从安装到实战DeerFlow框架完整使用教程打造专属AI研究流水线1. DeerFlow框架简介DeerFlow是字节跳动基于LangStack技术框架开发的深度研究开源项目。这个框架将语言模型、网络搜索、Python代码执行等工具整合在一起能够自动完成从信息搜集到报告生成的全流程工作。核心功能亮点支持多搜索引擎集成Tavily、Brave Search等提供文本转语音服务火山引擎TTS内置Qwen3-4B-Instruct-2507大模型服务支持控制台UI与Web UI两种交互方式模块化多智能体系统架构2. 环境准备与快速部署2.1 系统要求在开始部署前请确保您的系统满足以下最低要求操作系统Linux/Windows/macOSPython版本3.12Node.js版本22如需使用Web UI硬件配置内存至少16GB存储50GB可用空间GPU推荐NVIDIA显卡非必须2.2 一键部署步骤DeerFlow提供了多种部署方式以下是推荐的一键部署流程获取部署脚本wget https://raw.githubusercontent.com/bytedance/deer-flow/main/bootstrap.sh执行部署chmod x bootstrap.sh ./bootstrap.sh -d验证服务启动# 检查vllm服务 cat /root/workspace/llm.log # 检查DeerFlow服务 cat /root/workspace/bootstrap.log当看到Service started successfully字样时表示服务已正常启动。3. 基础功能使用指南3.1 Web界面操作访问Web UI 在浏览器中输入http://localhost:3000打开前端界面基本交互流程点击界面中央的输入框输入您的研究问题如比特币最新价格分析选择研究模式推荐Investigation Mode点击发送按钮查看研究计划 系统会首先生成一个研究计划您可以直接确认执行手动修改计划内容添加额外要求3.2 控制台使用对于偏好命令行的用户可以通过控制台直接交互uv run main.py在控制台中您将看到请输入您的研究问题输入问题后系统会逐步显示生成的研究计划执行进度最终报告内容4. 实战案例医疗AI研究自动化4.1 案例背景假设我们需要研究AI在糖尿病早期诊断中的应用进展传统方式需要搜索学术论文阅读并提取关键信息整理成结构化报告使用DeerFlow可以自动化完成这一流程。4.2 具体操作步骤启动研究任务from deer_flow.client import ResearchClient client ResearchClient() task_id client.create_task( topicAI在糖尿病早期诊断中的应用进展, modeacademic, output_formatmarkdown )监控任务进度status client.get_status(task_id) while status ! completed: print(f当前进度: {status}) time.sleep(10) status client.get_status(task_id)获取研究成果report client.get_report(task_id) with open(diabetes_ai_report.md, w) as f: f.write(report)4.3 成果输出DeerFlow将生成包含以下内容的Markdown报告执行摘要关键技术分析最新研究进展临床应用案例未来发展趋势参考文献列表5. 高级功能探索5.1 自定义研究流程通过修改conf.yaml文件您可以定制研究流程research_flow: steps: - name: literature_review enabled: true params: sources: [arxiv, pubmed] - name: data_analysis enabled: true tools: [python] - name: report_generation style: academic5.2 集成自有数据源配置私有知识库from deer_flow.knowledge import KnowledgeBase kb KnowledgeBase() kb.add_source( namecompany_research, typepdf, path/data/internal_reports )在研究中引用client.create_task( topic我们的产品市场分析, custom_sources[company_research] )5.3 生成多媒体内容DeerFlow支持将研究报告转换为多种格式生成播客client.convert_report( task_idtask_id, output_formatpodcast, voice_typeprofessional )创建PPTclient.convert_report( task_idtask_id, output_formatpptx, templatecorporate )6. 常见问题解决6.1 服务启动问题问题现象Web UI无法访问解决方案检查服务是否正常运行ps aux | grep deer-flow查看日志定位问题tail -f /root/workspace/bootstrap.log常见原因端口冲突修改config.yaml中的端口设置依赖缺失重新运行uv sync6.2 研究任务卡住问题现象任务长时间处于running状态调试步骤使用LangGraph Studio可视化工作流langgraph dev访问http://localhost:2024查看节点状态常见卡住原因API限额用完网络连接问题复杂任务超时6.3 报告质量优化提升报告质量的技巧在任务创建时提供更详细的指导client.create_task( topic..., instructions请重点比较CNN和Transformer模型的优缺点 )使用更专业的写作风格styletechnical # 可选: academic, technical, general限制信息来源sources[arxiv, ieee] # 只使用学术资源7. 总结与进阶建议通过本教程您已经掌握了DeerFlow框架的完整使用流程。这个强大的工具可以显著提升研究效率将原本需要数天的手工工作缩短到几小时内完成。进阶学习建议探索LangGraph工作流通过Studio界面深入理解任务执行逻辑集成企业数据将内部文档库接入研究流程开发自定义工具扩展框架的能力边界性能优化针对高频任务调整缓存策略获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
从安装到实战：DeerFlow框架完整使用教程，打造专属AI研究流水线
