Vane alternativa open source a Perplexity: guida Docker (2026)

Vane (precedentemente noto come Perplexica) è un motore di risposta open source e self-hosted progettato come alternativa privata a Perplexity AI. Combina il meta-motore di ricerca locale SearXNG con modelli locali eseguiti tramite Ollama o modelli commerciali accessibili via chiavi API, restituendo risposte basate sul web corredate di citazioni senza canoni mensili. È possibile distribuirlo in locale con Docker Compose in circa cinque minuti, sebbene l'esecuzione di modelli avanzati richieda hardware dedicato e una manutenzione costante degli endpoint di scraping dei motori di ricerca.

Perché Vane sta guadagnando popolarità proprio ora

L'interesse degli sviluppatori per i motori di ricerca self-hosted è cresciuto rapidamente con l'aumento dei costi di abbonamento e delle preoccupazioni relative alla privacy. Perplexity Pro costa $20 al mese (o $200 all'anno a novembre 2026), e tutte le query transitano interamente su server cloud proprietari. Per sviluppatori, ricercatori e utenti attenti alla riservatezza che gestiscono documentazione interna o dati sensibili, inviare ogni query a una piattaforma commerciale rappresenta un ostacolo insormontabile di conformità.

Il progetto, creato dallo sviluppatore ItzCrazyKns, si chiamava originariamente Perplexica e ha raccolto oltre 18.000 stelle su GitHub prima del rebranding in Vane. Il cambio di nome riflette un ampliamento degli obiettivi: fungere da strumento di navigazione personalizzabile tra i dati web, piuttosto che presentarsi come semplice clone di un prodotto esistente. Consente infatti di collegare i propri modelli preferiti, personalizzare i backend di ricerca e mantenere il pieno controllo sulla cronologia delle interrogazioni.

Come configurare ed eseguire Vane con Docker

Per configurare Vane è necessario un computer su cui siano installati Git, Docker e Docker Compose. Serve inoltre un fornitore di inferenza: un'istanza locale di Ollama in esecuzione sulla macchina oppure chiavi API di provider come Anthropic, OpenAI o Google.

Passaggio 1: Clonare il repository

Apri il terminale e clona il repository ufficiale:

git clone https://github.com/ItzCrazyKns/Vane.git
cd Vane

Se in precedenza avevi clonato ItzCrazyKns/Perplexica, aggiornare l'URL del remote verso il nuovo repository di Vane permetterà alla tua build di puntare alle versioni più recenti.

Passaggio 2: Configurare l'ambiente

Copia il file di configurazione di esempio creando il file di configurazione attivo:

cp sample.config.toml config.toml

Apri config.toml nel tuo editor di codice. Questo file controlla il backend di ricerca web, i provider dei modelli e le mappature delle porte.

Se utilizzi Ollama, assicurati che il relativo endpoint punti alla tua macchina host:

[GENERAL]
PORT = 3000
SIMILARITY_MEASURE = "cosine"

[MODELS.OLLAMA]
API_URL = "http://host.docker.internal:11434"

Se invece utilizzi chiavi API commerciali al posto dei pesi locali, inserisci le tue credenziali nei rispettivi blocchi dei provider:

[MODELS.OPENAI]
API_KEY = "sk-your-openai-api-key"

[MODELS.ANTHROPIC]
API_KEY = "sk-ant-your-anthropic-api-key"

Passaggio 3: Avviare lo stack Docker

Vane raggruppa l'interfaccia utente web, l'applicazione backend e un'istanza del meta-motore SearXNG. Avvia tutti i servizi in background:

docker compose up -d

Docker scarica le immagini necessarie dei container, configura SearXNG e avvia il server Vane. Puoi monitorare i log di avvio eseguendo docker compose logs -f.

Passaggio 4: Accedere all'interfaccia e scegliere una modalità di ricerca

Una volta completata l'inizializzazione dei container, apri il browser all'indirizzo http://localhost:3000.

Vane include modalità di ricerca specializzate che modificano il modo in cui SearXNG raccoglie le informazioni e il modo in cui il modello linguistico formatta le risposte:

• Ricerca Web: Ricerca web generale tramite i motori configurati in SearXNG.
• Ricerca accademica: Esegue query mirate su articoli scientifici e server di preprint accademici.
• Assistente di scrittura: Disattiva il recupero web per generare testo basandosi solo sul modello.
• Ricerca YouTube: Cerca nelle trascrizioni dei video per estrarre citazioni e momenti precisi.
• Ricerca Reddit: Esegue lo scraping di discussioni pubbliche per raccogliere pareri degli utenti.

