Las 10 mejores herramientas de búsqueda de IA autoalojadas en 2026

Eva Wong es la redactora técnica y manitas residente en ZimaSpace. Es una geek de toda la vida apasionada por los laboratorios domésticos y el software de código abierto, y se especializa en traducir conceptos técnicos complejos en guías prácticas y fáciles de seguir. Eva cree que alojar servicios propios debería ser divertido, no intimidante. A través de sus tutoriales, ayuda a la comunidad a desmitificar la configuración del hardware, desde montar su primer NAS hasta dominar los contenedores Docker.

La búsqueda de IA autoalojada ya no consiste simplemente en «ejecutar un clon de Perplexity en Docker». En 2026, la categoría abarca motores de respuestas web, búsqueda en documentos privados, agentes de investigación en profundidad, búsqueda de conocimiento empresarial y motores de búsqueda locales.

La elección adecuada depende de qué quieras mantener realmente bajo tu control: la consulta de búsqueda, el modelo, tus archivos, los embeddings, el índice de búsqueda o todo el proceso de recuperación. Estas 10 herramientas abarcan las principales formas de crear esa pila por tu cuenta.

¿Qué significa realmente «búsqueda de IA autoalojada»?

Un buscador de IA autoalojado puede referirse a varias cosas distintas.

Tipo de búsqueda Qué busca Arquitectura habitual
Motor de respuestas web La web en tiempo real Motor de búsqueda + LLM + citas
Búsqueda de conocimiento privado Documentos, notas, unidades y aplicaciones Ingesta + embeddings + recuperación + LLM
Agente de investigación exhaustiva Varias búsquedas web a lo largo del tiempo Buscar → reflexionar → volver a buscar → sintetizar
Motor de búsqueda Varios motores de búsqueda convencionales API de metabúsqueda que alimenta una capa de IA

La diferencia importa porque ejecutar la interfaz web en tu propio servidor no garantiza que todo el flujo de búsqueda sea privado.

Puedes autoalojar la interfaz mientras envías las consultas a un LLM comercial y a una API de búsqueda alojada:

Navegador
   |
Interfaz de búsqueda autoalojada
   |
   +--- LLM en la nube
   |
   +--- API de búsqueda alojada

O puedes trasladar casi toda la pila a tu propia infraestructura:

Navegador
   |
Búsqueda de IA autoalojada
   |
   +--- SearXNG
   +--- Ollama
   +--- Embeddings locales
   +--- Índice de búsqueda local
   +--- Archivos privados

Es con esa segunda arquitectura donde la búsqueda de IA autoalojada cobra especial relevancia para una base de conocimiento local. La búsqueda ya no consiste solo en encontrar páginas en internet; también puede convertirse en la capa de recuperación de documentos, archivos de investigación, archivos de proyectos y datos operativos privados.

Cómo clasificamos los mejores buscadores de IA autoalojados

No es una clasificación basada en las estrellas de GitHub, y estas herramientas no resuelven todas el mismo problema de búsqueda.

La clasificación se centra en siete factores prácticos: el grado en que se puede autoalojar toda la pila, la calidad de su arquitectura de búsqueda y recuperación, la compatibilidad con modelos locales, las citas y la fundamentación en fuentes, la búsqueda en datos privados, la dificultad de implementación y la relevancia actual del proyecto en 2026.

También distinguimos entre «autoalojado» y «completamente local». Puedes instalar una herramienta en tu servidor y, aun así, hacer llamadas a OpenAI, Anthropic, Tavily, Brave, Exa u otro proveedor externo. Esto puede ser útil, pero ofrece un modelo de privacidad distinto al de Ollama + embeddings locales + un motor de búsqueda autoalojado.

Los 10 mejores buscadores de IA autoalojados de un vistazo

Clasificación Herramienta Tipo de búsqueda Búsqueda web Archivos privados LLM local Ideal para
1 Vane Motor de respuestas web Sí Sí Ollama Búsqueda autoalojada al estilo de Perplexity
2 Morphic Motor de respuestas web Sí Sí Ollama Interfaz de búsqueda generativa
3 Onyx Búsqueda de conocimiento empresarial Sí Sí Ollama, LiteLLM, vLLM Búsqueda para equipos y empresas
4 Khoj Conocimiento personal + búsqueda web Sí Sí API locales / compatibles Segundo cerebro personal
5 SurfSense Espacio de trabajo de investigación Sí Sí Ollama, LM Studio Flujos de trabajo de investigación conectados
6 Open WebUI Espacio de trabajo de IA + búsqueda Sí Sí Ollama Añadir búsquedas a una interfaz de IA local existente
7 Investigador profundo local Agente de investigación exhaustiva Sí Limitado Ollama, LM Studio Investigación local iterativa
8 RAGFlow Búsqueda en documentos / RAG Secundario Sí Opciones de modelos autoalojados Búsqueda compleja en documentos privados
9 AnythingLLM Búsqueda de documentos privados Secundario Sí Ollama, LM Studio, LocalAI Preguntas y respuestas sencillas sobre documentos locales
10 SearXNG Backend de metabúsqueda Sí No No aplicable Backend de búsqueda privado para IA local

1. Vane — El mejor motor de búsqueda con IA autoalojado en general

Vista previa

Vane, antes conocido como Perplexica, es una de las respuestas más directas a la pregunta «¿Qué puedo autoalojar en lugar de Perplexity?».

