DeerFlow 深度研究框架来啦！快点体验吧

DeerFlow（Deep Exploration and Efficient Research Flow）是一个社区驱动的深度研究框架，它建立在开源社区的杰出工作基础之上。目标是将语言模型与专业工具（如网络搜索、爬虫和Python代码执行）相结合。

github.com/bytedance/d…

关键要点

• 模块化架构：DeerFlow采用基于LangGraph的模块化多智能体系统，支持灵活的工作流设计与状态管理。
• 核心技术整合：集成了LLM、MCP协议、多种搜索引擎（Tavily、DuckDuckGo等）及文本转语音功能。
• 应用场景广泛：适用于市场趋势分析、学术研究、内容创作和演示文稿生成等多样化任务。
• 社区与生态活跃：使用Python和Node.js技术栈，文档较为完整，社区活跃度持续提升。
• 本地部署便捷：提供Web UI和控制台UI两种交互方式，便于开发者快速上手和调试。

---

概述

DeerFlow是由字节跳动开源的多智能体深度研究框架，旨在通过自动化流程实现端到端的研究任务。该框架融合了大型语言模型（LLM）、MCP协议、网络搜索、代码执行等多种能力，构建了一个可扩展、可调试、可视化的研究平台。

DeerFlow不仅在技术层面展现出高度灵活性，还通过模块化设计使不同组件（如协调器、规划器、研究团队）协同工作，从而提高研究效率。同时，其丰富的工具集成和对人机协作的支持，使其在实际应用中具备广泛的适应性。

---

详细分析

架构设计与核心组件

组件名称	功能描述	特点
协调器	管理整个工作流生命周期的入口点	负责启动、暂停、终止流程
规划器	执行任务分解与路径规划	支持动态调整策略
研究团队	多个专业Agent组成的执行单元	并行处理复杂子任务
报告员	输出研究成果并生成最终报告	支持结构化数据输出

DeerFlow的核心架构基于LangGraph实现，支持可视化调试和实时状态追踪，提升了开发与调试效率。

LangGraph集成机制

DeerFlow利用LangGraph作为其底层工作流引擎：

• 使用langgraph.json配置文件定义图结构与依赖关系
• 自动加载.env中的环境变量
• 提供Studio UI进行可视化调试
• 支持用户提交研究主题后查看执行流程

这种方式使得DeerFlow具备强大的流程控制能力，适用于需要多阶段推理与决策的任务。

工具集成与扩展能力

工具类型	集成说明	可选方案
LLM	LangChain集成	支持主流开源与闭源模型
搜索引擎	支持Tavily（默认）、DuckDuckGo、Brave Search、Arxiv	.env配置切换
文本转语音	基于火山引擎TTS API	支持自定义音频参数
MCP协议	实现私有域访问与知识图谱扩展	支持定制化插件

这些工具的集成增强了DeerFlow在信息获取、数据处理和内容呈现方面的能力。

Web UI与交互体验

• 基于Node.js构建的Web界面
• 默认访问地址为 http://localhost:3000
• 提供更直观的操作界面与流程展示
• 支持与LangGraph Studio联动调试

这一特性降低了非技术用户的学习门槛，也提高了开发者调试效率。

本地部署与安装指南

推荐部署步骤如下：

1. 安装Python环境（建议3.9+）
2. （可选）使用pnpm安装前端依赖
3. 启动LangGraph服务器
4. 访问Studio UI进行调试
5. 使用控制台UI快速运行任务

项目提供了完整的README.md和示例配置，便于快速部署。

典型应用场景

应用场景	描述	示例
市场趋势分析	分析金融资产价格波动	比特币价格波动研究
学术术语解析	对特定术语进行多维度解释	MCP协议含义解析
内容创作	自动生成研究报告、播客、PPT	科技趋势年度报告
数据可视化	整合图表、数据表与文字	行业调研结果展示

这些场景展示了DeerFlow在多领域的适用性，尤其适合需要结合AI推理与外部数据源的研究任务。

• 埃菲尔铁塔与最高建筑相比有多高？
• GitHub 上最热门的仓库有哪些？
• 撰写关于南京传统美食的文章
• 如何装饰租赁公寓？
• 访问我们的官方网站探索更多回放示例。

