Недавно автор из XDA-Developers описал, как отменил подписку на Perplexity и ChatGPT после того, как подключил локальную LLM к Perplexica и SearXNG, и настройка намного проще, чем может показаться. Модель среднего уровня вроде Qwen, Llama или Mistral, работающая через Ollama, уже хорошо справляется с логическими выводами и суммированием. Чего ей не хватает — свежей информации из открытой сети, и эту часть обеспечивает самохостируемый метапоисковый слой: приватный retriever, который получает и ранжирует результаты, а затем передаёт их модели для цитирования и синтеза. Результат похож на Perplexity, но без подписки и журнала запросов.
Этот обзор охватывает лучшие приложения для самохостируемой AI-поиски — от полных клонов Perplexity до метапоискового механизма, на котором основана большинство из них. Каждый выбор работает на домашнем сервере или запасном компьютере, подключается к Ollama, LM Studio или любой OpenAI-совместимой точке доступа и поставляется с образом Docker, чтобы весь стек запустился одной командой.
Что искать в приложении для самохостируемой AI-поиски
Не все проекты “AI-поиска” на самом деле предназначены для этого. Несколько характеристик отделяют те, которые стоит запускать, от тех, которые застопориваются на демо:
- Поддержка локальных моделей. Она должна взаимодействовать с Ollama, LM Studio или общей OpenAI-совместимой точкой доступа, а не только с ключом размещённого API.
- Цитируемые источники. Ответы должны ссылаться на страницы, из которых они берут информацию, а не представлять синтезированный текст как факт без подтверждения.
- Реальный шаг переранжирования. Неопработанные результаты поиска нуждаются в переранжировании или оценке релевантности перед тем, как попадут модели, иначе ответы сбиваются с курса при неоднозначных запросах.
- Одноcomandная настройка Docker.
docker compose up, который приносит с собой метапоисковый backend, лучше, чем ручная установка с пятью движущимися частями. - Поддержка нескольких пользователей. Важно, если несколько человек в доме или команде будут его использовать.
- Вызов инструментов и плагины. Более мощные агенты могут цепочкой выполнить поиск, открыть результат и снова выполнить поиск перед ответом.
Быстрое сравнение
| Приложение | Лучше всего для | Платформы | Лицензия | Docker | Начальная цена |
|---|---|---|---|---|---|
| Perplexica (Vane) | Ближайший клон Perplexity | Windows, macOS, Linux | MIT | Да, официальный образ | Бесплатно |
| SearXNG | Только метапоисковый слой | Windows, macOS, Linux | AGPL-3.0 | Да, официальный образ | Бесплатно |
| Farfalle | Выбор собственного поискового backend | Windows, macOS, Linux | Apache-2.0 | Да, compose файл | Бесплатно |
| Morphic | Ответы с генеративным UI | Windows, macOS, Linux | Apache-2.0 | Да, compose файл | Бесплатно |
| Open WebUI | Добавление поиска к существующей Ollama | Windows, macOS, Linux | BSD-3-Clause (требование брендинга свыше 50 пользователей) | Да, официальный образ | Бесплатно |
| MindSearch | Многоагентное глубокое исследование | Windows, macOS, Linux | Apache-2.0 | Да, Dockerfile | Бесплатно |
| LLocalSearch | Минимальный полностью локальный агент | Windows, macOS, Linux | Apache-2.0 | Да, compose файл | Бесплатно |
| AnythingLLM | Поиск внутри более широкого RAG-рабочего пространства | Windows, macOS, Linux | MIT | Да, официальный образ | Бесплатно |
8 лучших приложений для самохостируемой AI-поиски на рабочем столе в 2026 году
1. Perplexica — лучше всего для ближайшего клона Perplexity
Perplexica — это проект, вокруг которого построилась статья XDA: Next.js frontend и API backend, которые включают приватный экземпляр SearXNG, поэтому один Docker-контейнер даёт вам поисковую строку, ответ LLM с встроенными ссылками на источники и панели изображений и видео. Его переименовали в Vane в марте 2026, хотя репозиторий GitHub, образы Docker и сообщество по-прежнему используют имя Perplexica, под которым он был запущен. Он подключается к Ollama для локальных моделей или к OpenAI, Anthropic и другим облачным провайдерам, когда вам нужен более мощный backend для сложных запросов.
