I 10 migliori strumenti di ricerca IA self-hosted nel 2026

Eva Wong è la redattrice tecnica e appassionata di tecnologia di ZimaSpace. Geek da sempre, appassionata di homelab e software open source, è specializzata nel tradurre concetti tecnici complessi in guide pratiche. Eva crede che l’hosting autonomo debba essere divertente, non intimidatorio. Attraverso i suoi tutorial, aiuta la community a comprendere meglio le configurazioni hardware, dalla costruzione del primo NAS alla padronanza dei container Docker.

La ricerca AI self-hosted non consiste più solo nel «eseguire un clone di Perplexity su Docker». Nel 2026, la categoria comprende ormai motori di risposta sul web, ricerca in documenti privati, agenti per la ricerca approfondita, ricerca nella knowledge base aziendale e backend di ricerca locali.

La scelta giusta dipende da cosa vuoi davvero tenere sotto il tuo controllo: la query di ricerca, il modello, i tuoi file, gli embedding, l’indice di ricerca o l’intera pipeline di recupero. Questi 10 strumenti coprono i principali modi per creare autonomamente questo stack.

Cosa significa davvero «ricerca AI self-hosted»?

Uno strumento di ricerca AI self-hosted può indicare diverse cose.

Tipo di ricerca Cosa cerca Architettura tipica
Motore di risposta sul web Il web in tempo reale Backend di ricerca + LLM + citazioni
Ricerca nelle conoscenze private Documenti, note, unità, app Acquisizione + embedding + recupero + LLM
Agente di ricerca approfondita Più ricerche sul web nel tempo Cerca → rifletti → cerca di nuovo → sintetizza
Backend di ricerca Più motori di ricerca tradizionali API di metaricerca che alimenta un livello AI

La distinzione è importante, perché eseguire l’interfaccia web sul tuo server non rende automaticamente privata l’intera procedura di ricerca.

Puoi ospitare autonomamente il frontend e inviare comunque le query a un LLM commerciale e a un’API di ricerca ospitata:

Browser
   |
Interfaccia di ricerca self-hosted
   |
   +--- LLM cloud
   |
   +--- API di ricerca ospitata

Oppure puoi trasferire quasi tutto lo stack sulla tua infrastruttura:

Browser
   |
Ricerca AI self-hosted
   |
   +--- SearXNG
   +--- Ollama
   +--- Embedding locali
   +--- Indice di ricerca locale
   +--- File privati

È nella seconda architettura che la ricerca AI self-hosted diventa particolarmente rilevante per una knowledge base locale. La ricerca non serve più solo a trovare pagine su Internet: può anche diventare il livello di recupero per documenti, archivi di ricerca, file di progetto e dati operativi privati.

Come abbiamo classificato i migliori strumenti di ricerca AI self-hosted

Non è una classifica basata sulle stelle di GitHub e questi strumenti non risolvono tutti lo stesso problema di ricerca.

La classifica si basa su sette fattori pratici: quanto lo stack possa essere self-hosted, la qualità dell’architettura di ricerca e recupero delle informazioni, il supporto per i modelli locali, le citazioni e il fondamento delle risposte nelle fonti, la ricerca nei dati privati, la difficoltà di implementazione e la rilevanza attuale del progetto nel 2026.

Distinguiamo anche tra «self-hosted» e «completamente locale». Uno strumento può essere installato sul tuo server e continuare comunque a chiamare OpenAI, Anthropic, Tavily, Brave, Exa o un altro provider esterno. Può comunque essere utile, ma offre un modello di privacy diverso da quello basato su Ollama + embedding locali + backend di ricerca self-hosted.

I 10 migliori strumenti di ricerca AI self-hosted a colpo d’occhio

Classifica Strumento Tipo di ricerca Ricerca sul web File privati LLM locale Ideale per
1 Vane Motore di risposta sul web Sì Sì Ollama Ricerca in stile Perplexity self-hosted
2 Morphic Motore di risposta sul web Sì Sì Ollama Interfaccia di ricerca generativa
3 Onyx Ricerca nella knowledge base aziendale Sì Sì Ollama, LiteLLM, vLLM Ricerca per team e aziende
4 Khoj Conoscenze personali + ricerca sul web Sì Sì API locali / compatibili Secondo cervello personale
5 SurfSense Workspace di ricerca Sì Sì Ollama, LM Studio Flussi di ricerca connessi
6 Open WebUI Workspace AI + ricerca Sì Sì Ollama Aggiungere la ricerca a un'interfaccia IA locale esistente
7 Local Deep Researcher Agente di ricerca approfondita Sì Limitata Ollama, LM Studio Ricerca iterativa in locale
8 RAGFlow Ricerca nei documenti / RAG Secondaria Sì Opzioni per modelli self-hosted Ricerca complessa in documenti privati
9 AnythingLLM Ricerca nei documenti privati Secondaria Sì Ollama, LM Studio, LocalAI Domande e risposte semplici sui documenti locali
10 SearXNG Backend di metaricerca Sì No Non applicabile Backend di ricerca privato per l'IA locale

1. Vane — Il miglior motore di ricerca IA self-hosted in assoluto

Anteprima

Vane, precedentemente noto come Perplexica, è una delle risposte più dirette alla domanda «Che cosa posso ospitare autonomamente al posto di Perplexity?»

