI_API_KEY 可选密钥 OpenAI API 密钥，使用 openai 提供商时必需，可在 platform.openai.com 获取。

其他可选配置项（1 个）

LDR_LLM_OLLAMA_URL 可选 Ollama 服务地址（默认 http://localhost:11434），使用本地 Ollama 时设置。

1) 安装带 MCP 扩展的包：pip install "local-deep-research[mcp]"；2) 准备一个 LLM 来源（本地 Ollama/LM Studio/llama.cpp，或云端 OpenAI/Anthropic/Google 等的 API Key）；3) 在 claude_desktop_config.json（Claude Desktop）或 .mcp.json / ~/.claude/mcp.json（Claude Code）中添加 mcpServers 配置，command 设为 ldr-mcp，并通过 env 传入 LDR_LLM_PROVIDER 等 LDR_* 环境变量；4) 重启 Claude 客户端使配置生效；如需网页搜索，建议额外部署 SearXNG 等搜索引擎。

claude_desktop_config.json

{
  "mcpServers": {
    "local-deep-research": {
      "command": "ldr-mcp",
      "env": {
        "LDR_LLM_PROVIDER": "openai",
        "LDR_LLM_OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

以 Claude Desktop 为例。其他客户端的配置文件位置或字段可能不同（如 VS Code 使用 servers 字段），可用下方配置生成器转换。

.vscode/mcp.json

{
  "servers": {
    "local-deep-research": {
      "command": "ldr-mcp",
      "env": {
        "LDR_LLM_PROVIDER": "openai",
        "LDR_LLM_OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

写入项目的 .vscode/mcp.json（VS Code 使用 servers 字段）。

Terminal

claude mcp add local-deep-research -e LDR_LLM_PROVIDER=openai -e LDR_LLM_OPENAI_API_KEY=sk-... -- ldr-mcp

在终端运行；先把 <…> 占位符换成你自己的值。

生成并校验客户端配置

验证是否装好

安装 pip install "local-deep-research[mcp]" 后，在 Claude Desktop 中确认 8 个工具（search、quick_research、detailed_research、generate_report、analyze_documents、list_search_engines、list_strategies、get_configuration）出现在工具列表中，或直接调用 list_search_engines 返回引擎列表即证明连接成功。

常见排障

确认已执行 pip install "local-deep-research[mcp]" 以便系统中存在 ldr-mcp 命令
检查 mcpServers 配置中的 env 是否正确设置了 LDR_LLM_PROVIDER 及对应的 URL/API Key（如 LDR_LLM_OLLAMA_URL、LDR_LLM_OPENAI_API_KEY）
确认所用的本地 LLM 服务（Ollama、LM Studio 或 llama-server）已启动并监听默认端口
如需网页检索，确认 SearXNG 或其他搜索引擎已运行并可访问，可用 list_search_engines 工具验证
查阅仓库中的 docs/mcp-server.md 与 docs/CONFIGURATION.md 获取完整的 LDR_* 环境变量参考
若使用 Docker 且在 Windows/WSL2 上遇到端口 5000 无法访问，参考 docs/faq.md 中的说明改用 Docker Compose 方案

试试这样问

连接成功后，可以直接对 AI 助手这样说：

用 search 在 arXiv 上搜索关于 diffusion models 的最新论文
用 quick_research 快速总结量子计算的应用
用 generate_report 就可再生能源趋势生成一份详细报告
用 analyze_documents 在我的本地文档中搜索部署流程

工具能力 8

search 只读

直接查询指定搜索引擎（如 arxiv、pubmed、wikipedia 等），返回原始标题/链接/摘要结果，不经过 LLM 处理，速度快且不产生 LLM 费用，适合监控和订阅场景。

quick_research 只读

对问题进行快速研究并生成带引用的简要摘要，耗时约 1-5 分钟，会调用 LLM。

detailed_research 只读

进行更全面的多来源分析，生成结构化研究结果，耗时约 5-15 分钟，会调用 LLM。

generate_report 只读

生成包含章节与目录的完整 Markdown 研究报告，耗时约 10-30 分钟，会调用 LLM。

analyze_documents 只读

在用户导入的私有文档集合中检索并分析，耗时约 30 秒至 2 分钟，会调用 LLM。

list_search_engines 只读

列出当前可用的搜索引擎，瞬时返回，不调用 LLM。

list_strategies 只读

列出可用的研究策略（如 langgraph-agent 等），瞬时返回，不调用 LLM。

get_configuration 只读

获取当前 LDR 配置，瞬时返回，不调用 LLM。

使用场景

在 Claude 内直接对学术论文（arXiv、PubMed、Semantic Scholar）发起检索与综述

生成带引用的快速问答摘要或详细研究报告

对本地私有文档集合进行语义检索与分析

使用 search 工具做低成本、无 LLM 消耗的定期监控/订阅式检索

支持客户端

Claude Desktop

Claude Code

依据项目文档列出，未经本站实测。

详细介绍

Local Deep Research（LDR）是一个开源的 AI 研究助手，可在本地运行任意 LLM（Ollama、LM Studio、llama.cpp）或调用云端模型（OpenAI、Anthropic、Google 等），并跨 10 余个搜索引擎（arXiv、PubMed、Semantic Scholar、SearXNG、GitHub 等）以及用户自己的私有文档进行检索，最终生成带引用的研究摘要或完整报告。用户数据保存在按用户隔离、以 AES-256 加密的 SQLCipher 数据库中，密码从不落盘。该仓库自带的 MCP 服务器让 Claude Desktop / Claude Code 可以直接调用这些研究能力，官方文档明确说明该 MCP 服务器仅设计用于本地 STDIO 场景，不含内置身份验证或限流机制。