Combina un backend de búsqueda con una capa de respuestas basada en LLM y ofrece respuestas fundamentadas con fuentes citadas. El proyecto actual admite inferencia local mediante Ollama, además de proveedores alojados como OpenAI, Anthropic Claude, Google Gemini y Groq.

Su capa de búsqueda se basa en SearXNG, por lo que Vane no depende de una sola API de búsqueda comercial. La imagen de Docker recomendada incluso puede incluir SearXNG junto con la aplicación, mientras que una implementación ligera puede conectarse a una instancia existente de SearXNG en otra parte de la red.

Vane también ofrece modos de búsqueda para obtener resultados rápidos, equilibrados o más exhaustivos. Puede buscar resultados web generales, debates y fuentes académicas, en lugar de tratar todas las consultas del mismo modo.

Pregunta del usuario
     |
     v
    Vane
     |
 +---+----+
 |        |
SearXNG  Ollama
 |        |
Web      LLM local
 +---+----+
     |
Respuesta con citas

Por eso Vane ocupa el primer puesto: se ajusta muy bien al caso de uso clásico de búsqueda con IA y, a la vez, permite a quienes autoalojan el servicio controlar tanto la búsqueda como la inferencia.

Ideal para: quienes quieren un motor de respuestas privado y autoalojado, al estilo de Perplexity, con citas y compatibilidad con Ollama.

Desventaja: la búsqueda web sigue requiriendo acceso a Internet, y usar proveedores de LLM en la nube cambia el modelo de privacidad, aunque la aplicación Vane se ejecute localmente.

2. Morphic — El mejor buscador de IA autoalojado con interfaz generativa

Morphic se parece a Vane en algunos aspectos: ambos pueden combinar la búsqueda web con respuestas generadas por LLM, citas, implementación con Docker, Ollama y SearXNG.

La diferencia está en la presentación y la interacción.

Morphic se describe como un motor de búsqueda con IA y una interfaz de usuario generativa. En lugar de limitar todas las respuestas al formato Markdown sin formato, la interfaz puede mostrar componentes más completos, como secciones con imágenes, cuadrículas, encabezados y otros bloques de resultados estructurados.

Su capa de búsqueda actual admite SearXNG, Tavily, Brave y Exa. Para seleccionar modelos, se puede usar OpenAI, Anthropic, Google, Ollama, Vercel AI Gateway o proveedores compatibles con OpenAI.

La configuración de Docker es especialmente cómoda porque Docker Compose puede iniciar Morphic, PostgreSQL, Redis y SearXNG a la vez. Esto la convierte en una de las mejores opciones para quienes quieren una aplicación de búsqueda local completa sin tener que configurar cada servicio por separado.

Ideal para: usuarios que quieren una experiencia de búsqueda pulida al estilo de Perplexity, con interfaces generadas más completas y proveedores de búsqueda flexibles.

Desventaja: la pila es más pesada que una implementación mínima de Vane porque la experiencia completa incluye PostgreSQL, Redis, autenticación, historial y servicios de aplicación adicionales.

3. Onyx — La mejor búsqueda con IA autoalojada para equipos y conocimiento empresarial

Demostración silenciosa del chat de Onyx

Onyx pertenece a una categoría distinta de Vane y Morphic.

Su pregunta central no es «¿Qué dice la web?», sino:

«¿Qué sabe ya nuestra organización?»

Onyx combina recuperación híbrida, RAG, investigación avanzada, agentes, búsqueda web y un amplio ecosistema de conectores. Puede indexar información de aplicaciones y repositorios internos y, cuando sea necesario, buscar también en la web en tiempo real.

El proyecto admite más de 50 conectores de indexación y puede conectarse a herramientas como Slack, Google Drive, GitHub, Jira, Confluence y otros sistemas de equipo. Su Community Edition incluye funciones básicas de chat, RAG, agentes y acciones, mientras que las organizaciones más grandes pueden añadir funciones empresariales de identidad y gobernanza.

También admite infraestructura de modelos autoalojada, como Ollama, LiteLLM y vLLM, en lugar de obligar a que todos los resultados de búsqueda pasen por un único LLM alojado.

Slack -------\
Drive --------\
GitHub --------> Onyx ----> Búsqueda / RAG / Investigación avanzada
Confluence ---/
Web ----------/

Se parece mucho más a una capa de búsqueda autoalojada al estilo de Glean que a un simple clon de Perplexity.

Ideal para: equipos que quieren una única capa de búsqueda y respuestas en documentos de la empresa, aplicaciones, repositorios y la web.