Combina un backend di ricerca con un livello di risposta basato su LLM e fornisce risposte fondate su fonti citate. Il progetto attualmente supporta l'inferenza locale tramite Ollama e provider ospitati, tra cui OpenAI, Anthropic Claude, Google Gemini e Groq.

Il suo livello di ricerca è basato su SearXNG, quindi Vane non deve dipendere da una singola API di ricerca commerciale. L'immagine Docker consigliata può includere SearXNG insieme all'applicazione, mentre una distribuzione leggera può collegarsi a un'istanza SearXNG già presente altrove nella rete.

Vane separa anche il comportamento di ricerca in modalità per risposte rapide, uso equilibrato e ricerche più approfondite. Può cercare risultati generali sul Web, discussioni e fonti accademiche, invece di trattare tutte le query allo stesso modo.

Domanda dell'utente
     |
     v
    Vane
     |
 +---+----+
 |        |
SearXNG  Ollama
 |        |
Web      LLM locale
 +---+----+
     |
Risposta con fonti

Ecco perché Vane è al primo posto: soddisfa pienamente il classico caso d'uso della ricerca basata sull'IA, lasciando al contempo a chi gestisce un sistema self-hosted il controllo sia della ricerca che dell'inferenza.

Ideale per: chi desidera un motore di risposta privato e self-hosted, simile a Perplexity, con citazioni e supporto per Ollama.

Compromesso: la ricerca sul Web richiede comunque l'accesso a Internet in uscita e l'uso di provider LLM cloud modifica il modello di privacy, anche se l'applicazione Vane è in esecuzione in locale.

2. Morphic — La migliore ricerca IA self-hosted per un'interfaccia generativa

Morphic ha diversi punti in comune con Vane: entrambi possono combinare la ricerca sul Web con risposte generate da LLM, citazioni, distribuzione tramite Docker, Ollama e SearXNG.

La differenza sta nella presentazione e nell'interazione.

Morphic si descrive come un motore di ricerca basato sull'IA con un interfaccia generativa. Invece di limitare ogni risposta al semplice Markdown, l'interfaccia può trasmettere componenti più ricchi, come sezioni corredate da immagini, griglie, intestazioni e altri blocchi di risultati strutturati.

Il livello di ricerca attualmente supporta SearXNG, Tavily, Brave ed Exa. Per la selezione dei modelli si possono usare OpenAI, Anthropic, Google, Ollama, Vercel AI Gateway o provider compatibili con OpenAI.

La configurazione Docker è particolarmente comoda perché Docker Compose può avviare Morphic, PostgreSQL, Redis e SearXNG insieme. Questo la rende una delle opzioni migliori per chi desidera un'applicazione di ricerca locale completa senza dover configurare ogni servizio a mano.

Ideale per: chi vuole un’esperienza di ricerca rifinita in stile Perplexity, con interfacce generate più ricche e provider di ricerca flessibili.

Compromesso: lo stack è più pesante di una configurazione minima di Vane, perché l’esperienza completa include PostgreSQL, Redis, autenticazione, cronologia e ulteriori servizi applicativi.

3. Onyx — La migliore ricerca con IA self-hosted per i team e le conoscenze aziendali

Dimostrazione silenziosa di Onyx Chat

Onyx appartiene a una categoria diversa da Vane e Morphic.

La sua domanda centrale non è “Che cosa dice il web?”. È:

“Che cosa sa già la nostra organizzazione?”

Onyx combina recupero ibrido, RAG, ricerca approfondita, agenti, ricerca sul web e un ampio ecosistema di connettori. Può indicizzare informazioni provenienti da applicazioni e repository interni e, quando necessario, cercare anche sul web in tempo reale.

Il progetto supporta oltre 50 connettori per l’indicizzazione e può collegarsi a strumenti come Slack, Google Drive, GitHub, Jira, Confluence e altri sistemi aziendali. La Community Edition include le funzionalità principali di chat, RAG, agenti e azioni, mentre le organizzazioni più grandi possono aggiungere funzionalità aziendali di gestione delle identità e governance.

Supporta anche infrastrutture di modelli self-hosted come Ollama, LiteLLM e vLLM, senza obbligare a far passare tutti i risultati di ricerca attraverso un unico LLM ospitato.

Slack -------\
Drive --------\
GitHub --------> Onyx ----> Ricerca / RAG / Ricerca approfondita
Confluence ---/
Web ----------/

È molto più simile a un livello di ricerca self-hosted in stile Glean che a un semplice clone di Perplexity.