Где он отстаёт: Переименование оставило документацию и результаты поиска разделёнными между старым и новым названиями, что делает troubleshooting немного более запутанным, чем должно быть.
Цена: Бесплатно и открытый исходный код, без платной версии.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Самое близкое к запуску Perplexity на собственном оборудовании, и проект, на который ориентируется вся эта категория.
2. SearXNG — лучше всего для самого метапоискового слоя
SearXNG — это federated метапоисковая система, которая питает Perplexica, Farfalle и Morphic под капотом, и она стоит запускать самостоятельно, если вам нужен только приватный фронтенд к Google, Bing, DuckDuckGo, Brave и примерно 280 другим поисковым сервисам без слоя AI. Запросы достигают этих движков с вашего сервера, а не из вашего браузера, поэтому ни один из них не видит вашего IP и не строит профиль из ваших поисков. Укажите любое из приложений AI-поиска ниже на существующий экземпляр SearXNG вместо того, чтобы дать им запустить свой собственный, и вы получите один shared поисковый backend для нескольких инструментов.
Где он отстаёт: Нет AI-синтеза самостоятельно. Он возвращает ранжированные ссылки, а не ответы, если не используется совместно с LLM frontend.
Цена: Бесплатно и открытый исходный код, без платной версии.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Метапоисковый фундамент под большинством этого списка и правильная отправная точка, если слой AI — это позже дополнение, а не день первый.
3. Farfalle — лучше всего для выбора собственного поискового backend
Farfalle — это Perplexity-подобный engine ответов, который оставляет выбор поискового провайдера вам: SearXNG, Tavily, Serper или Bing, смешанные с локальными моделями через Ollama или облачные модели через LiteLLM. Stack на Next.js и FastAPI поставляется с docker-compose.dev.yaml, который запускает работающий экземпляр на localhost:3000 со свежего clone в несколько минут, а замена поискового или модельного провайдера — это изменение конфига, а не пересборка.
Где он отстаёт: Стандартная настройка предполагает хотя бы один ключ API (провайдер поиска или облачная модель), если всё не маршрутизируется через локальную пару SearXNG и Ollama, поэтому путь без ключей требует немного больше конфигурации, чем Perplexica.
Цена: Бесплатно и открытый исходный код, без платной версии.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Выбор для всех, кто хочет похожий на Perplexica опыт, но с большим контролем над тем, какие поисковые и модельные провайдеры стоят за ответами.
4. Morphic — лучше всего для ответов с генеративным UI
Morphic отображает ответы больше, чем простой текст: сетки изображений со ссылками на источники, структурированные заголовки и встроенные компоненты строятся наряду с письменным ответом вместо стены текста со ссылками внизу. Он поддерживает режимы Quick и Adaptive search, селектор моделей через OpenAI, Anthropic, Google, Ollama и любой OpenAI-совместимый провайдер, и поставляется с PostgreSQL, Redis и SearXNG в своём файле Docker Compose, поэтому для начала работы не требуется внешний ключ поискового API.
Где он отстаёт: Более богатый UI означает больше движущихся частей (Postgres, Redis, SearXNG, само приложение), чем одноконтейнерная настройка, что требует больше мониторинга, если что-то сломается.
Цена: Бесплатно и открытый исходный код, без платной версии.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Самый красивый engine ответов в этом списке, стоит дополнительных контейнеров, если полированный, компонентизированный UI так же важен, как качество ответов.
