【拥抱AI】Deer-Flow字节跳动开源的多智能体深度研究框架

迩来发现一款可以对标甚至大概逾越GPT-Researcher的AI深度研究应用，Deer-Flow（Deep Exploration and Efficient Research Flow）作为字节跳动近期开源的重量级项目，正以其模块化、机动性和人机协同本领引发广泛关注。该项目基于 LangGraph 和 LangChain 框架构建，旨在通过整合语言模子（LLM）与专业工具链（如网络搜索、爬虫、代码执行），实现端到端的复杂研究流程自动化，同时为开辟者提供高度可扩展的二次开辟空间。
核心特点

• 多智能体协作架构
  Deer-Flow采取模块化设计，将研究任务分解为和谐器、规划器、研究团队（研究员、编码员）和报告生成器等角色，各智能体通过界说良好的消息系统协同工作。这种架构不仅提升了任务执行服从，还支持动态调解研究路径。
  
• 工具链深度集成
  支持 Tavily、Brave Search 等搜索引擎，联合 Jina 爬虫与 Python REPL 工具，覆盖从数据收罗到代码分析的全流程。此外，通过 MCP 平台扩展私有数据访问本领，满意企业级需求。
  
• 人机交互与内容生成
  用户可通过自然语言及时修改研究计划，并使用类 Notion 的块编辑功能优化报告。其 AI 辅助生成 本领支持播客脚本、PPT 及结构化报告的一键生成，联合火山引擎 TTS 实现多模态输出。
  
• 开源与中文友好
  采取 MIT 允许证，支持本地化部署与私有数据接入，原生适配中文研究场景，低落技术门槛。
  

以下跟前段时间认识的 GPT-Researcher 简单的作一些对比

尽管两者均致力于自动化研究，Deer-Flow 与 GPT-Researcher 在架构与应用场景上存在显著差异：

• 架构设计
  GPT-Researcher 以 Plan-and-Solve 为核心，通过并行处理子任务提升服从，但依赖单一代理执行流程，最新的GPT-Researcher是支持多Agent执行任务，也是使用LangGraph，但总体流程照旧没有变；
  而 Deer-Flow 的 多智能体系统 通太过工协作（如研究员负责信息收集、编码员处理技术任务）加强了复杂任务的处理本领与可追溯性，过程有“反思”，中途可干预，结果可修正。
  
• 工具链与扩展性
  GPT-Researcher 虽支持多种 LLM 配置，但其工具集成相对有限，需依赖外部插件扩展功能。Deer-Flow 则内置 模块化工具链（如爬虫、代码执行），并支持无缝集成企业级 MCP 平台，适用性更广。
  
• 内容生成与交互
  GPT-Researcher 专注于生成文本报告，而 Deer-Flow 提供 多模态输出（音频、PPT）及交互式编辑功能，更贴近实际研究场景的多样性需求。
  

个人照旧比力看好Deer-Flow将来的发展，它依附其多智能体架构、工具链深度整合及开源生态，为学术研究、贸易分析等领域提供了高效且可定制的办理方案。相较于 GPT-Researcher，它在复杂任务处理、多模态输出及本土化适配方面更具优势，展现了开源框架在AI研究自动化中的独特价值。
废话就说到这里，下面我们一起来了解一下它。
以下引用DeerFlow 的官方网站内容。
视频演示

由于平台不支持github地址直接播放，只能请小伙伴自行前往观看。官方视频演示地址 https://github.com/user-attachments/assets/f3786598-1f2a-4d07-919e-8b99dfa1de3e
在官方的演示中，展示了如何使用 DeerFlow：

