Deep Research 開源研究工具，金鑰與報告都留在瀏覽器

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

想要一份把資料查齊、整理成文章的研究報告，常見做法是打開 ChatGPT 或 Gemini 的 Deep Research 功能，等它跑完再複製貼上。GitHub 上有一個走相反路線的專案：把整個研究流程開源，讓你自己架、用自己的模型金鑰，研究成果留在你自己的瀏覽器裡。這個專案叫 Deep Research（u14app/deep-research），MIT 授權，目前在 GitHub 上有 4,682 顆星。

我把原始碼抓下來在本機跑了一輪，也把金鑰存放、資料流向這幾件自架前最該弄清楚的事逐一翻開來看。先講結論：這套工具把「深度研究」做成一座你可以自己開的研究工廠，模型金鑰存在瀏覽器的 localStorage、研究紀錄寫進 IndexedDB、Local 模式由瀏覽器直接呼叫模型端點，整包程式碼裡找不到任何遙測套件。不過官方宣稱的「兩分鐘生出報告」，取決於你餵它什麼等級的金鑰，我用免費端點實測，連第二階段都跑不動。

先把機器架起來：三種跑法，環境變數一個都不填也行

這是一個用 Next.js 15 寫的網頁應用，原始碼放在 GitHub，提供三條部署路線。最直接的一條是在自己電腦上跑：

git clone https://github.com/u14app/deep-research.git
cd deep-research
pnpm install
pnpm dev

我在 macOS 配 Node 26 的機器上實測，pnpm dev 指令下去，開發伺服器 903 毫秒就回報 Ready，打開 localhost:3000 就是完整介面。這裡有個值得注意的細節：倉庫附的環境變數範本 env.tpl 裡，所有變數都標註 Optional。模型金鑰、代理網址、存取密碼全部可以不設，因為預設架構是把金鑰交給使用者自己在瀏覽器裡填，不是交給伺服器。

另外兩條路線是官方文件給的：一鍵部署到 Vercel 或 Cloudflare Pages，或者用倉庫附的 docker-compose.yml 走 Docker。要注意的是，一鍵部署到 Vercel 固然方便，但 Vercel 帳號是別人的基礎設施，講究資料邊界的話，本機或自備伺服器跑 Docker 才是完整版的自架。

一個題目進去，五個階段出來

介面本身把研究流程拆成五個看得到的階段：Topic、Questions、Plan、Collection、Final report。翻成白話就是：先解析你給的題目，接著生成要追問的問題，排出研究計畫，然後分頭蒐集資料，最後整合成一份 Markdown 報告。輸入區旁邊附了三個現成範本：Market map（市場地圖）、Technical deep dive（技術深挖）、Compare options（方案比較），貼上題目就能套用。

Pin

驅動這條流水線的是兩種角色不同的模型。設定面板裡的 Thinking Model 負責規劃與整合，Task Model 負責跑量大的蒐集工作，兩者可以指定不同供應商的不同型號。這個設計的實際意義是成本控制：規劃用貴的、跑腿用便宜的，或反過來把兩個都指向同一個模型也行。設定面板裡的模型清單不是寫死的，填好金鑰後按一下重新整理，會向供應商即時拉取可用型號；它也支援多金鑰輪詢，同一個供應商填多把金鑰讓請求分攤，這對免費額度小、需要多帳號輪著用的場景很實用。

介面還有一個容易被忽略的設計：研究可以中斷再續。任何階段產出的內容都能編輯修改，改完可以從那個階段重新出發，不滿意問題清單就先改問題再往下跑，研究歷史會被保留下來。這對需要反覆調整研究方向的人比一次到底的產品好用。

AI 供應商的清單比 README 寫的還熱鬧。我把設定面板逐項點開，數出 13 個：Google AI Studio、OpenAI、Anthropic、DeepSeek、Atlas Cloud、xAI Grok、Mistral、OpenAI Compatible、Pollinations (Free)、Azure OpenAI (Beta)、Google Vertex (Alpha)、OpenRouter、Ollama。其中有幾個值得展開：OpenAI Compatible 讓任何相容端點都能接上，Ollama 指向自己機器上的本地模型，Pollinations 則是標榜免金鑰的免費端點，後面會談到它的實際表現。