Desventaja: Onyx es una plataforma considerablemente más completa de lo que necesita un usuario individual si su único objetivo es la búsqueda privada en la web.

4. Khoj — La mejor búsqueda personal con IA en la web y archivos privados

Demostración del chat

Khoj ocupa el espacio de uso personal al que se dirige Onyx para las organizaciones.

Combina documentos privados, información de la web, búsqueda semántica, agentes y conocimiento personal en un entorno autoalojable a modo de «segundo cerebro».

La arquitectura de búsqueda es más avanzada que una simple consulta vectorial. La documentación de Khoj describe un flujo de recuperación en dos etapas: un bi-encoder recupera documentos candidatos y, después, un cross-encoder más lento los vuelve a clasificar para la consulta actual.

Esto es importante porque una buena búsqueda con IA no consiste únicamente en generar incrustaciones. La calidad de recuperación depende de encontrar suficientes candidatos y luego clasificar las pruebas más relevantes antes de que las vea el LLM.

Khoj puede utilizar modelos de búsqueda locales y endpoints compatibles con OpenAI, incluidas configuraciones compatibles con Ollama, por lo que es adecuado como sistema personal de conocimiento privado.

Ideal para: personas que quieren buscar en notas, archivos, documentos y en la web desde un único espacio de trabajo personal de IA autoalojado.

Desventaja: está más pensado para el conocimiento personal y los flujos de trabajo con asistentes que para la indexación y los permisos empresariales a escala de toda una organización.

5. SurfSense — El mejor espacio de trabajo de investigación con IA autoalojado

Chatear con PDF y documentos

SurfSense se entiende mejor como un espacio de trabajo de investigación con fuentes conectadas que como otro cuadro de búsqueda.

La plataforma autoalojada puede conectar fuentes de información, crear una base de conocimientos consultable y facilitar flujos de trabajo de investigación, notas, automatizaciones y agentes. Su documentación actual incluye conectores para servicios como Notion, Slack, Google, Jira y otras fuentes de conocimiento externas.

También documenta conexiones con modelos locales mediante Ollama y LM Studio, lo que permite mantener bajo el control del usuario tanto la capa de aplicación como la de inferencia.

Por eso, SurfSense resulta especialmente interesante cuando la «búsqueda» es solo un paso de un flujo de trabajo más amplio:

Recopilar fuentes
      |
Indexar conocimientos
      |
Buscar / Preguntar
      |
Generar notas
      |
Ejecutar automatización
      |
Continuar la investigación

Ideal para: investigadores y equipos que trabajan con gran cantidad de conocimiento y quieren búsqueda, fuentes conectadas, notas y automatización en un mismo espacio de trabajo autoalojado.

Desventaja: si solo quieres respuestas rápidas sobre la web con citas, Vane o Morphic son opciones más sencillas y especializadas.

6. Open WebUI — La mejor forma de añadir búsquedas a una plataforma de IA local existente

Ver la demostración de Open WebUI

Open WebUI no es principalmente un motor de búsqueda, y esa distinción debe quedar clara.

Su punto fuerte es que muchos usuarios de IA local ya lo utilizan como interfaz para Ollama u otros servidores de modelos. Para ellos, añadir búsquedas al espacio de trabajo de IA que ya usan puede ser más práctico que implementar una aplicación de búsqueda independiente.

Actualmente, Open WebUI admite búsquedas web mediante una amplia variedad de proveedores, como SearXNG, Brave, DuckDuckGo, Tavily, Exa, Kagi, Perplexity, Jina, Bing y varios motores más.

Su guía oficial de integración con SearXNG muestra cómo un contenedor SearXNG local independiente puede convertirse en la capa de búsqueda de Open WebUI.

La misma aplicación también permite usar RAG local con documentos cargados y bibliotecas de documentos, por lo que se pueden combinar la recuperación web y la de archivos privados en una misma interfaz.

Ideal para: usuarios que ya ejecutan Ollama + Open WebUI y quieren añadir búsquedas web autoalojadas sin pasarse a un motor de respuestas dedicado.

Desventaja: como Open WebUI es un espacio de trabajo de IA de propósito general, el comportamiento de búsqueda depende en gran medida de las llamadas a herramientas del modelo, el tamaño del contexto, la configuración de recuperación y la configuración del proveedor de búsqueda seleccionado.

7. Investigador local avanzado — El mejor agente de investigación totalmente local

Captura de pantalla 2025-01-24 a las 10:08:31 p. m.

Local Deep Researcher muestra hacia dónde se dirige la búsqueda con IA, más allá de los motores de respuestas que usan una sola consulta.

El proyecto utiliza un LLM local a través de Ollama o LM Studio para generar una consulta de búsqueda, recopilar resultados web, resumirlos, identificar las lagunas de conocimiento restantes, crear otra consulta y repetir el ciclo antes de generar un informe final con citas.