Ideale per: team che vogliono un unico livello di ricerca e risposte per documenti aziendali, app, repository e web.

Compromesso: Onyx offre molte più funzionalità di quelle necessarie a un singolo utente il cui unico obiettivo sia la ricerca privata sul web.

4. Khoj — La migliore ricerca personale con IA per il web e i file privati

Chat dimostrativa

Khoj occupa, per gli utenti privati, lo spazio a cui si rivolge Onyx per le organizzazioni.

Combina documenti privati, informazioni dal web, ricerca semantica, agenti e conoscenze personali in un ambiente self-hostable simile a un “secondo cervello”.

L’architettura di ricerca è più articolata di una semplice ricerca vettoriale. La documentazione di Khoj descrive un flusso di recupero in due fasi, in cui un bi-encoder recupera documenti candidati e un cross-encoder più lento li riordina in base alla query corrente.

Questo è importante perché una buona ricerca con l’IA non consiste solo nel generare embedding. La qualità del recupero dipende dalla capacità di trovare un numero sufficiente di candidati e poi classificare le prove più pertinenti prima che vengano mostrate al modello LLM.

Khoj può usare modelli di ricerca locali e endpoint compatibili con OpenAI, comprese le configurazioni compatibili con Ollama, il che lo rende adatto a un sistema personale di gestione privata delle conoscenze.

Ideale per: chi vuole cercare note, file, documenti e contenuti sul web da un unico spazio di lavoro personale con IA self-hosted.

Compromesso: è progettato più per la gestione delle conoscenze personali e i flussi di lavoro con assistenti che per l'indicizzazione e la gestione delle autorizzazioni aziendali su larga scala.

5. SurfSense — Il miglior spazio di lavoro AI self-hosted per la ricerca

Chatta con PDF e documenti

SurfSense si intende meglio come uno spazio di lavoro connesso per la ricerca che come un'altra casella di ricerca.

La piattaforma self-hosted può collegare fonti informative, creare una base di conoscenze consultabile e supportare flussi di lavoro dedicati a ricerca, note, automazioni e agenti. La documentazione attuale include connettori per servizi come Notion, Slack, Google, Jira e altre fonti di conoscenza esterne.

Documenta anche i collegamenti a modelli locali tramite Ollama e LM Studio, consentendo di mantenere il livello applicativo e quello di inferenza sotto il controllo dell'utente.

Questo rende SurfSense particolarmente interessante quando la «ricerca» è solo una fase di un flusso di lavoro più lungo:

Raccogli fonti
      |
Indicizza le conoscenze
      |
Cerca / chiedi
      |
Genera note
      |
Esegui l'automazione
      |
Continua la ricerca

Ideale per: ricercatori e team che gestiscono molte conoscenze e vogliono ricerca, fonti collegate, note e automazione in un unico spazio di lavoro self-hosted.

Compromesso: se vuoi solo risposte rapide dal web con citazioni, Vane o Morphic sono soluzioni più semplici e mirate.

6. Open WebUI — Il modo migliore per aggiungere la ricerca a uno stack di AI locale esistente

Guarda la demo di Open WebUI

Open WebUI non è principalmente un motore di ricerca, e questa distinzione va chiarita.

Il suo punto di forza è che molti utenti di AI locale lo usano già come interfaccia davanti a Ollama o ad altri server di modelli. Per loro, aggiungere la ricerca nello spazio di lavoro AI esistente può essere più pratico che implementare un'applicazione di ricerca separata.

Open WebUI supporta attualmente la ricerca web tramite un'ampia gamma di provider, tra cui SearXNG, Brave, DuckDuckGo, Tavily, Exa, Kagi, Perplexity, Jina, Bing e diversi altri motori.

La guida ufficiale all'integrazione con SearXNG mostra come un container SearXNG locale separato possa diventare il livello di ricerca per Open WebUI.

La stessa applicazione supporta anche la RAG locale su documenti caricati e raccolte di documenti, consentendo di combinare il recupero dal web e quello da file privati in un'unica interfaccia.

Ideale per: utenti che usano già Ollama + Open WebUI e vogliono aggiungere la ricerca web self-hosted senza passare a un motore di risposta dedicato.

Compromesso: poiché Open WebUI è uno spazio di lavoro AI generico, il comportamento della ricerca dipende molto dalle chiamate agli strumenti del modello, dalle dimensioni del contesto, dalle impostazioni di recupero e dalla configurazione del provider di ricerca selezionato.

7. Local Deep Researcher — Il miglior agente di ricerca approfondita completamente locale

Schermata 2025-01-24 sera 10:08:31

Local Deep Researcher mostra la direzione che sta prendendo la ricerca basata sull'IA, oltre i motori di risposta con una sola query.

Il progetto usa un LLM locale tramite Ollama o LM Studio per generare una query di ricerca, raccogliere risultati dal web, riepilogarli, individuare le lacune di conoscenza rimanenti, creare un'altra query e ripetere il ciclo prima di generare un rapporto finale con citazioni.