介面語言有英文、簡體中文、西班牙文跟越南文，沒有繁體中文。實際影響不大，整個介面就是一個輸入框加一個開始按鈕，但習慣繁中介面的要有心理準備。順帶一提，README 的多語言清單還停留在三種，越南文是原始碼裡已經有、文件還沒跟上的一個。

你的金鑰和報告資料，實際存在哪裡

自架一套會呼叫外部模型的工具，最該問的問題是：我的金鑰被誰拿走、我的研究內容存在哪裡。我把原始碼翻開，對照了瀏覽器的實際行為。

設定面板上寫著一行原文：「All settings are saved in the user’s browser.」這句話在原始碼裡有對應的實作：src/store/setting.ts 用 zustand 的 persist 中介層，把你在面板上填的金鑰、端點、模型選擇全部存進瀏覽器的 localStorage。研究紀錄則走另一條路，src/utils/storage.ts 用 localforage 建了一個 IndexedDB 儲存實例，研究歷史保存在這裡，任何時候可以回頭查看或重新研究。

Pin

模型呼叫的路徑也親自驗過。Local 模式下，瀏覽器直接把請求發往模型端點，我實測時網路面板看到的是瀏覽器自己連上 text.pollinations.ai，中間沒有經過任何伺服器。這代表你架在 Vercel 上的那份部署，預設不會經手你的金鑰，它只負責送出網頁。

遙測這關也查了。在應用程式碼與依賴清單裡搜 analytics、PostHog、Sentry、Umami、Plausible、gtag 這些常見的追蹤關鍵字，全部零命中。自架版沒有使用行為回傳，這點比多數閉源網頁工具乾淨。

不過資料邊界要講得完整，有兩個但書得說清楚。第一，金鑰和研究紀錄留在瀏覽器，不等於模型供應商看不到你的題目。你研究的內容會原封不動送到你選的模型端點，這是 BYOK（自帶金鑰）架構的固有邊界，隱私的盡頭是你選擇的那家模型公司。第二，它還有一個 Proxy 模式，把金鑰寫進伺服器的環境變數，搭配 ACCESS_PASSWORD 讓多人共用一份部署。兩種模式的信任模型剛好相反：

個人自用選 Local 就好，這也是裝完後的預設值；Proxy 模式是給想在部門內開一個研究服務的人。

免費端點的現實檢驗

看到供應商清單裡那個標著 (Free) 的 Pollinations，我決定不申請任何金鑰直接開跑，題目下了「台灣半導體出口管制現況」。結果是整條流水線確實動了起來：第一階段 Topic 順利完成，進度條走到 20%，接著卡在 Questions 階段。我分三輪重跑，等待時間從兩三分鐘拉到超過十五分鐘，問題生成始終沒有完成，瀏覽器對免費端點的請求就這麼吊著。

這個結果不意外。Pollinations 官方文件載明免費匿名層每 15 秒只能發一次請求，而這套工具的流程是一連串循序的模型呼叫，免費端點的速度撐不起五個階段。從網路面板看，流程啟動後瀏覽器先拉了一次模型清單，接著發出第一個對話請求，然後就是漫長的等待，沒有錯誤、沒有重試，就是慢。結論很實際：這個 (Free) 選項可以拿來驗證安裝成功，想真的跑出報告，回到 README 的建議路線，去 Google AI Studio 申請一組免費的 Gemini 金鑰，或接上你自己的付費金鑰。手邊已經有多組模型金鑰的讀者，可以先用 LLM API 測試工具確認金鑰活著再填進去；需要統一管理多個供應商金鑰的，New API 這類閘道也能跟 OpenAI Compatible 端點搭配。

至於 README 開頭寫的「約兩分鐘生成一份研究報告」，這是作者的宣稱。兩分鐘對應的是正常金鑰配主流模型的情境，我的免費端點路線連邊都摸不上，付費路徑的端到端時間我沒有實測。