• 无缝集成 MCP 服务
  
• 举行深度研究过程并生成包罗图像的综合报告
  
• 基于生成的报告创建播客音频
  

快速开始

DeerFlow 使用 Python 开辟，并配有用 Node.js 编写的 Web UI。为确保顺遂的设置过程，我们保举使用以下工具：
保举工具

• uv:
  简化 Python 情况和依赖管理。uv会自动在根目次创建虚拟情况并为您安装所有必需的包—无需手动安装 Python 情况。
  
• nvm:
  轻松管理多个 Node.js 运行时版本。
  
• pnpm:
  安装和管理 Node.js 项目标依赖。
  

情况要求

确保您的系统满意以下最低要求：

• Python: 版本 3.12+
  
• Node.js: 版本 22+
  

安装

1. # 克隆仓库
2. git clone https://github.com/bytedance/deer-flow.git
3. cd deer-flow
5. # 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
6. uv sync
8. # 使用您的API密钥配置.env
9. # Tavily: https://app.tavily.com/home
10. # Brave_SEARCH: https://brave.com/search/api/
11. # 火山引擎TTS: 如果您有TTS凭证，请添加
12. cp .env.example .env
14. # 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
16. # 为您的LLM模型和API密钥配置conf.yaml
17. # 请参阅'docs/configuration_guide.md'获取更多详情
18. cp conf.yaml.example conf.yaml
20. # 安装marp用于PPT生成
21. # https://github.com/marp-team/marp-cli?tab=readme-ov-file#use-package-manager
22. brew install marp-cli

复制代码

可选，通过pnpm安装 Web UI 依赖：

1. cd deer-flow/web
2. pnpm install

复制代码

配置

请参阅配置指南获取更多详情。
   [!留意]
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

运行项目标最快方法是使用控制台 UI。

1. # 在类bash的shell中运行项目
2. uv run main.py

复制代码

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。
   [!留意]
您需要先安装 Web UI 的依赖。

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

复制代码

打开浏览器并访问http://localhost:3000探索 Web UI。
在web目次中探索更多详情。
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变量举行配置：

• 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：https://app.tavily.com/home
    
  
  
• DuckDuckGo：注意隐私的搜索引擎
  
  
  
  • 无需 API 密钥
    
  
  
• Brave Search：具有高级功能的注意隐私的搜索引擎
  
  
  
  • 需要在.env文件中设置BRAVE_SEARCH_API_KEY
    
  • 注册地址：https://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：

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

复制代码

特性

核心本领

• 🤖 LLM 集成
  
  
  
  • 通过litellm支持集成大多数模子
    
  • 支持开源模子如 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 等举行网络搜索
    
  • 使用 Jina 举行爬取
    
  • 高级内容提取
    
  
  
• 🔗 MCP 无缝集成
  
  
  
  • 扩展私有域访问、知识图谱、网页浏览等本领
    
  • 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
    
  • 答应 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
    
  • 可定制模板以满意个性化内容需求
    
  
  

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，实现了机动的基于状态的工作流，其中组件通过界说良好的消息传递系统举行通信。

系统采取了精简的工作流程，包罗以下组件：

• 和谐器：管理工作流生命周期的入口点
  
  
  
  • 根据用户输入启动研究过程
    
  • 在得其时候将任务委派给规划器
    
  • 作为用户和系统之间的主要接口
    
  
  
• 规划器：负责任务分解和规划的战略组件
  
  
  
  • 分析研究目标并创建结构化执行计划
    
  • 确定是否有足够的上下文或是否需要更多研究
    
  • 管理研究流程并决定何时生成最终报告
    
  
  
• 研究团队：执行计划的专业智能体集合：
  
  
  
  • 研究员：使用网络搜索引擎、爬虫甚至 MCP 服务等工具举行网络搜索和信息收集。
    
  • 编码员：使用 Python REPL 工具处理代码分析、执行和技术任务。
    每个智能体都可以访问针对其角色优化的特定工具，并在 LangGraph 框架内运行
    
  
  
• 报告员：研究输出的最终阶段处理器
  
  
  
  • 汇总研究团队的发现
    
  • 处理和构造收集的信息
    
  • 生成全面的研究报告
    
  
  

开辟

测试

运行测试套件：

1. # 运行所有测试
2. make test
4. # 运行特定测试文件
5. pytest tests/integration/test_workflow.py
7. # 运行覆盖率测试
8. make coverage