Domanda
   |
Genera una ricerca
   |
Cerca sul web
   |
Riassumi
   |
Individua le lacune nella conoscenza
   |
Cerca di nuovo
   |
Ripeti
   |
Rapporto finale con citazioni

Per impostazione predefinita, la ricerca può usare DuckDuckGo, con integrazioni opzionali per SearXNG, Tavily o Perplexity.

Questo lo distingue da Vane o Morphic. Questi strumenti sono ottimizzati per la ricerca interattiva e l'esperienza utente delle risposte. Local Deep Researcher è ottimizzato per la ricerca iterativa.

Ideale per: domande di ricerca per cui è improbabile che una sola ricerca faccia emergere prove sufficienti e in cui l'agente dovrebbe effettuare deliberatamente un'altra ricerca dopo aver individuato le lacune.

Compromesso: i cicli ripetuti di ricerca e riepilogo sono più lenti e richiedono più risorse di calcolo rispetto a un normale motore di risposta, soprattutto quando l'LLM viene eseguito in locale.

8. RAGFlow — Il migliore per la ricerca complessa nei documenti privati

RAGFlow non cerca principalmente di competere con Perplexity.

È una piattaforma di recupero che trasforma dati privati complessi in contesto affidabile per gli LLM.

Il progetto attuale combina RAG end-to-end con analisi dei documenti, pipeline di acquisizione orchestrate, flussi di lavoro per agenti, supporto MCP e sincronizzazione dei dati da fonti come Confluence, S3, Notion, Discord e Google Drive.

Questo lo rende più adatto a domande come:

«Come posso cercare in migliaia di PDF, file di Office, documenti interni e fonti di conoscenza collegate, ottenendo risultati affidabili?»

anziché:

«Che cosa è successo oggi sul web?»

RAGFlow continua inoltre a evolversi come livello di contesto per gli agenti. Nel 2026 ha aggiunto una skill ufficiale per accedere ai dataset di RAGFlow tramite OpenClaw, mostrando come la ricerca nei documenti stia passando da chat RAG isolate a un'infrastruttura riutilizzabile per gli agenti.

Per approfondire questo livello, la guida di ZimaSpace alla ricerca nei documenti e alla RAG suddivide il flusso di lavoro in estrazione, suddivisione in blocchi, embedding, ricerca vettoriale, riordinamento e generazione di risposte basate su prove.

Ideale per: raccolte di documenti più ampie e team che necessitano di processi avanzati di acquisizione, analisi, recupero e gestione della conoscenza.

Compromesso: RAGFlow è molto più pesante di una semplice applicazione locale per chattare con i documenti ed è eccessivo se la tua base di conoscenze comprende solo poche cartelle.

9. AnythingLLM — La migliore ricerca self-hosted e semplice per documenti privati

Chat

AnythingLLM si colloca tra le soluzioni di ricerca IA privata più accessibili.

Può acquisire documenti, creare spazi di lavoro ed embedding, recuperare il contesto pertinente, mostrare citazioni delle fonti e connettersi a modelli locali o cloud, senza richiedere agli utenti di assemblare uno stack RAG con componenti separati.

Il supporto ai modelli locali include Ollama, LM Studio, LocalAI e modelli compatibili con llama.cpp. Anche il livello di embedding può rimanere locale e il progetto supporta diversi database vettoriali, tra cui LanceDB, Chroma, Qdrant, Weaviate, Milvus e PGVector.

I termini sulla privacy del self-hosting di AnythingLLM sono insolitamente espliciti: documenti, cronologie, impostazioni degli spazi di lavoro ed embedding restano su infrastrutture gestite dall'utente e l'applicazione può funzionare senza connessione quando si scelgono modelli locali e componenti vettoriali locali.

Questo lo rende un ponte naturale tra «parla con i miei documenti» e un flusso di lavoro di IA locale più completo.

Ideale per: utenti che desiderano una semplice applicazione locale per la ricerca nei documenti e la RAG, senza gestire una piattaforma di recupero delle informazioni più complessa.

Compromesso: è più facile da implementare di RAGFlow o Onyx, ma questa semplicità significa anche che non è la scelta migliore per l'indicizzazione a livello aziendale o l'orchestrazione avanzata della ricerca.

10. SearXNG — Il miglior backend di ricerca privato per l'IA locale

SearXNG - Wikipedia

SearXNG è il caso a parte, perché non è un motore di risposta basato sull'IA.

È un motore di metaricerca self-hosted che aggrega risultati da ben 272 servizi di ricerca, evitando al contempo il tracciamento e la profilazione degli utenti.

Questo lo rende uno dei componenti infrastrutturali più importanti dell'ecosistema di ricerca IA self-hosted.

Vane può usare SearXNG. Morphic può usare SearXNG. Open WebUI può usare SearXNG. Local Deep Researcher può usare SearXNG.