5. Open WebUI — лучше всего для добавления поиска к существующей Ollama
Open WebUI начинался как chat interface для Ollama и OpenAI-совместимых API, а его встроенный toggle web search (поддерживаемый SearXNG или несколькими другими провайдерами) превращает существующую локальную chat настройку в engine ответов без необходимости запускать отдельное приложение. Любой, кто уже использует Open WebUI для локального чата, получает AI-поиск как изменение настроек, а не новое развёртывание.
Где он отстаёт: Поиск — это функция, прикреплённая к chat UI, а не основная цель дизайна, поэтому отображение ссылок на источники и ранжирование источников менее полировано, чем в dedicated engine ответов выше. Развёртывания, обслуживающие 51 или более пользователей в окне 30 дней, должны сохранять видимость брендинга Open WebUI в соответствии с его текущей лицензией.
Цена: Бесплатно и открытый исходный код, без платной версии; отдельная корпоративная лицензия охватывает развёртывания с удалённым брендингом или в масштабе.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Путь наименьшего сопротивления для обновления для всех, кто уже использует Open WebUI для локального чата и хочет добавить поиск сверху.
6. MindSearch — лучше всего для многоагентного глубокого исследования
MindSearch, созданный InternLM, разделяет запрос между двумя агентскими ролями: WebPlanner, который разбивает вопрос на подзапросы и строит граф рассуждений, и один или несколько WebSearchers, которые выполняют эти подзапросы и сообщают результаты. Такая структура позволяет ему работать с более чем 300 исходными страницами на сложный вопрос исследования, далеко за пределы того, что чистый single-pass поиск-и-суммирование app обрабатывает чисто. Он работает против собственных моделей InternLM или GPT-4 и поддерживает DuckDuckGo, Bing, Brave и Google Serper как поисковые backends.
Где он отстаёт: Развитие замедлилось после его рефакторинга в конце 2024, а настройка ориентирована на пользователей, удобных конфигурированию фреймворка агентов, а не на одноклик appliance.
Цена: Бесплатно и открытый исходный код, без платной версии.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Выбор для действительно глубоких, многошаговых вопросов исследования, где single search pass упустит контекст.
7. LLocalSearch — лучше всего для минимального полностью локального агента
LLocalSearch оборачивает локальную LLM в простой tool-use loop: модель решает, когда выполнить поиск, читает то, что вернулось, и решает, нужно ли выполнить поиск снова перед ответом, со всей цепью видимой в live log. Ему вообще не нужны ключи API и он был построен для работы на скромном оборудовании, что сделало его популярной первой остановкой для всех, кто тестирует локальный AI-поиск на бюджетном GPU.
Где он отстаёт: GitHub заархивировал репозиторий в июне 2026, и проект находится без активного развития более года, поэтому он всё ещё работает через Docker, но не будет получать исправления или обновления совместимости моделей впредь.
Цена: Бесплатно и открытый исходный код, без платной версии.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Всё ещё функционален и стоит попробовать для простоты его дизайна, но относитесь к нему как к эталонной реализации, а не как к долгосрочному ежедневному драйверу.
8. AnythingLLM — лучше всего для поиска внутри более широкого RAG рабочего пространства
AnythingLLM — это менее dedicated поисковая система и больше полное рабочее пространство: document RAG, AI агенты и контроль доступа для нескольких пользователей, с web search доступным как один инструмент, который агент может вызвать наряду с retrieval документов. Любой, кто уже хочет самохостируемую платформу чата для своих файлов, получает AI-поиск как одну способность больше, а не отдельное развёртывание, с ролями Admin, Manager и Default для shared домашнего или командного использования.
Где он отстаёт: Поиск — это один инструмент среди нескольких, а не фокус, поэтому он не будет соответствовать форматированию ссылок на источники dedicated engine ответов или качеству ранжирования на чистых запросах поиска.
Цена: Бесплатно и открытый исходный код, без платной версии; план размещённости доступен для тех, кто не хочет самохостировать.
Платформы: Windows, macOS, Linux (Docker), самохостируемое.