I punti di attrito nascosti del self-hosting di Vane

Anche se l'idea di eseguire un motore di ricerca privato è allettante, ospitare Vane in autonomia comporta compromessi pratici che spesso sorprendono chi proviene da strumenti gestiti.

1. Limiti di frequenza e blocchi IP su SearXNG

Vane si affida a SearXNG per recuperare risultati in tempo reale tramite scraping su motori principali come Google, Bing e DuckDuckGo. I motori di ricerca pubblici rilevano e bloccano attivamente le richieste provenienti da indirizzi IP di data center o query residenziali ad alta frequenza.

Senza configurare proxy residenziali a rotazione, le istanze di SearXNG incontrano spesso CAPTCHA, verifiche antibot o blocchi silenziosi della frequenza delle richieste. Quando SearXNG non riesce a estrarre frammenti web, Vane finisce per allucinare risposte prive di citazioni attuali.

2. Vincoli hardware per i modelli locali

Eseguire Vane completamente offline richiede l'hosting locale di un modello linguistico tramite Ollama. Modelli compatti come Llama 3.1 8B o Qwen 2.5 7B funzionano agevolmente su computer portatili consumer con 8-16 GB di RAM, ma spesso faticano a sintetizzare con precisione informazioni distribuite su più pagine web estese. Capita di frequente che perdano riferimenti di citazione o attribuiscano dati in modo errato.

Modelli di ragionamento di fascia frontier capaci di competere con Perplexity Pro, come i modelli da 70B parametri, richiedono almeno 48 GB di memoria unificata su Apple Silicon o GPU dedicate di fascia alta.

3. I costi delle API a consumo salgono rapidamente

Molti utenti superano i limiti dell'hardware locale collegando a Vane le chiavi API di Anthropic o OpenAI. Tuttavia, i motori di ricerca immettono una quantità notevole di contesto in ciascuna richiesta.

Ogni ricerca recupera diverse pagine web di testo estratto. In una conversazione su più turni, inviare nuovamente l'intero contesto di ricerca a ogni messaggio successivo può consumare migliaia di token di input a scambio. Un ricercatore che effettua 20 o 30 ricerche approfondite al giorno con chiavi API commerciali può spendere facilmente da $25 a $50 al mese, annullando il vantaggio economico rispetto a un abbonamento a tariffa fissa.

4. Recupero a passaggio singolo rispetto alla ricerca approfondita a più passaggi

Vane opera con un approccio a passaggio singolo: riceve la query, invia un set di termini a SearXNG, analizza i primi risultati e genera la risposta.

Non esegue una ricerca approfondita autonoma. Se l'argomento di ricerca richiede di esplorare più percorsi alternativi, confrontare affermazioni contrastanti su 20 o più pagine o seguire collegamenti nidificati per diversi minuti, Vane si arresta dopo i risultati iniziali.

Quando usare Zemith per la ricerca multi-modello

Per ricercatori, fondatori e professionisti che desiderano una ricerca web approfondita basata su modelli frontier, senza l'onere di mantenere container Docker, risolvere problemi di proxy su SearXNG o gestire fatturazioni separate per le API, Zemith offre un'alternativa immediata e priva di configurazione.

Zemith unisce la scelta tra modelli frontier alla ricerca autonoma e all'esportazione di documenti:

• Modelli di punta inclusi: Passa liberamente tra Claude 5.5 Sonnet, GPT 6.1 Sol, Gemini 4 Argon e Perplexity Sonar all'interno della stessa conversazione con il piano Plus ($15,99 al mese o $179,88 all'anno).
• Ricerca approfondita autonoma: Invece di una singola scansione di ricerca, l'agente Deep Research di Zemith formula un piano di indagine dettagliato, richiede la tua approvazione e analizza circa 24 fonti in background per un massimo di 10 minuti. Il processo continua anche se chiudi il browser o l'app mobile, fornendo un report completo con note a piè di pagina al costo di 100.000 crediti a esecuzione.
• Esportazione in file Office completi: Anziché copiare tabelle markdown grezze, puoi generare e scaricare documenti Word nativi (.docx), fogli di calcolo Excel (.xlsx) o presentazioni (.pptx) direttamente dalla chat di ricerca.
• Integrazione con la libreria: Salva articoli scientifici, trascrizioni e fonti web in un Progetto Libreria con una capienza massima di 50 fonti, permettendoti di esaminare materiali complessi con citazioni precise ad active-recall.

Vane self-hosted vs Perplexity Pro vs Zemith

La scelta più adatta dipende dalle priorità individuali: isolamento di rete a fiducia zero, un motore di ricerca pronto all'uso oppure una piattaforma di ricerca multi-modello che genera documenti rifiniti.

Perché Perplexica ha cambiato nome in Vane?