复制代码

代码质量

1. # 运行代码检查
2. make lint
4. # 格式化代码
5. make format

复制代码

使用 LangGraph Studio 举行调试

DeerFlow 使用 LangGraph 作为其工作流架构。您可以使用 LangGraph Studio 及时调试和可视化工作流。
本地运行 LangGraph Studio

DeerFlow 包罗一个langgraph.json配置文件，该文件界说了 LangGraph Studio 的图结构和依赖关系。该文件指向项目中界说的工作流图，并自动从.env文件加载情况变量。
Mac

1. # 如果您没有uv包管理器，请安装它
2. curl -LsSf https://astral.sh/uv/install.sh | sh
4. # 安装依赖并启动LangGraph服务器
5. uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev
6. --allow-blocking

复制代码

Windows / Linux

1. # 安装依赖
2. pip install -e .
3. pip install -U "langgraph-cli[inmem]"
5. # 启动LangGraph服务器
6. langgraph dev

复制代码

启动 LangGraph 服务器后，您将在终端中看到几个 URL：

• API: http://127.0.0.1:2024
  
• Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
  
• API 文档: http://127.0.0.1:2024/docs
  

在浏览器中打开 Studio UI 链接以访问调试界面。
使用 LangGraph Studio

在 Studio UI 中，您可以：

• 可视化工作流图并查察组件如何毗连
  
• 及时跟踪执行情况，了解数据如何在系统中流动
  
• 检查工作流每个步调的状态
  
• 通过检查每个组件的输入和输出来调试题目
  
• 在规划阶段提供反馈以美满研究计划
  

当您在 Studio UI 中提交研究主题时，您将能够看到整个工作流执行过程，包括：

• 创建研究计划的规划阶段
  
• 可以修改计划的反馈循环
  
• 每个部分的研究和写作阶段
  
• 最终报告生成
  

启用 LangSmith 追踪

DeerFlow 支持 LangSmith 追踪功能，资助您调试和监控工作流。要启用 LangSmith 追踪：

• 确保您的 .env 文件中有以下配置（参见 .env.example）：
  
  1. LANGSMITH_TRACING=true
  2. LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
  3. LANGSMITH_API_KEY="xxx"
  4. LANGSMITH_PROJECT="xxx"

  复制代码
• 通过运行以下下令本地启动 LangSmith 追踪：
  
  1. langgraph dev

  复制代码

这将在 LangGraph Studio 中启用追踪可视化，并将您的追踪发送到 LangSmith 举行监控和分析。
Docker

您也可以使用 Docker 运行此项目。
起首，您需要阅读下面的配置部分。确保.env和.conf.yaml文件已预备停当。
其次，构建您自己的 Web 服务器 Docker 镜像：

1. docker build -t deer-flow-api .

复制代码

最后，启动运行 Web 服务器的 Docker 容器：

1. # 将deer-flow-api-app替换为您首选的容器名称
2. docker run -d -t -p 8000:8000 --env-file .env --name deer-flow-api-app deer-flow-api
4. # 停止服务器
5. docker stop deer-flow-api-app

复制代码

Docker Compose

您也可以使用 docker compose 设置此项目：

1. # 构建docker镜像
2. docker compose build
4. # 启动服务器
5. docker compose up

复制代码

文本转语音集成

DeerFlow 现在包罗一个文本转语音(TTS)功能，答应您将研究报告转换为语音。此功能使用火山引擎 TTS API 生成高质量的文本音频。速度、音量和音调等特性也可以自界说。
使用 TTS API

您可以通过/api/tts端点访问 TTS 功能：

1. # 使用curl的API调用示例
2. curl --location 'http://localhost:8000/api/tts' \
3. --header 'Content-Type: application/json' \
4. --data '{
5.     "text": "这是文本转语音功能的测试。",
6.     "speed_ratio": 1.0,
7.     "volume_ratio": 1.0,
8.     "pitch_ratio": 1.0
9. }' \
10. --output speech.mp3

复制代码

示例

以下示例展示了 DeerFlow 的功能：
研究报告

• OpenAI Sora 报告 - OpenAI 的 Sora AI 工具分析
  
  
  