Загрузка: GitHub
Вывод: Правильный выбор, когда поиск должен жить наряду с document chat и агентами в одном рабочем пространстве, не стоять отдельно.
Как выбрать
Если вам нужен самый простой клон Perplexity: Perplexica. Один контейнер, одна команда, ссылки на источники и изображения из коробки.
Если вам нужен метапоисковый слой сам по себе, без AI пока: SearXNG. Запустите его первым, укажите engine ответов на него позже.
Если вам нужен контроль над тем, какие поисковые и модельные провайдеры сидят за ответами: Farfalle.
Если интерфейс так же важен, как ответ: Morphic, для его генеративного UI и изображений со ссылками на источники.
Если Open WebUI уже ваше локальное приложение чата: включите встроенный web search вместо развёртывания чего-то нового.
Если вопрос требует многошагового, многоисточникового исследования: MindSearch, для его дизайна planner-and-searcher агента.
Если оборудование с ограниченным бюджетом и нулевые ключи API — приоритет, и стабильность важнее, чем простота: LLocalSearch, с оговоркой, что он заархивирован.
Если поиск должен сидеть внутри document-chat и agent рабочего пространства: AnythingLLM.
Часто задаваемые вопросы
Работают ли эти приложения без подключения в интернет?
Нет. Сама LLM может работать полностью offline после загрузки, но каждое приложение в этом списке всё ещё нуждается в доступе к открытой сети для получения текущих результатов поиска. Что остаётся локальным — это вывод модели и, в зависимости от настройки, сам запрос, так как самохостируемый экземпляр SearXNG запрашивает другие поисковые движки от имени вашего сервера, а не отправляет ваш IP напрямую.
Какие локальные модели лучше всего работают с этими поисковыми движками?
Модель среднего размера с instruction-tuning в диапазоне 7B до 30B, такая как недавняя сборка Qwen, Llama или Mistral, хорошо справляется с суммированием, требующим ссылок на источники, на потребительском GPU оборудовании. Меньшие модели склонны галлюцинировать вокруг источников вместо точного цитирования, поэтому стоит протестировать запрос против известного ответа перед доверием выводу лёгкой модели.
Нужен ли мне GPU для запуска самохостируемого AI-поиска stack?
Не строго. Поисковая и retrieval сторона (SearXNG, backend приложения) работает нормально на CPU. LLM — это часть, которая выигрывает от GPU; без него ожидайте заметно более медленные ответы, особенно на больших моделях, или укажите приложение на облачный API модели как fallback.
Является ли самохостируемая AI-поиска действительно более приватной, чем Perplexity или ChatGPT?
Запросы поиска остаются на инфраструктуре, которую вы контролируете, а не на серверах поставщика, и ни одно из приложений в этом списке не отправляет историю разговоров третьей стороне по умолчанию. Компромисс в том, что базовые поисковые движки (Google, Bing и остальные) всё ещё видят отдельные запросы, которые SearXNG ретранслирует им, просто без вашего IP или учётной записи.
Может ли более одного человека использовать одноexample самохостируемого экземпляра?
Некоторые из этих приложений поддерживают это нативно. AnythingLLM и Open WebUI оба поставляются с role-based многопользовательскими учётами из коробки. Другие, включая Perplexica, Farfalle и Morphic, были построены с однопользовательским или small-household использованием в виду и нуждаются в дополнительной настройке (например, reverse proxy с аутентификацией) перед безопасным открытием для более широкой группы.
Что происходит, если проект вроде LLocalSearch перестаёт быть поддерживаемым?
Заархивированный open-source репозиторий продолжает работать ровно так же, как на последнем коммите; Docker образы, уже построенные, продолжают работать. Что прекращается — это исправления для новых bagов, обновления совместимости для более новых API моделей и security patches, поэтому заархивированный проект хорош для тестирования или лёгкого использования, но плохой долгосрочный выбор для чего-то, зависящего от постоянных обновлений.