Pregunta
   |
Generar búsqueda
   |
Buscar en la web
   |
Resumir
   |
Detectar lagunas de conocimiento
   |
Buscar de nuevo
   |
Repetir
   |
Informe final con citas

De forma predeterminada, la búsqueda puede usar DuckDuckGo, con integraciones opcionales con SearXNG, Tavily o Perplexity.

Esto lo diferencia de Vane o Morphic. Esas herramientas están optimizadas para la búsqueda interactiva y la experiencia de usuario al responder. Local Deep Researcher está optimizado para la investigación iterativa.

Ideal para: preguntas de investigación en las que es poco probable que una sola búsqueda aporte pruebas suficientes y el agente debe volver a buscar deliberadamente tras detectar lagunas.

Desventaja: los ciclos repetidos de búsqueda y resumen son más lentos y requieren más recursos de computación que un motor de respuestas normal, especialmente cuando el LLM se ejecuta localmente.

8. RAGFlow: ideal para búsquedas complejas en documentos privados

RAGFlow no busca competir principalmente con Perplexity.

Es una plataforma de recuperación que convierte datos privados complejos en contexto fiable para los LLM.

El proyecto actual combina RAG integral con análisis de documentos, flujos de ingesta orquestados, flujos de trabajo para agentes, compatibilidad con MCP y sincronización de datos desde fuentes como Confluence, S3, Notion, Discord y Google Drive.

Por eso, es más adecuado para preguntas como:

«¿Cómo busco entre miles de PDF, archivos de Office, documentos internos y fuentes de conocimiento conectadas con una recuperación fiable?»

en lugar de:

«¿Qué ha pasado hoy en la web?»

RAGFlow también sigue evolucionando como capa de contexto para agentes. En 2026 añadió una habilidad oficial para acceder a conjuntos de datos de RAGFlow mediante OpenClaw, lo que muestra cómo la búsqueda de documentos está pasando de los chats RAG aislados a una infraestructura reutilizable para agentes.

Para profundizar en esta capa, la guía de ZimaSpace sobre búsqueda de documentos y RAG desglosa el flujo de trabajo en extracción, fragmentación, embeddings, búsqueda vectorial, reclasificación y generación de respuestas basadas en evidencias.

Ideal para: bibliotecas de documentos más grandes y equipos que necesitan procesos avanzados de ingesta, análisis, recuperación y gestión del conocimiento.

Desventaja: RAGFlow consume muchos más recursos que una aplicación sencilla de chat con documentos local y resulta excesivo si tu base de conocimientos solo contiene unas pocas carpetas.

9. AnythingLLM: la mejor búsqueda sencilla autoalojada para documentos privados

Chat

AnythingLLM se sitúa en el extremo más accesible de la búsqueda privada con IA.

Puede incorporar documentos, crear espacios de trabajo e incrustaciones, recuperar contexto pertinente, mostrar citas de fuentes y conectarse a modelos locales o en la nube, sin necesidad de que los usuarios ensamblen una arquitectura RAG con componentes separados.

La compatibilidad con modelos locales incluye Ollama, LM Studio, LocalAI y modelos compatibles con llama.cpp. La capa de incrustaciones también puede mantenerse local, y el proyecto admite varias bases de datos vectoriales, como LanceDB, Chroma, Qdrant, Weaviate, Milvus y PGVector.

Los términos de privacidad de AnythingLLM para el uso autohospedado son especialmente explícitos: los documentos, historiales, ajustes de los espacios de trabajo e incrustaciones permanecen en infraestructura gestionada por el usuario, y la aplicación puede funcionar sin conexión a redes cuando se seleccionan componentes locales para los modelos y vectores.

Esto lo convierte en un puente natural entre «chatear con mis documentos» y un flujo de trabajo de IA local más completo.

Ideal para: usuarios que quieren una aplicación sencilla de búsqueda local de documentos y RAG sin tener que gestionar una plataforma de recuperación más compleja.

Desventaja: es más fácil de implementar que RAGFlow u Onyx, pero esa simplicidad también significa que no es la mejor opción para indexar toda una organización ni para orquestar investigaciones avanzadas.

10. SearXNG — El mejor backend de búsqueda privada para IA local

SearXNG - Wikipedia

SearXNG es la excepción porque no es un motor de respuestas con IA.

Es un motor de metabúsqueda autohospedado que agrega resultados de hasta 272 servicios de búsqueda y, a la vez, evita el seguimiento y la elaboración de perfiles de los usuarios.

Eso lo convierte en uno de los componentes de infraestructura más importantes del ecosistema de búsqueda con IA autohospedada.

Vane puede usar SearXNG. Morphic puede usar SearXNG. Open WebUI puede usar SearXNG. Local Deep Researcher puede usar SearXNG.

Su función es sencilla:

Consulta del usuario
    |
SearXNG
    |
Resultados de búsqueda sin procesar
    |
LLM local
    |
Respuesta de IA con citas

Autohospedar el backend de búsqueda separa la capa de recuperación de la capa de respuestas. Puedes cambiar de LLM sin cambiar el motor de búsqueda, o cambiar las aplicaciones de respuestas y conservar la misma infraestructura de búsqueda.