---

快速开始

DeerFlow 使用 Python 开发，并配有用 Node.js 编写的 Web UI。为确保顺利的设置过程，我们推荐使用以下工具：

推荐工具

• uv: 简化 Python 环境和依赖管理。uv会自动在根目录创建虚拟环境并为您安装所有必需的包—无需手动安装 Python 环境。

• nvm: 轻松管理多个 Node.js 运行时版本。

• pnpm: 安装和管理 Node.js 项目的依赖。

环境要求

确保您的系统满足以下最低要求：

• Python: 版本 3.12+
• Node.js: 版本 22+

安装

# 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

请参阅配置指南获取更多详情。

[!注意] 在启动项目之前，请仔细阅读指南，并更新配置以匹配您的特定设置和要求。

控制台 UI

运行项目的最快方法是使用控制台 UI。

# 在类bash的shell中运行项目
uv run main.py

Web UI

本项目还包括一个 Web UI，提供更加动态和引人入胜的交互体验。

[!注意] 您需要先安装 Web UI 的依赖。

# 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

打开浏览器并访问http://localhost:3000探索 Web UI。

在web目录中探索更多详情。

支持的搜索引擎

DeerFlow 支持多种搜索引擎，可以在.env文件中通过SEARCH_API变量进行配置：

• Tavily（默认）：专为 AI 应用设计的专业搜索 API

  • 需要在.env文件中设置TAVILY_API_KEY
  • 注册地址：app.tavily.com/home

• DuckDuckGo：注重隐私的搜索引擎

  • 无需 API 密钥

• Brave Search：具有高级功能的注重隐私的搜索引擎

  • 需要在.env文件中设置BRAVE_SEARCH_API_KEY
  • 注册地址：brave.com/search/api/

• Arxiv：用于学术研究的科学论文搜索

  • 无需 API 密钥
  • 专为科学和学术论文设计

要配置您首选的搜索引擎，请在.env文件中设置SEARCH_API变量：

# 选择一个：tavily, duckduckgo, brave_search, arxiv
SEARCH_API=tavily

特性

核心能力

• 🤖 LLM 集成
  • 通过litellm支持集成大多数模型
  • 支持开源模型如 Qwen
  • 兼容 OpenAI 的 API 接口
  • 多层 LLM 系统适用于不同复杂度的任务

工具和 MCP 集成

• 🔍 搜索和检索

  • 通过 Tavily、Brave Search 等进行网络搜索
  • 使用 Jina 进行爬取
  • 高级内容提取

• 🔗 MCP 无缝集成

  • 扩展私有域访问、知识图谱、网页浏览等能力
  • 促进多样化研究工具和方法的集成

人机协作

• 🧠 人在环中

  • 支持使用自然语言交互式修改研究计划
  • 支持自动接受研究计划

• 📝 报告后期编辑

  • 支持类 Notion 的块编辑
  • 允许 AI 优化，包括 AI 辅助润色、句子缩短和扩展
  • 由tiptap提供支持

内容创作

• 🎙️ 播客和演示文稿生成
  • AI 驱动的播客脚本生成和音频合成
  • 自动创建简单的 PowerPoint 演示文稿
  • 可定制模板以满足个性化内容需求

社区生态与技术定位

技术栈组成

• 后端语言：Python（主导）
• 前端/工具链：Node.js
• AI能力层：LangChain、MCP协议
• 通信机制：消息传递系统 + LangGraph状态管理

开发与维护实践

• 使用Git进行版本控制
• GitHub Actions实现CI/CD流程
• 单元测试与集成测试覆盖核心模块
• Pull Request机制保障代码质量

与其他框架对比

框架	类型	主要用途	与DeerFlow关系
Xposed	Android Hook框架	修改系统行为	无直接关联
YOLO	目标检测算法	图像识别	可作为插件集成

DeerFlow并非操作系统级或视觉专用框架，而是面向通用研究流程的数据流引擎。

文档与社区反馈

• 文档内容：涵盖安装、入门、API、高级用法等
• 更新频率：中等偏高，随版本迭代更新
• 用户反馈渠道：
  • GitHub Issues
  • Slack/Discord社区
  • 中文技术论坛（如SegmentFault、知乎）

尽管文档已较全面，但在企业级部署指南等方面仍有完善空间。

---

关键引用

• 字节DeerFlow开源框架：多智能体深度研究框架，实现端到端自动化...

• 我们开源了一款全新的Deep Research 应用 - 知乎专栏

• DeerFlow首页、文档和下载 - 深度研究框架 - 开源中国

• meng shao on X: "DeerFlow - 字节跳动开源的深度研究框架，通过多..."