GangDan是一款基于 Ollama + ChromaDB 的离线智能开发助手，支持本地知识库管理、多模型切换，说是开发助手，其实定位是帮助人来做开发，而不是用模型直接写代码。
GangDan（纲担）之前一直是完全离线运行，基于 Ollama 本地模型无需联网即可使用。支持 ChromaDB 向量数据库进行本地文档智能检索。界面支持中、英、日、韩等 10 种语言。
用着就发现，本地模型有时候能力上确实与在线模型相比有逊色，所以最近的更新不仅改善了深度研究功能，还加入了在线模型的支持。
深度研究功能
深度研究功能可以自动分解主题并生成研究报告，是 GangDan 的一个实验功能，它不是简单的问答，而是一个研究流水线。输入主题后，经过重述优化、主题分解、子主题研究，最终生成报告。
多阶段流水线架构
| 步骤 | 阶段名称 | 输入 | 输出 | 说明 |
|---|---|---|---|---|
| 1 | Rephrasing | 用户输入的主题 | 优化后的研究主题 | 明确研究范围和目标 |
| 2 | Planning | 优化后的主题 | 子主题列表 | 自动分解为多个研究方向 |
| 3 | Researching | 子主题 + 知识库 | 每个子主题的研究内容 | 向量检索 + 可选网络搜索 |
| 4 | Reporting | 所有研究成果 | Markdown 报告 | 整合并生成结构化输出 |
研究深度控制
| 深度级别 | 子主题数量 | 检索深度 | 适用场景 |
|---|---|---|---|
| Quick | 2-3 | 浅层检索 | 快速了解主题概要 |
| Medium | 4-6 | 标准检索 | 常规研究报告 |
| Deep | 7-10 | 深层检索 | 全面深度分析 |
RAG 检索流程
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 文档切片 | 将知识库文档按段落/章节切分 |
| 2 | 向量编码 | 使用 Embedding 模型生成向量 |
| 3 | 相似度匹配 | 计算查询向量与文档向量的相似度 |
| 4 | 内容提取 | 返回 Top-K 相关文档片段 |
| 5 | 生成回答 | 基于检索内容生成研究内容 |
输出长度控制
| 长度级别 | 目标字数 | 结构特点 |
|---|---|---|
| Short | 1000-2000 | 精简版，核心结论 |
| Medium | 3000-5000 | 标准版，完整论述 |
| Long | 5000-10000 | 详细版，深入分析 |
模型提供商支持
深度研究支持多种 LLM 提供商。本地可以用 Ollama，不需要 API Key。在线的选择就多了，MiniMax、智谱 AI、阿里百炼、Moonshot、SiliconFlow、OpenAI 都支持，不过需要配置 API Key。
有一点要注意，在线模型不一定比本地模型更快，但生成的报告质量有时候会更好一些。
研究过程中会实时显示当前阶段、子主题完成状态、操作描述，还可以开启 Debug 日志看更详细的信息。
怎么用
安装很简单，pip install gangdan 就行。启动服务运行 gangdan，默认 5000 端口，想换端口加个 --port 参数，比如：
gangdan --port 5001
用深度研究的话，先准备好知识库，把相关文档上传上去。然后切到"深度研究"那个选项卡，选个模型，输入你想研究的主题，然后在界面上探索一下，点开始就完事了。
适合什么场景
比如你想研究微服务架构，把相关文档丢进知识库，输入"微服务架构最佳实践"，选 Deep 深度，就能生成一份调研报告。
写论文的时候需要综述，把论文 PDF 转成文档导进去，输入"大语言模型在代码生成领域的应用"，Medium 深度就够了。
做竞品分析也可以，收集一堆竞品资料和评测文章，输入对比分析的主题，让 AI 帮你整理。
隐私方面
数据都在本地存着，不会往云端传。默认用本地模型，根本不需要联网。就算你用在线 API，Key 也是存在本地配置文件里，知识库文档同样只在本地处理，不过确实可能有被在线模型获取知识库内容的可能，这需要用户自己权衡了。
最后
GangDan 的深度研究就是想给大伙提供一个本地的、能自动做研究的工具。本地运行保护隐私，模型可以随便换，主题分解、内容检索、报告生成全自动，输出的还是 Markdown，方便后续折腾。
开源地址放这：https://github.com/cycleuser/GangDan
预览时标签不可点