Ideal para: usuarios que quieren un backend de metabúsqueda privado, similar a Google, que pueda alimentar Vane, Open WebUI, Morphic, agentes de investigación o aplicaciones personalizadas de IA local.

Desventaja: SearXNG no resume, razona ni genera respuestas con citas por sí solo. Necesita una capa de IA encima si quieres una experiencia al estilo de Perplexity.

¿Qué herramienta de búsqueda con IA autohospedada deberías elegir?

Si quieres... Empieza con Por qué
Una alternativa privada a Perplexity Vane Un motor de respuestas web autohospedado y enfocado, con SearXNG y Ollama
Una interfaz de búsqueda generativa más completa Morphic Interfaz generativa y proveedores de búsqueda flexibles
Busca en el conocimiento del equipo Onyx Gran ecosistema de conectores, además de búsqueda híbrida y RAG
Busca en archivos personales y en la web Khoj Búsqueda de conocimiento personal con recuperación local
Un espacio de trabajo de investigación conectado SurfSense Búsqueda, fuentes, notas, conectores y automatizaciones
Añade búsqueda a un entorno de chat con Ollama Open WebUI Búsqueda conectable dentro de una interfaz de IA local conocida
Investigación web en varios pasos Investigador profundo local Busca, reflexiona, identifica lagunas y vuelve a buscar
Recuperación compleja de documentos empresariales RAGFlow Arquitectura avanzada de ingesta y RAG
Preguntas y respuestas fáciles sobre documentos privados AnythingLLM Aplicación local con canalizaciones de documentos y almacenes vectoriales integrados
Un backend de búsqueda privado SearXNG Capa de metabúsqueda reutilizable para muchas aplicaciones de IA

Vane vs. Morphic: ¿cuál es la mejor alternativa autoalojada a Perplexity?

Vane y Morphic son las dos opciones más directas si tu idea es «quiero Perplexity, pero en mi propio servidor».

Área Vane Morphic
Enfoque principal Motor de respuestas con IA centrado en la privacidad Búsqueda con IA e interfaz generativa
SearXNG Flujo de búsqueda principal Compatible e incluido en Docker Compose
Ollama Sí Sí
Modelos en la nube Sí Sí
Archivos Sí Sí
Citas Sí Sí
Modos de búsqueda Velocidad, equilibrio, calidad Rápida, adaptable
Ideal para Motor privado de respuestas especializado Experiencia de búsqueda y presentación de resultados más completa

Elige Vane cuando la prioridad sea un motor privado de respuestas sencillo, con una arquitectura SearXNG + Ollama directa.

Elige Morphic cuando la propia interfaz de búsqueda sea importante y quieras componentes generativos de resultados más completos, historial, autenticación y una experiencia más parecida a la de una aplicación.

Onyx vs. Khoj vs. AnythingLLM para la búsqueda de conocimiento privado

Los tres pueden buscar información privada, pero están pensados para implementaciones muy distintas.

Área Onyx Khoj AnythingLLM
Usuario principal Equipo / organización Persona Persona o equipo pequeño
Aplicaciones conectadas Ecosistema extenso de conectores Fuentes de conocimiento personales Orientado a documentos / espacios de trabajo
Búsqueda web Sólida Disponible Secundaria a la búsqueda de documentos
Profundidad de recuperación Búsqueda híbrida + RAG agéntica Bi-encoder + reranking Flujo de RAG integrado
Modelos locales Sí Sí Sí
Ideal para Conocimiento de toda la empresa Segundo cerebro personal Preguntas y respuestas fáciles sobre documentos privados

Elige Onyx cuando la información esté dispersa en muchas aplicaciones del equipo y los permisos sean importantes.

Elige Khoj cuando el conocimiento pertenezca principalmente a una persona y el objetivo sea crear un entorno privado de memoria e investigación con capacidad de búsqueda.

Elige AnythingLLM cuando la prioridad sea poner en marcha rápidamente un flujo de búsqueda de documentos local con un trabajo mínimo de infraestructura.

Búsqueda web frente a búsqueda de conocimiento privado

Uno de los errores más comunes en esta categoría es tratar la búsqueda web y la RAG privada como si fueran intercambiables.

Resuelven problemas de recuperación distintos.

Pregunta La mejor capa de recuperación
¿Qué pasó hoy? Búsqueda web en tiempo real
¿Qué dice nuestra política interna? Búsqueda de documentos privados
¿Qué cambió en este proyecto? Búsqueda en aplicaciones / repositorios conectados
¿Qué dice la investigación más reciente? Investigación profunda + búsqueda web / académica
¿Qué escribí sobre esto hace seis meses? Búsqueda de conocimiento personal

Una pila madura de búsqueda con IA combina cada vez más ambos:

               Web
                \
Archivos privados ----> Capa de recuperación ----> LLM ----> Respuesta con citas
                /
Aplicaciones conectadas

Por eso productos como Onyx, Khoj, SurfSense y Open WebUI están ampliando su alcance más allá de las aplicaciones RAG tradicionales.