  • 讨论功能、访问方式、提示工程、限定和伦理思量
    
  • 查察完整报告
    
  
  
• Google 的 Agent to Agent 协议报告 - Google 的 Agent to Agent (A2A)协议概述
  
  
  
  • 讨论其在 AI 智能体通信中的作用及其与 Anthropic 的 Model Context Protocol (MCP)的关系
    
  • 查察完整报告
    
  
  
• 什么是 MCP？ - 对"MCP"一词在多个上下文中的全面分析
  
  
  
  • 探究 AI 中的 Model Context Protocol、化学中的 Monocalcium Phosphate 和电子学中的 Micro-channel Plate
    
  • 查察完整报告
    
  
  
• 比特币价格波动 - 迩来比特币价格走势分析
  
  
  
  • 研究市场趋势、监管影响和技术指标
    
  • 基于历史数据提供建议
    
  • 查察完整报告
    
  
  
• 什么是 LLM？ - 对大型语言模子的深入探索
  
  
  
  • 讨论架构、练习、应用和伦理思量
    
  • 查察完整报告
    
  
  
• 医疗保健中的 AI 采取：影响因素 - 影响医疗保健中 AI 采取的因素分析
  
  
  
  • 讨论 AI 技术、数据质量、伦理思量、经济评估、构造预备度和数字底子办法
    
  • 查察完整报告
    
  
  
• 量子计算对暗码学的影响 - 量子计算对暗码学影响的分析
  
  
  
  • 讨论经典暗码学的漏洞、后量子暗码学和抗量子暗码办理方案
    
  • 查察完整报告
    
  
  

要运行这些示例或创建您自己的研究报告，您可以使用以下下令：

1. # 使用特定查询运行
2. uv run main.py "哪些因素正在影响医疗保健中的AI采用？"
4. # 使用自定义规划参数运行
5. uv run main.py --max_plan_iterations 3 "量子计算如何影响密码学？"
7. # 在交互模式下运行，带有内置问题
8. uv run main.py --interactive
11. # 或者使用基本交互提示运行
12. uv run main.py
14. # 查看所有可用选项
15. uv run main.py --help

复制代码

交互模式

应用程序现在支持带有英文和中文内置题目的交互模式：

• 启动交互模式：
  
  1. uv run main.py --interactive

  复制代码
• 选择您偏好的语言（English 或中文）
  
• 从内置题目列表中选择或选择提出您自己题目的选项
  
• 系统将处理您的题目并生成全面的研究报告
  

人在环中

DeerFlow 包罗一个人在环中机制，答应您在执行研究计划前查察、编辑和答应：

• 计划查察：启用人在环中时，系统将在执行前向您展示生成的研究计划
  
• 提供反馈：您可以：
  
  
  
  • 通过回复[ACCEPTED]接受计划
    
  • 通过提供反馈编辑计划（例如，[EDIT PLAN] 添加更多关于技术实现的步调）
    
  • 系统将整合您的反馈并生成修订后的计划
    
  
  
• 自动接受：您可以启用自动接受以跳过查察过程：
  
  
  
  • 通过 API：在哀求中设置auto_accepted_plan: true
    
  
  
• API 集成：使用 API 时，您可以通过feedback参数提供反馈：
  
  1. {
  2.   "messages": [{ "role": "user", "content": "什么是量子计算？" }],
  3.   "thread_id": "my_thread_id",
  4.   "auto_accepted_plan": false,
  5.   "feedback": "[EDIT PLAN] 包含更多关于量子算法的内容"
  6. }

  复制代码

下令行参数

应用程序支持多个下令行参数来自界说其举动：

• query：要处理的研究查询（可以是多个词）
  
• –interactive：以交互模式运行，带有内置题目
  
• –max_plan_iterations：最大规划周期数（默认：1）
  
• –max_step_num：研究计划中的最大步调数（默认：3）
  
• –debug：启用详细调试日记
  

感谢您的阅读，以上就是本期的全部内容啦，感兴趣的小伙伴可以自行前往DeerFlow 的官方网站了解更多详情。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

继续阅读请点击广告