會思考還要會找資料：搜尋端點是另一半

深度研究跟聊天機器人的差別在聯網找資料。這套工具把搜尋能力獨立出來，另外接一組搜尋供應商：SearXNG、Tavily、Firecrawl、fastCRW、Exa、Bocha、Brave。設計邏輯是讓不內建搜尋的模型也能做聯網研究，搜尋端點把網頁內容餵給模型，模型再消化成報告素材。

這裡藏著一個實際的部署成本。這串搜尋供應商裡，多數要申請付費或有限額的金鑰，SearXNG 則是開源方案、可以自己架一套當搜尋後端。換句話說，想讓研究流程真的上網查資料，你準備的不只是一組模型金鑰，還有一套搜尋方案。不接搜尋端點的話，工具也能跑，只是 Collection 階段能抓到的就是模型自己的知識，深度研究名不符實。挑搜尋供應商時還有一個篩選角度：有些供應商回傳的是整理過的摘要，有些給原始網頁內容，餵給模型的素材品質直接影響報告的引用深度，這點官方文件沒有評比，得靠實際跑過才準。

除了聯網，它也支援把資料餵進來：文字、Office 文件、PDF 都能上傳，建成優先使用的本地知識庫，讓 AI 先消化你自己的材料再出門查。報告產出後有所見即所得與 Markdown 兩種編輯模式，能調整閱讀難度、篇幅，也可以對整份報告做全文翻譯；知識圖譜則是把報告內容整理成一張關聯圖，讓你對主題的結構有個快速鳥瞰。這幾項後處理功能我沒有逐項實測，以官方功能表為準。對開發者還有一條路：專案提供 SSE API，可以把整個研究流程當後端服務呼叫，也實作了 MCP server 讓其他 AI 工具把它當研究工具箱使用，等於這座工廠不只賣成品，還能批發生產線。它同時是個 PWA，手機瀏覽器裡可以像 App 一樣安裝到主畫面。

先看清楚再自架

有幾件事值得在安裝前想清楚。專案的維護節奏方面，最新正式版 v0.11.0 發布於 2026 年 2 月，main 分支最後一次提交是 2026 年 6 月，內容是新增 Atlas Cloud 供應商，屬於緩慢但仍在動的狀態；repo 上 38 個開啟的 issue 與 PR 裡，回報的問題多集中在部署與模型設定。我本機跑的 main 分支版本號是 0.11.1，官方試用站 research.u14.app 部署的還是 0.11.0，兩者差一個小版本。從版本歷史看，研究歷史早在 v0.5.x 就上線，v0.9.20 補上 API 支援與 MCP 服務，功能是往服務化方向長的。

隱私宣稱方面，「資料存在本地」這句話要拆成兩層理解：研究紀錄與金鑰確實不出瀏覽器，但研究內容本身會送進你選的模型端點。挑模型的時候，隱私政策跟你自己要研究的主題一樣重要。

成本方面，工具本身免費且 MIT 授權可以商用，真正的帳單來自模型與搜尋端點的用量。一次深度研究是多輪呼叫，用付費 API 跑熱門模型的費用會比一次對話高好幾倍，拿 GPT-OSS Playground 這類免費場景先試手感，再決定把哪個模型接進來當任務模型，是比較省錢的順序。

誰該裝，誰不必

適合的讀者輪廓很明確：手上已經有模型 API 金鑰、對資料流向在意、希望研究流程可以自己控制的人。寫報告需要固定引用來源、想反覆針對同一批資料重跑研究的工作者，也會喜歡研究歷史與本地知識庫這兩個設計。會寫一點程式的人還能透過 SSE API 把它當後端服務，或用 MCP 接進其他 AI 工具。

反過來說，只是偶爾查一個題目、不想管金鑰的人，官方雲端版的深度研究產品比較省事；對報告品質有立即需求的讀者，架構與資料邊界是這次實測摸過的部分，報告內容的品質沒有端到端跑過，你的題目適不適合，跑一輪就知道。

想動手的話，順序是：clone 倉庫、pnpm install、pnpm dev，打開設定面板填一組 Gemini 免費金鑰，貼一個題目按下 Start Thinking。機器是你的，金鑰是你的，報告也在你手裡。