¿Qué herramientas de búsqueda de IA autoalojadas pueden funcionar con Ollama?

Varias herramientas de esta lista pueden trasladar la capa de inferencia del LLM a Ollama o a otro servidor de modelos local.

Herramienta Ruta del modelo local Pila de búsqueda local habitual
Vane Ollama Vane + SearXNG + Ollama
Morphic Ollama / proveedores compatibles Morphic + SearXNG + Ollama
Onyx Ollama, LiteLLM, vLLM Onyx + conectores + modelo local
Khoj Puntos de conexión locales o compatibles con OpenAI Khoj + recuperación local + modelo local
SurfSense Ollama, LM Studio SurfSense + conectores + modelo local
Open WebUI Ollama Open WebUI + SearXNG + Ollama
Investigador profundo local Ollama, LM Studio Agente de investigación + motor de búsqueda + modelo local
AnythingLLM Ollama, LM Studio, LocalAI AnythingLLM + incrustaciones locales + base de datos vectorial local

La salvedad importante es que la inferencia local no permite buscar en la web en tiempo real sin conexión.

Una pila como esta:

Vane
 |
SearXNG
 |
Ollama

puede mantener el LLM, la orquestación de búsqueda, el historial y los datos de la aplicación en tu hardware, pero SearXNG sigue necesitando acceder a servicios de búsqueda externos cuando consultas sobre la web en tiempo real.

Una configuración verdaderamente aislada de la red solo funciona con conocimientos ya almacenados localmente; por eso AnythingLLM, RAGFlow, Khoj y otros sistemas para documentos privados cobran mayor relevancia.

Cómo crear una pila de búsqueda de IA autoalojada con SearXNG y Ollama

Para un laboratorio doméstico, una de las arquitecturas más limpias consiste en separar la búsqueda, la inferencia y el almacenamiento:

Navegador
   |
Aplicación de búsqueda con IA
Vane / Morphic / Open WebUI
   |
+--+-------------------+
|                      |
SearXNG              Ollama
|                      |
Web en tiempo real             LLM local
|
Internet

Almacenamiento privado
PDF / Notas / Documentos / Caché / Índices

Esta separación te da flexibilidad. Puedes sustituir Vane por Morphic sin reemplazar SearXNG. Puedes actualizar el modelo que se ejecuta en Ollama sin reconstruir la aplicación de búsqueda. Puedes mantener el archivo de documentos y los índices en almacenamiento persistente aunque cambien los contenedores de la aplicación.

Esta arquitectura encaja de forma natural con un laboratorio doméstico de IA local, donde el almacenamiento, los servicios Docker, los índices de búsqueda, las bases de datos vectoriales y los entornos de ejecución de modelos pueden estar en el mismo servidor o repartirse por la LAN.

Un servidor ligero puede alojar la búsqueda y la recuperación de información de forma continua, mientras una máquina más potente con GPU ejecuta el LLM:

Servidor siempre activo            Estación de trabajo con GPU
      |                           |
 Aplicación de búsqueda con IA                  Ollama
 SearXNG                         vLLM
 Base de datos vectorial                        |
 Documentos  <------ LAN ---------+

Esto puede ser más práctico que obligar a todos los servicios a ejecutarse en un único equipo sobredimensionado.

¿Cuánto hardware necesita la búsqueda de IA autoalojada?

La aplicación de búsqueda en sí no suele ser la parte más exigente de la pila.

El uso de recursos proviene de varias capas distintas:

Capa Recurso principal Por qué importa
Búsqueda web Red + CPU Consulta y analiza varias fuentes externas
Inferencia de LLM RAM / VRAM Genera respuestas y resúmenes de investigación
Embeddings CPU / GPU + RAM Indexa documentos privados
Base de datos vectorial RAM + almacenamiento Almacena y busca embeddings
Análisis de documentos CPU + almacenamiento Procesa PDF, archivos de oficina, OCR y metadatos
Historial de búsqueda / caché Almacenamiento Conserva conversaciones, resultados y el estado de la investigación

Una configuración sencilla de Vane + SearXNG puede funcionar con mucho menos hardware que una implementación grande de RAGFlow que indexe millones de fragmentos de documentos.

El modelo suele ser la variable más importante. Si usas un modelo alojado, el servidor de búsqueda puede seguir siendo relativamente ligero. Si Ollama ejecuta un modelo local de razonamiento más grande, los requisitos de RAM y aceleradores aumentan rápidamente.

Las recomendaciones actuales de AnythingLLM ilustran bien esta diferencia: la aplicación en sí puede ser ligera, mientras que una mejor experiencia con modelos locales se beneficia de más memoria y capacidad de GPU. El mismo principio se aplica a la mayoría de las opciones de esta lista.