Il suo ruolo è semplice:

Richiesta dell'utente
    |
SearXNG
    |
Risultati di ricerca grezzi
    |
LLM locale
    |
Risposta IA con citazioni

Ospitare autonomamente il backend di ricerca separa il livello di recupero delle informazioni dal livello delle risposte. Puoi cambiare LLM senza cambiare il motore di ricerca oppure cambiare le applicazioni per le risposte mantenendo la stessa infrastruttura di ricerca.

Ideale per: utenti che desiderano un backend di metaricerca privato simile a Google, che possa alimentare Vane, Open WebUI, Morphic, agenti di ricerca o applicazioni di IA locale personalizzate.

Compromesso: SearXNG non riassume, ragiona o genera risposte con citazioni autonomamente. Se vuoi un'esperienza simile a Perplexity, serve un livello IA che lo affianchi.

Quale strumento di ricerca IA self-hosted dovresti scegliere?

Se vuoi... Inizia con Perché
Un'alternativa privata a Perplexity Vane Motore di risposta web self-hosted e mirato con SearXNG e Ollama
Un'interfaccia di ricerca generativa più ricca Morphic Interfaccia generativa + provider di ricerca flessibili
Ricerca nella conoscenza del team Onyx Vasto ecosistema di connettori, ricerca ibrida e RAG
Cerca nei file personali e sul web Khoj Ricerca nella conoscenza personale con recupero locale
Uno spazio di lavoro connesso per la ricerca SurfSense Ricerca, fonti, note, connettori e automazioni
Aggiungi la ricerca a uno stack di chat con Ollama Open WebUI Ricerca modulare in una familiare interfaccia IA locale
Indagine web in più passaggi Local Deep Researcher Cerca, riflette, individua le lacune e cerca di nuovo
Recupero complesso di documenti aziendali RAGFlow Acquisizione avanzata e architettura RAG
Domande e risposte semplici sui documenti privati AnythingLLM App local-first con pipeline integrate per i documenti e archivi vettoriali
Un backend di ricerca privato SearXNG Livello di metaricerca riutilizzabile per molte applicazioni IA

Vane vs Morphic: quale alternativa self-hosted a Perplexity è migliore?

Vane e Morphic sono le due opzioni più immediate se il tuo modello mentale è «Voglio Perplexity, ma sul mio server».

Ambito Vane Morphic
Obiettivo principale Motore di risposta IA incentrato sulla privacy Ricerca IA con interfaccia generativa
SearXNG Percorso di ricerca principale Supportato e incluso in Docker Compose
Ollama Sì Sì
Modelli cloud Sì Sì
File Sì Sì
Citazioni Sì Sì
Modalità di ricerca Velocità, equilibrato, qualità Veloce, adattivo
Ideale per Motore di risposta privato e mirato Esperienza di ricerca e presentazione dei risultati più ricca

Scegli Vane se la priorità è un motore di risposta privato e mirato, con un’architettura semplice basata su SearXNG + Ollama.

Scegli Morphic se l’interfaccia di ricerca è importante e vuoi risultati generativi più ricchi, cronologia, autenticazione e un’esperienza più simile a un’applicazione.

Onyx vs Khoj vs AnythingLLM per la ricerca nella conoscenza privata

Tutti e tre possono cercare informazioni private, ma sono pensati per implementazioni molto diverse.

Ambito Onyx Khoj AnythingLLM
Utente principale Team / organizzazione Singolo utente Singolo utente o piccolo team
App collegate Ecosistema di connettori completo Fonti di conoscenza personali Orientato ai documenti e agli spazi di lavoro
Ricerca web Elevata Disponibile Secondario rispetto alla ricerca nei documenti
Profondità del recupero Ricerca ibrida + RAG agentico Bi-encoder + riordino dei risultati Pipeline RAG integrata
Modelli locali Sì Sì Sì
Ideale per Conoscenza aziendale Secondo cervello personale Domande e risposte semplici sui documenti privati

Scegli Onyx se le informazioni sono distribuite in molte app del team e le autorizzazioni sono importanti.

Scegli Khoj se la conoscenza appartiene principalmente a una sola persona e l’obiettivo è creare un ambiente privato di memoria e ricerca consultabile.

Scegli AnythingLLM se la priorità è avviare rapidamente un flusso di lavoro per la ricerca nei documenti locali, con il minimo intervento sull’infrastruttura.

Ricerca sul web vs ricerca nella conoscenza privata

Uno degli errori più comuni in questa categoria è considerare la ricerca sul web e il RAG privato come intercambiabili.

Risolvono problemi di recupero diversi.