发布时间：2026/7/7 10:58:38
从安装到实战DeerFlow框架完整使用教程打造专属AI研究流水线1. DeerFlow框架简介DeerFlow是字节跳动基于LangStack技术框架开发的深度研究开源项目。这个框架将语言模型、网络搜索、Python代码执行等工具整合在一起能够自动完成从信息搜集到报告生成的全流程工作。核心功能亮点支持多搜索引擎集成Tavily、Brave Search等提供文本转语音服务火山引擎TTS内置Qwen3-4B-Instruct-2507大模型服务支持控制台UI与Web UI两种交互方式模块化多智能体系统架构2. 环境准备与快速部署2.1 系统要求在开始部署前请确保您的系统满足以下最低要求操作系统Linux/Windows/macOSPython版本3.12Node.js版本22如需使用Web UI硬件配置内存至少16GB存储50GB可用空间GPU推荐NVIDIA显卡非必须2.2 一键部署步骤DeerFlow提供了多种部署方式以下是推荐的一键部署流程获取部署脚本wget https://raw.githubusercontent.com/bytedance/deer-flow/main/bootstrap.sh执行部署chmod x bootstrap.sh ./bootstrap.sh -d验证服务启动# 检查vllm服务 cat /root/workspace/llm.log # 检查DeerFlow服务 cat /root/workspace/bootstrap.log当看到Service started successfully字样时表示服务已正常启动。3. 基础功能使用指南3.1 Web界面操作访问Web UI 在浏览器中输入http://localhost:3000打开前端界面基本交互流程点击界面中央的输入框输入您的研究问题如比特币最新价格分析选择研究模式推荐Investigation Mode点击发送按钮查看研究计划 系统会首先生成一个研究计划您可以直接确认执行手动修改计划内容添加额外要求3.2 控制台使用对于偏好命令行的用户可以通过控制台直接交互uv run main.py在控制台中您将看到请输入您的研究问题输入问题后系统会逐步显示生成的研究计划执行进度最终报告内容4. 实战案例医疗AI研究自动化4.1 案例背景假设我们需要研究AI在糖尿病早期诊断中的应用进展传统方式需要搜索学术论文阅读并提取关键信息整理成结构化报告使用DeerFlow可以自动化完成这一流程。4.2 具体操作步骤启动研究任务from deer_flow.client import ResearchClient client ResearchClient() task_id client.create_task( topicAI在糖尿病早期诊断中的应用进展, modeacademic, output_formatmarkdown )监控任务进度status client.get_status(task_id) while status ! completed: print(f当前进度: {status}) time.sleep(10) status client.get_status(task_id)获取研究成果report client.get_report(task_id) with open(diabetes_ai_report.md, w) as f: f.write(report)4.3 成果输出DeerFlow将生成包含以下内容的Markdown报告执行摘要关键技术分析最新研究进展临床应用案例未来发展趋势参考文献列表5. 高级功能探索5.1 自定义研究流程通过修改conf.yaml文件您可以定制研究流程research_flow: steps: - name: literature_review enabled: true params: sources: [arxiv, pubmed] - name: data_analysis enabled: true tools: [python] - name: report_generation style: academic5.2 集成自有数据源配置私有知识库from deer_flow.knowledge import KnowledgeBase kb KnowledgeBase() kb.add_source( namecompany_research, typepdf, path/data/internal_reports )在研究中引用client.create_task( topic我们的产品市场分析, custom_sources[company_research] )5.3 生成多媒体内容DeerFlow支持将研究报告转换为多种格式生成播客client.convert_report( task_idtask_id, output_formatpodcast, voice_typeprofessional )创建PPTclient.convert_report( task_idtask_id, output_formatpptx, templatecorporate )6. 常见问题解决6.1 服务启动问题问题现象Web UI无法访问解决方案检查服务是否正常运行ps aux | grep deer-flow查看日志定位问题tail -f /root/workspace/bootstrap.log常见原因端口冲突修改config.yaml中的端口设置依赖缺失重新运行uv sync6.2 研究任务卡住问题现象任务长时间处于running状态调试步骤使用LangGraph Studio可视化工作流langgraph dev访问http://localhost:2024查看节点状态常见卡住原因API限额用完网络连接问题复杂任务超时6.3 报告质量优化提升报告质量的技巧在任务创建时提供更详细的指导client.create_task( topic..., instructions请重点比较CNN和Transformer模型的优缺点 )使用更专业的写作风格styletechnical # 可选: academic, technical, general限制信息来源sources[arxiv, ieee] # 只使用学术资源7. 总结与进阶建议通过本教程您已经掌握了DeerFlow框架的完整使用流程。这个强大的工具可以显著提升研究效率将原本需要数天的手工工作缩短到几小时内完成。进阶学习建议探索LangGraph工作流通过Studio界面深入理解任务执行逻辑集成企业数据将内部文档库接入研究流程开发自定义工具扩展框架的能力边界性能优化针对高频任务调整缓存策略获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
 获取与实战)