Autoalojado no significa automáticamente privado

Esta es la comprobación de privacidad más importante de toda la categoría.

Ejecutar la aplicación en Docker es solo una capa.

Capa Pregunta que debes hacer
Motor de búsqueda ¿Quién recibe la consulta web?
LLM ¿Dónde se procesan las instrucciones y los pasajes recuperados?
Embeddings ¿Sale el texto de los documentos del servidor durante la indexación?
Base de datos vectorial ¿Dónde se almacenan los índices semánticos?
Aplicaciones conectadas ¿A qué servicios externos puede acceder la plataforma de búsqueda?
Telemetría ¿Qué información de uso sale de la instancia?
Historial de búsqueda ¿Dónde se almacenan las consultas y las respuestas generadas?

En las búsquedas de documentos privados, es especialmente fácil pasar por alto la capa de embeddings.

Un flujo de trabajo puede usar un LLM local y aun así enviar cada fragmento de un PDF privado a una API de embeddings en la nube. Eso no equivale a una pila RAG totalmente local.

Si el objetivo es la privacidad, revisa todo el recorrido:

Documento
   |
Analizador
   |
Modelo de embeddings
   |
Base de datos vectorial
   |
Recuperador
   |
LLM
   |
Responder

La guía de ZimaSpace sobre bases de conocimiento locales profundiza en por qué el almacenamiento, los embeddings, la búsqueda vectorial y las reglas de evidencia son importantes cuando el objetivo es realizar búsquedas privadas a largo plazo y no chatear una sola vez sobre un archivo.

La búsqueda con IA se está convirtiendo en investigación profunda

El mayor cambio de 2026 es que la búsqueda se está volviendo iterativa.

El antiguo flujo de búsqueda con IA era así:

Pregunta
   |
Buscar una vez
   |
Resumir
   |
Responder

El nuevo flujo de investigación se parece cada vez más a esto:

Pregunta
   |
Buscar
   |
Leer
   |
Identificar pruebas faltantes
   |
Buscar de nuevo
   |
Comparar fuentes
   |
Perfeccionar la pregunta
   |
Buscar de nuevo
   |
Sintetizar
   |
Informe con citas

Local Deep Researcher hace explícito este patrón, pero la misma tendencia se observa en la investigación profunda de Onyx, en espacios de trabajo orientados a la investigación como SurfSense y en los modos de «calidad» o adaptativos que aparecen en los motores de respuestas modernos.

Este cambio importa para el autoalojamiento porque la investigación profunda exige más que una búsqueda común. Genera más solicitudes de búsqueda, más texto recuperado, contextos más largos, más llamadas al modelo y un estado de investigación más amplio.

La ventaja es que un servidor local de búsqueda con IA puede llegar a ser mucho más que una alternativa privada a Google. Puede convertirse en una capa de investigación siempre activa, tanto para la web pública como para tus propios datos.

Otras herramientas de búsqueda con IA autoalojadas que conviene seguir

Farfalle sigue siendo un proyecto de búsqueda con IA de código abierto que merece la pena seguir, con SearXNG, Ollama, LiteLLM y compatibilidad con búsquedas orientadas a agentes. Se solapa mucho con Vane y Morphic, por lo que no entró en los 10 primeros puestos.

También hay cada vez más herramientas especializadas para la búsqueda académica, la búsqueda de código, los conectores empresariales, la búsqueda vectorial y los espacios de trabajo al estilo de NotebookLM. La categoría está creciendo tan rápido que «el mejor motor de búsqueda con IA» resulta cada vez menos útil que preguntarse qué problema de recuperación necesitas resolver.

Veredicto final

Elige Vane si quieres la experiencia de búsqueda autoalojada al estilo de Perplexity más directa, con SearXNG y Ollama.

Elige Morphic si te interesa una interfaz de búsqueda generativa más completa y una implementación más parecida a la de una aplicación.

Elige Onyx si lo que realmente necesitas buscar es conocimiento de la empresa repartido entre muchas herramientas y repositorios.

Elige Khoj si quieres una capa de búsqueda personal para tus archivos privados y la web.

Elige SurfSense cuando la búsqueda forme parte de un flujo de trabajo más amplio de investigación, notas, conectores y automatización.

Elige Open WebUI si ya tienes una pila local de IA basada en Ollama y solo quieres añadir búsqueda web y RAG local a la interfaz que ya utilizas.

Elige Local Deep Researcher cuando la tarea requiera búsquedas repetidas, reflexión y recopilación de pruebas, en lugar de una respuesta rápida.

Elige RAGFlow cuando la privacidad en el análisis de documentos, la ingesta, la calidad de recuperación y el RAG a mayor escala sean más importantes que la experiencia de búsqueda web.

Elige AnythingLLM para la forma más sencilla de buscar documentos privados con modelos locales, embeddings locales y RAG integrado.

Elige SearXNG si quieres controlar el propio backend de búsqueda web y conectar esa capa de búsqueda con varias aplicaciones de IA locales.