Lo sviluppatore, ItzCrazyKns, ha rinominato Perplexica in Vane per costruire un'identità open source autonoma, evitando di apparire per sempre come un semplice clone di Perplexity AI. Una banderuola segnavento (wind vane) indica la direzione quando soffia il vento; il nome riflette uno strumento che orienta gli utenti verso risposte accurate in mezzo alla confusione dei dati web.

Il repository sottostante su github.com/ItzCrazyKns/Vane conserva la stessa base di codice, la licenza originale e la struttura di deployment con Docker, ricevendo aggiornamenti continui per le modalità di ricerca e gli estrattori web.

Di quale hardware hai bisogno per eseguire Vane con Ollama?

Per eseguire Vane in modo efficiente su hardware locale senza ricorrere a chiavi API cloud, i requisiti di sistema dipendono dalle dimensioni del modello selezionato:

• Minimo (modelli da 8B come Llama 3.1 8B): CPU a 8 core, 16 GB di RAM di sistema (o 8 GB di VRAM su GPU NVIDIA) e 20 GB di spazio libero su disco. Le risposte saranno veloci, ma la sintesi avanzata su più fonti tenderà a trascurare diversi dettagli.
• Consigliato (modelli da 14B a 32B come Qwen 2.5 32B): Apple Silicon con 32 GB di memoria unificata o GPU dedicata con almeno 16 GB di VRAM.
• Livello frontier (modelli da 70B): Apple Silicon con almeno 64 GB di memoria unificata, oppure configurazione a doppia GPU con 48 GB totali di VRAM.

Se il computer non rispetta queste specifiche, l'esecuzione di modelli locali si tradurrà in una generazione lenta dei token ed errori di esaurimento della memoria durante la sintesi delle ricerche.

Come si confronta Vane con Perplexity Pro per la ricerca?

Perplexity Pro rimane sensibilmente più potente per la ricerca esplorativa complessa rispetto a un'installazione standard di Vane. Perplexity gestisce un'infrastruttura di indicizzazione e scraping su scala web proprietaria, aggirando i CAPTCHA e i sistemi antibot che spesso penalizzano le istanze SearXNG.

Inoltre, Perplexity Pro include una funzione di ricerca approfondita automatica che interroga il web in modo ricorsivo per chiarire risposte ambigue. Vane esegue invece un solo ciclo di prompt e ricerca. A meno di sviluppare orchestrazioni personalizzate, Vane non può pianificare, ramificare ed elaborare autonomamente dossier multipagina attingendo a decine di siti diversi.

Per i ricercatori che valutano alternative a Perplexity Pro, la nostra analisi su Perplexity vs ChatGPT per la ricerca illustra il confronto su accuratezza delle citazioni e ragionamento a più passaggi tra le principali piattaforme.

Quando conviene ospitare Vane autonomamente invece di usare un tool gestito?

Il self-hosting di Vane è la scelta ottimale se rientri in una di queste due categorie:

1. Ambienti isolati o strettamente riservati: Se lavori con cartelle cliniche, prove legali o codice sorgente proprietario che non possono transitare su reti terze per motivi di conformità, Vane abbinato a un'istanza locale di Ollama garantisce che nessun pacchetto dati lasci la rete locale.
2. Appassionati di homelab: Se ti appassiona configurare servizi self-hosted, gestire istanze SearXNG, ottimizzare pool di proxy e monitorare container Docker, Vane è un progetto open source stimolante e molto versatile.

Tuttavia, se il tuo obiettivo principale è ottenere ricerche approfondite e corredate di citazioni in tempi rapidi, senza dover riconfigurare bridge di rete Docker, risolvere query bloccate o vedere i token API non memorizzati nella cache erodere il credito, un servizio multi-modello gestito si rivela notevolmente più produttivo.

Conclusione

Vane è un traguardo open source notevole che dimostra come sia possibile effettuare ricerche AI self-hosted e documentate con citazioni su hardware consumer. Per i sostenitori della massima privacy e gli sviluppatori homelab, rappresenta una solida base per costruire motori di risposta privati.

Per la ricerca accademica, commerciale e tecnica di tutti i giorni, la manutenzione continua degli endpoint di scraping di SearXNG e gli elevati requisiti hardware del ragionamento frontier locale rendono il self-hosting un impegno impegnativo.

Se cerchi l'accesso a modelli frontier come Claude 5.5 Sonnet e Gemini 4 Argon, unito a una funzione automatizzata di Deep Research e al download nativo di documenti Office, Zemith Plus offre un ambiente di ricerca completo a $15,99 al mese, sollevandoti da qualsiasi onere infrastrutturale. Scopri come si posiziona Zemith rispetto ai motori di ricerca autonomi nel nostro confronto tra Zemith e Perplexity.