Domanda Miglior livello di recupero
Cosa è successo oggi? Ricerca sul web in tempo reale
Cosa dice la nostra policy interna? Ricerca nei documenti privati
Cosa è cambiato in questo progetto? Ricerca nelle app e nei repository collegati
Cosa dice la ricerca più recente? Ricerca approfondita + ricerca sul web / accademica
Cosa ho scritto su questo argomento sei mesi fa? Ricerca nella conoscenza personale

Un moderno stack di ricerca IA combina sempre più spesso entrambe le funzionalità:

               Web
                \
File privati ----> Livello di recupero ----> LLM ----> Risposta con citazioni
                /
App collegate

Per questo prodotti come Onyx, Khoj, SurfSense e Open WebUI stanno diventando più completi delle tradizionali applicazioni RAG.

Quali strumenti di ricerca AI self-hosted possono funzionare con Ollama?

Diversi strumenti di questo elenco possono spostare il livello di inferenza dell'LLM su Ollama o su un altro server di modelli locali.

Strumento Percorso del modello locale Stack di ricerca locale tipico
Vane Ollama Vane + SearXNG + Ollama
Morphic Ollama / provider compatibili Morphic + SearXNG + Ollama
Onyx Ollama, LiteLLM, vLLM Onyx + connettori + modello locale
Khoj Endpoint locali o compatibili con OpenAI Khoj + recupero locale + modello locale
SurfSense Ollama, LM Studio SurfSense + connettori + modello locale
Open WebUI Ollama Open WebUI + SearXNG + Ollama
Local Deep Researcher Ollama, LM Studio Agente di ricerca + backend di ricerca + modello locale
AnythingLLM Ollama, LM Studio, LocalAI AnythingLLM + embedding locali + database vettoriale locale

La precisazione importante è che l'inferenza locale non rende offline la ricerca web in tempo reale.

Uno stack come:

Vane
 |
SearXNG
 |
Ollama

può mantenere l'LLM, l'orchestrazione della ricerca, la cronologia e i dati dell'applicazione sul tuo hardware, ma SearXNG deve comunque raggiungere servizi di ricerca esterni quando fai domande sul web in tempo reale.

Una configurazione completamente isolata dalla rete funziona solo per le conoscenze già archiviate in locale: è qui che AnythingLLM, RAGFlow, Khoj e altri sistemi per documenti privati diventano più pertinenti.

Come creare uno stack di ricerca AI self-hosted con SearXNG e Ollama

Per un homelab, una delle architetture più semplici consiste nel separare ricerca, inferenza e archiviazione:

Browser
   |
App di ricerca AI
Vane / Morphic / Open WebUI
   |
+--+-------------------+
|                      |
SearXNG              Ollama
|                      |
Web in tempo reale             LLM locale
|
Internet

Archiviazione privata
PDF / Note / Documenti / Cache / Indici

Questa separazione offre flessibilità. Puoi sostituire Vane con Morphic senza sostituire SearXNG. Puoi aggiornare il modello eseguito in Ollama senza ricostruire l'applicazione di ricerca. Puoi mantenere l'archivio dei documenti e gli indici su uno spazio di archiviazione permanente anche quando cambiano i container dell'applicazione.

Questa architettura si adatta naturalmente a un homelab AI locale, in cui archiviazione, servizi Docker, indici di ricerca, database vettoriali e ambienti di esecuzione dei modelli possono risiedere sullo stesso server o essere distribuiti sulla LAN.

Un server leggero può ospitare continuamente la ricerca e il recupero delle informazioni, mentre una macchina più potente con GPU esegue l'LLM:

Server sempre acceso            Workstation con GPU
      |                           |
 App di ricerca AI                  Ollama
 SearXNG                         vLLM
 Database vettoriale                        |
 Documenti  <------ LAN ---------+

Può essere più pratico che concentrare tutti i servizi in un unico server sovradimensionato.

Di quanto hardware ha bisogno la ricerca AI self-hosted?

Di solito, l'applicazione di ricerca non è la parte più esigente dello stack.

L'uso delle risorse dipende da diversi livelli:

Livello Risorsa principale Perché è importante
Ricerca web Rete + CPU Interroga e analizza più fonti esterne
Inferenza LLM RAM / VRAM Genera risposte e riepiloghi di ricerca
Embedding CPU / GPU + RAM Indicizza documenti privati
Database vettoriale RAM + archiviazione Archivia e ricerca gli embedding
Analisi dei documenti CPU + archiviazione Elabora PDF, file di Office, OCR e metadati
Cronologia delle ricerche / cache Archiviazione Conserva conversazioni, risultati e stato della ricerca

Una configurazione semplice con Vane + SearXNG può funzionare con hardware molto meno potente di quello necessario per una grande installazione di RAGFlow che indicizza milioni di blocchi di documenti.

Il modello è di solito la variabile più importante. Se usi un modello ospitato, il server di ricerca può restare relativamente leggero. Se Ollama esegue un modello di ragionamento locale più grande, i requisiti di RAM e di accelerazione crescono rapidamente.

Le indicazioni attuali di AnythingLLM illustrano bene questa distinzione: l'applicazione in sé può essere leggera, mentre un'esperienza migliore con i modelli locali beneficia di più memoria e maggiore capacità GPU. Lo stesso principio vale per la maggior parte degli strumenti di questo elenco.