Por lo tanto, la pila de búsqueda con IA autoalojada más útil no tiene por qué ser una sola aplicación. A menudo, es un sistema modular en el que la búsqueda, la recuperación, la inferencia, el almacenamiento privado y las citas pueden evolucionar de forma independiente.

Preguntas frecuentes

¿Cuál es el mejor motor de búsqueda con IA autoalojado en 2026?

Vane es una de las opciones más completas para un motor de respuestas autoalojado al estilo de Perplexity, ya que combina respuestas web con citas, SearXNG, implementación con Docker e inferencia local mediante Ollama. Morphic es una alternativa sólida cuando la interfaz de búsqueda y la interfaz generativa son más importantes.

¿Cuál es la mejor alternativa de código abierto a Perplexity?

Vane y Morphic son dos de las alternativas de código abierto autoalojadas más similares. Vane se centra en responder con privacidad mediante SearXNG y modelos locales, mientras que Morphic destaca por su interfaz generativa y sus proveedores de búsqueda flexibles.

¿Perplexica sigue activo?

El proyecto conocido anteriormente como Perplexica ha seguido desarrollándose bajo el nombre de Vane. Quienes busquen la versión actual deberían evaluar Vane en vez de confiar en guías de instalación antiguas de Perplexica.

¿Puedo buscar en la web con IA completamente sin conexión?

No, si necesitas información actualizada de la web en tiempo real. Puedes mantener en local el modelo de IA, la aplicación, el historial y la coordinación de las búsquedas, pero un backend de búsqueda web sigue necesitando acceso a Internet para obtener páginas actuales o resultados de motores de búsqueda. La búsqueda totalmente sin conexión solo es posible con datos que ya estén almacenados localmente.

¿Puedo usar SearXNG con Ollama?

Sí. SearXNG proporciona resultados de búsqueda y Ollama permite ejecutar inferencias con LLM de forma local. Aplicaciones como Vane, Morphic, Open WebUI y Local Deep Researcher pueden conectarlos y convertir los resultados de búsqueda en respuestas generadas por IA.

¿Qué herramienta de búsqueda con IA autoalojada es mejor para documentos privados?

AnythingLLM es una de las opciones más sencillas para hacer preguntas y respuestas sobre documentos locales. RAGFlow es más adecuado para la ingesta compleja y los sistemas RAG de mayor envergadura, mientras que Onyx es más potente cuando los documentos están repartidos en muchas aplicaciones de toda la organización.

¿Qué herramienta de búsqueda con IA autoalojada es mejor para un equipo?

Onyx es la opción más adecuada de esta lista para las búsquedas en toda una empresa, porque combina conectores, recuperación híbrida, RAG, búsqueda web, agentes y administración orientada a equipos. SurfSense es otra buena opción si el flujo de trabajo está más centrado en la investigación.

¿Cuál es la diferencia entre la búsqueda con IA y RAG?

La búsqueda con IA es una experiencia de usuario más amplia que permite recuperar información y generar respuestas. RAG es una arquitectura de recuperación que se usa para fundamentar un LLM en contexto externo pertinente. Una herramienta de búsqueda con IA autoalojada puede usar RAG para documentos privados, búsquedas web en tiempo real para información actual o ambas cosas.

¿Necesito una base de datos vectorial para la búsqueda con IA autoalojada?

No para las búsquedas web habituales en tiempo real. Las bases de datos vectoriales son útiles cuando necesitas realizar búsquedas semánticas en documentos privados, notas, repositorios u otros conocimientos persistentes. Herramientas como AnythingLLM, RAGFlow, Onyx y Khoj usan capas de recuperación que van más allá de la búsqueda web convencional.

¿Cuál es la diferencia entre Vane y SearXNG?

SearXNG es un backend de metabúsqueda que devuelve resultados. Vane es un motor de respuestas con IA que puede usar SearXNG para obtener resultados y luego emplea un LLM para sintetizarlos en una respuesta con citas.

¿La búsqueda con IA autoalojada puede usar modelos locales y en la nube?

Sí. Muchas herramientas de esta lista son compatibles con ambos. Esto permite una arquitectura híbrida en la que las búsquedas habituales usan Ollama de forma local, mientras que las tareas de investigación más difíciles se pueden derivar a un modelo alojado cuando sea necesario.

¿Qué debería autoalojar primero: el modelo de IA o el motor de búsqueda?

Si la principal preocupación es la privacidad de los documentos privados, empieza por el modelo, los embeddings y el índice de documentos. Si la principal preocupación es la privacidad de las consultas web, empieza por un backend de búsqueda autoalojado, como SearXNG. Para tener el máximo control, autoaloja ambas capas.

Centro de tecnología e IA

Más para leer

Get More Builds Like This

Stay in the Loop

Get updates from Zima - new products, exclusive deals, and real builds from the community.

Stay in the Loop preferences

We respect your inbox. Unsubscribe anytime.