DeerFlow安装配置及使用案例-EW帮帮网

DeerFlow安装配置及使用案例

简介

DeerFlow项目由字节跳动技术团队发起和主导开发，作为一个开源深度研究框架，于2025年年初正式开源。该项目基于LangStack生态，构建于LangChain与LangGraph的开源技术栈之上，充分利用语言模型和专业的工具集成，目标是推动深度研究工作自动化。其设计思想和技术实现产生于字节跳动内部对高效研究流程的需求，强调社区驱动与贡献回馈。

项目目标

DeerFlow旨在提供一个多智能体（Multi-Agent）系统框架，自动化处理复杂的研究任务。通过整合语言模型与网页搜索、爬虫、Python代码执行等多种专用工具，实现端到端自动化的信息采集、分析与报告生成。目标用户包括科研人员、开发者及学生，适合学术研究、市场分析和代码分析等多场景应用。项目力求减少人工干预，提高研究效率，支持动态规划和人机协作。

核心功能

多智能体架构：包括协调器、规划器、研究团队和报告员等模块，分工明确，协作完成复杂任务。
语言模型集成：支持多种大型语言模型接入，包括开源模型与OpenAI API接口，借助litellm库进行统一管理。
网络搜索与爬虫：支持多搜索引擎（如Tavily、DuckDuckGo、Brave Search）以丰富信息源，具备网页爬取能力。
Python代码执行环境：可运行代码完成数据处理和分析。
人机协作：允许用户用自然语言实时修改研究计划和生成内容，支持AI辅助的报告编辑和润色。
内容生成：自动生成研究报告，可进一步转化为播客音频和文字版PPT，支持文本到语音（TTS）功能，生成高质量语音内容，借助火山引擎的音色技术。
开发与调试工具：配备LangGraph Studio可视化调试 workflow，Replay系统支持多轮对话快速回放。
跨平台界面：具备Web UI和控制台UI，提升用户体验。

架构

DeerFlow 实现了一个模块化的多智能体系统架构，专为自动化研究和代码分析而设计。该系统基于 LangGraph 构建，实现了灵活的基于状态的工作流，其中组件通过定义良好的消息传递系统进行通信。

安装DeerFlow

# 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 安装依赖，uv将负责Python解释器和虚拟环境的创建，并安装所需的包
uv sync

# 使用您的API密钥配置.env
# Tavily: https://app.tavily.com/home
# Brave_SEARCH: https://brave.com/search/api/
# 火山引擎TTS: 如果您有TTS凭证，请添加
cp .env.example .env

# 查看下方的"支持的搜索引擎"和"文本转语音集成"部分了解所有可用选项

# 为您的LLM模型和API密钥配置conf.yaml
# 请参阅'docs/configuration_guide.md'获取更多详情
cp conf.yaml.example conf.yaml

# 安装marp用于PPT生成
# https://github.com/marp-team/marp-cli?tab=readme-ov-file#use-package-manager
brew install marp-cli

可选，通过pnpm安装 Web UI 依赖：

cd deer-flow/web
pnpm install

配置

配置.env中的搜索引擎API Key

TAVILY_API_KEY=tvly-xxx

配置conf.yaml中的模型配置

conf.yaml

# [!NOTE]
# Read the `docs/configuration_guide.md` carefully, and update the configurations to match your specific settings and requirements.
# - Replace `api_key` with your own credentials
# - Replace `base_url` and `model` name if you want to use a custom model

BASIC_MODEL:
  base_url: https://ark.cn-beijing.volces.com/api/v3
  model: "doubao-1-5-pro-32k-250115"
  api_key: xxxx

安装 Web UI 依赖

cd deer-flow/web
pnpm install

启动

控制台 UI

uv run main.py

Web UI

# 在开发模式下同时运行后端和前端服务器
# 在macOS/Linux上
./bootstrap.sh -d

# 在Windows上
bootstrap.bat -d

访问

示例

询问

DeerFlow是什么项目？

Start research

开始搜索

总结内容

接入MCP

接一个高德地图的MCP Server

{
  "mcpServers": {
    "amap-amap-sse": {
      "url": "https://mcp.amap.com/sse?key=xxxxx"
    }
  }
}

# demo1
我在上海浦东新区浦星公路，我朋友在黄浦区打浦桥地铁站， 请帮我准荐几个离两个人比较近，方便停车的咖啡馆， 并给出咖啡馆的具体信息。
# demo2
我明天需要从上海去杭州特讯网络大厦参加会议，会议时间是明天下午1.30分以及后天9.30   帮我规划下行程住宿

demo1：

demo2:

LangGraph Studio

使用下面命令安装依赖并启动一个基于 LangGraph 的开发服务器

uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking

PPT生成

去长沙旅游的介绍

生成的PPT只有文字

Docker

确保.env和.conf.yaml文件已准备就绪。

并且web目录下的存在.env文件

cp web/.env.example web/.env

构建镜像

docker compose build

启动

docker compose up

⚠️ 注意：部署到公网时需要在构建前端的时候要在构建参数上填写后端server地址：

比如：docker buildx build --platform linux/amd64 --build-arg NEXT_PUBLIC_API_URL=http://xxxxxx/api -f Dockerfile -t deer-flow:frontend-latest .

DeerFlow安装配置及使用案例