Self-hosted non significa automaticamente privato

Questo è il controllo della privacy più importante dell'intera categoria.

Eseguire l'applicazione in Docker è solo un livello.

Livello Domanda da porsi
Backend di ricerca Chi riceve la query web?
LLM Dove vengono elaborati i prompt e i passaggi recuperati?
Embedding Il testo dei documenti esce dal server durante l'indicizzazione?
Database vettoriale Dove vengono archiviati gli indici semantici?
App collegate A quali servizi esterni può accedere la piattaforma di ricerca?
Telemetria Quali informazioni sull'utilizzo escono dall'istanza?
Cronologia delle ricerche Dove vengono salvate le query e le risposte generate?

Nella ricerca di documenti privati, è particolarmente facile trascurare il livello degli embedding.

Un flusso di lavoro può usare un LLM locale, ma inviare comunque ogni blocco di un PDF privato a un'API cloud per gli embedding. Non equivale a uno stack RAG completamente locale.

Se l'obiettivo è la privacy, verifica l'intero percorso:

Documento
   |
Parser
   |
Modello di embedding
   |
Database vettoriale
   |
Sistema di recupero
   |
LLM
   |
Rispondi

La guida di ZimaSpace alle basi di conoscenza locali approfondisce i motivi per cui archiviazione, embedding, ricerca vettoriale e criteri di valutazione delle prove sono tutti importanti quando l'obiettivo è una ricerca privata a lungo termine, anziché una conversazione occasionale sui file.

La ricerca con IA si sta trasformando in ricerca approfondita

Il cambiamento più importante del 2026 è che la ricerca sta diventando iterativa.

Il vecchio flusso di ricerca con IA era:

Domanda
   |
Cerca una volta
   |
Riassumi
   |
Rispondi

Il nuovo flusso di ricerca assomiglia sempre più a questo:

Domanda
   |
Cerca
   |
Leggi
   |
Individua le prove mancanti
   |
Cerca di nuovo
   |
Confronta le fonti
   |
Affina la domanda
   |
Cerca di nuovo
   |
Sintetizza
   |
Report con citazioni

Local Deep Researcher rende esplicito questo modello, ma la stessa tendenza è visibile nella ricerca approfondita di Onyx, in spazi di lavoro orientati alla ricerca come SurfSense e nelle modalità «qualità» o adattive che compaiono nei moderni motori di risposta.

Questo cambiamento è importante per il self-hosting perché la ricerca approfondita richiede più risorse di una ricerca normale. Genera più richieste di ricerca, più testo recuperato, contesti più lunghi, più chiamate al modello e uno stato di ricerca più ampio.

Il vantaggio è che un server di ricerca AI locale può diventare molto più di un’alternativa privata a Google. Può diventare un livello di ricerca sempre attivo, che copre sia il web pubblico sia i tuoi dati.

Altri strumenti di ricerca AI self-hosted da tenere d’occhio

Farfalle resta un progetto di ricerca AI open source da tenere d’occhio, con SearXNG, Ollama, LiteLLM e supporto alla ricerca basata su agenti. Si sovrappone in larga misura a Vane e Morphic, motivo per cui non rientra tra i primi 10 strumenti principali.

Esistono anche strumenti sempre più specializzati per la ricerca accademica, la ricerca di codice, i connettori aziendali, la ricerca vettoriale e gli ambienti di lavoro in stile NotebookLM. La categoria si sta ampliando così rapidamente che «miglior motore di ricerca AI» è una domanda sempre meno utile rispetto a chiedersi quale problema di recupero delle informazioni occorre davvero risolvere.

Verdetto finale

Scegli Vane se vuoi l’esperienza di ricerca self-hosted in stile Perplexity più immediata, con SearXNG e Ollama.

Scegli Morphic se ti interessa un’interfaccia di ricerca generativa più ricca e una distribuzione più simile a quella di un’applicazione.

Scegli Onyx se vuoi cercare davvero le conoscenze aziendali distribuite tra numerosi strumenti e repository.

Scegli Khoj se vuoi un livello di ricerca personale per i tuoi file privati e il web.

Scegli SurfSense quando la ricerca fa parte di un flusso di lavoro più ampio che comprende ricerca approfondita, appunti, connettori e automazione.

Scegli Open WebUI se hai già uno stack AI locale basato su Ollama e vuoi semplicemente aggiungere la ricerca sul web e il RAG locale all’interfaccia che già usi.

Scegli Local Deep Researcher quando servono ricerche ripetute, riflessione e raccolta di prove, invece di una singola risposta rapida.

Scegli RAGFlow quando l’analisi privata dei documenti, l’acquisizione, la qualità del recupero e il RAG su larga scala sono più importanti dell’esperienza di ricerca sul web.

Scegli AnythingLLM per il modo più semplice di cercare documenti in privato usando modelli locali, embedding locali e RAG integrato.

Scegli SearXNG se vuoi gestire direttamente il backend di ricerca web e integrare questo livello di ricerca in più applicazioni AI locali.

Lo stack di ricerca AI self-hosted più utile, quindi, non è necessariamente una singola applicazione. Spesso è un sistema modulare in cui ricerca, recupero, inferenza, archiviazione privata e citazioni possono evolversi in modo indipendente.

Domande frequenti

Qual è il miglior motore di ricerca AI self-hosted nel 2026?

Vane è una delle migliori opzioni in assoluto per un motore di risposta self-hosted in stile Perplexity, perché combina risposte dal web con citazioni, SearXNG, distribuzione tramite Docker e inferenza locale tramite Ollama. Morphic è un’ottima alternativa quando contano di più l’interfaccia di ricerca e l’interfaccia utente generativa.

Qual è la migliore alternativa open source a Perplexity?

Vane e Morphic sono due delle alternative open source self-hosted più simili. Vane si concentra su risposte orientate alla privacy con SearXNG e modelli locali, mentre Morphic punta sull’interfaccia utente generativa e su provider di ricerca flessibili.

Perplexica è ancora attivo?

Il progetto precedentemente noto come Perplexica è proseguito con il nome di Vane. Chi cerca la versione attuale dovrebbe valutare Vane, anziché affidarsi a guide d’installazione obsolete di Perplexica.

Posso eseguire ricerche AI sul web completamente offline?

No, non se ti servono informazioni aggiornate dal web in tempo reale. Puoi mantenere in locale il modello AI, l’applicazione, la cronologia e l’orchestrazione delle ricerche, ma un backend di ricerca web ha comunque bisogno di accedere a Internet per recuperare pagine aggiornate o risultati dei motori di ricerca. La ricerca completamente offline è possibile solo sui dati già archiviati in locale.

Posso usare SearXNG con Ollama?

Sì. SearXNG fornisce risultati di ricerca, mentre Ollama esegue l’inferenza LLM in locale. Applicazioni come Vane, Morphic, Open WebUI e Local Deep Researcher possono fungere da intermediari e trasformare i risultati di ricerca in risposte generate dall’AI.

Qual è il miglior strumento di ricerca AI self-hosted per i documenti privati?

AnythingLLM è una delle opzioni più semplici per fare domande e ottenere risposte sui documenti in locale. RAGFlow è più adatto all’acquisizione di dati complessa e ai sistemi RAG di grandi dimensioni, mentre Onyx è più indicato quando i documenti sono distribuiti su molte applicazioni aziendali.

Qual è il miglior strumento di ricerca AI self-hosted per un team?

Onyx è lo strumento più adatto di questo elenco per la ricerca aziendale, perché combina connettori, recupero ibrido, RAG, ricerca web, agenti e gestione orientata ai team. Anche SurfSense è una buona opzione quando il flusso di lavoro è incentrato maggiormente sulla ricerca.

Qual è la differenza tra ricerca AI e RAG?

La ricerca AI è un’esperienza d’uso più ampia che consiste nel recuperare informazioni e generare una risposta. RAG è un’architettura di recupero usata per fornire a un LLM un contesto esterno pertinente. Uno strumento di ricerca AI self-hosted può usare RAG per i documenti privati, la ricerca web per le informazioni aggiornate o entrambe.

Mi serve un database vettoriale per la ricerca AI self-hosted?

Non per le normali ricerche web in tempo reale. I database vettoriali diventano utili quando servono ricerche semantiche su documenti privati, note, repository o altre fonti di conoscenza persistenti. Strumenti come AnythingLLM, RAGFlow, Onyx e Khoj usano livelli di recupero che vanno oltre la normale ricerca sul web.

Qual è la differenza tra Vane e SearXNG?

SearXNG è un backend di metaricerca che restituisce risultati di ricerca. Vane è un motore di risposta basato sull’AI che può usare SearXNG per recuperare i risultati, poi utilizza un LLM per sintetizzarli in una risposta corredata di citazioni.

La ricerca AI self-hosted può usare sia modelli locali sia modelli cloud?

Sì. Molti strumenti di questo elenco supportano entrambi. Questo permette di creare un’architettura ibrida in cui le ricerche di routine usano Ollama in locale, mentre le attività di ricerca più complesse possono essere indirizzate, quando necessario, a un modello ospitato.

Cosa dovrei ospitare autonomamente per primo: il modello AI o il motore di ricerca?

Se la principale preoccupazione è la privacy dei documenti privati, inizia dal modello, dagli embeddings e dall’indice dei documenti. Se invece la principale preoccupazione è la privacy delle ricerche sul web, inizia con un backend di ricerca self-hosted come SearXNG. Per avere il massimo controllo, ospita autonomamente entrambi i livelli.

Hub di tecnologia e IA

Altre letture

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.