过于牛逼！7天斩获 8.1k星！收购manus被拒，字节自研智能研究助手DeerFlow开源！

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。我们的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，同时回馈使这一切成为可能的社区。

演示

视频

在此演示中，我们展示了如何使用 DeerFlow：

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

回放示例

• 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：

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：https://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：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：

# 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

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。

架构图

在deerflow.tech上查看实时演示

系统采用了精简的工作流程，包含以下组件：

1. 协调器：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
• 在适当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

2. 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

3. 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 服务等工具进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

4. 报告员：研究输出的最终阶段处理器

• 汇总研究团队的发现
• 处理和组织收集的信息
• 生成全面的研究报告

开发

测试

运行测试套件：

# 运行所有测试
make test

# 运行特定测试文件
pytest tests/integration/test_workflow.py

# 运行覆盖率测试
make coverage

代码质量

# 运行代码检查
make lint

# 格式化代码
make format

使用 LangGraph Studio 进行调试

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

本地运行 LangGraph Studio

DeerFlow 包含一个langgraph.json配置文件，该文件定义了 LangGraph Studio 的图结构和依赖关系。该文件指向项目中定义的工作流图，并自动从.env文件加载环境变量。

Mac

# 如果您没有uv包管理器，请安装它
curl -LsSf https://astral.sh/uv/install.sh | sh

# 安装依赖并启动LangGraph服务器
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking

Windows / Linux

# 安装依赖
pip install -e .
pip install -U "langgraph-cli[inmem]"

# 启动LangGraph服务器
langgraph dev

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：

1. 可视化工作流图并查看组件如何连接
2. 实时跟踪执行情况，了解数据如何在系统中流动
3. 检查工作流每个步骤的状态
4. 通过检查每个组件的输入和输出来调试问题
5. 在规划阶段提供反馈以完善研究计划

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

Docker

您也可以使用 Docker 运行此项目。

首先，您需要阅读下面的配置部分。确保.env和.conf.yaml文件已准备就绪。

其次，构建您自己的 Web 服务器 Docker 镜像：

docker build -t deer-flow-api .

最后，启动运行 Web 服务器的 Docker 容器：

# 将deer-flow-api-app替换为您首选的容器名称
docker run -d -t -p 8000:8000 --env-file .env --name deer-flow-api-app deer-flow-api

# 停止服务器
docker stop deer-flow-api-app

Docker Compose

您也可以使用 docker compose 设置此项目：

# 构建docker镜像
docker compose build

# 启动服务器
docker compose up

文本转语音集成

DeerFlow 现在包含一个文本转语音(TTS)功能，允许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定义。

使用 TTS API

您可以通过/api/tts端点访问 TTS 功能：

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

示例

以下示例展示了 DeerFlow 的功能：

研究报告

1. OpenAI Sora 报告 – OpenAI 的 Sora AI 工具分析

• 讨论功能、访问方式、提示工程、限制和伦理考虑
• 查看完整报告

2. 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
• 查看完整报告

3. 什么是 MCP？ – 对”MCP”一词在多个上下文中的全面分析

• 探讨 AI 中的 Model Context Protocol、化学中的 Monocalcium Phosphate 和电子学中的 Micro-channel Plate
• 查看完整报告

4. 比特币价格波动 – 最近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
• 查看完整报告

5. 什么是 LLM？ – 对大型语言模型的深入探索

• 讨论架构、训练、应用和伦理考虑
• 查看完整报告

6. 如何使用 Claude 进行深度研究？ – 在深度研究中使用 Claude 的最佳实践和工作流程

• 涵盖提示工程、数据分析和与其他工具的集成
• 查看完整报告

7. 医疗保健中的 AI 采用：影响因素 – 影响医疗保健中 AI 采用的因素分析

• 讨论 AI 技术、数据质量、伦理考虑、经济评估、组织准备度和数字基础设施
• 查看完整报告

8. 量子计算对密码学的影响 – 量子计算对密码学影响的分析

• 讨论经典密码学的漏洞、后量子密码学和抗量子密码解决方案
• 查看完整报告

9. 克里斯蒂亚诺·罗纳尔多的表现亮点 – 克里斯蒂亚诺·罗纳尔多表现亮点的分析

• 讨论他的职业成就、国际进球和在各种比赛中的表现
• 查看完整报告

要运行这些示例或创建您自己的研究报告，您可以使用以下命令：

# 使用特定查询运行
uv run main.py "哪些因素正在影响医疗保健中的AI采用？"

# 使用自定义规划参数运行
uv run main.py --max_plan_iterations 3 "量子计算如何影响密码学？"

# 在交互模式下运行，带有内置问题
uv run main.py --interactive

# 或者使用基本交互提示运行
uv run main.py

# 查看所有可用选项
uv run main.py --help

交互模式

应用程序现在支持带有英文和中文内置问题的交互模式：

1. 启动交互模式：
```
uv run main.py --interactive
```
2. 选择您偏好的语言（English 或中文）
3. 从内置问题列表中选择或选择提出您自己问题的选项
4. 系统将处理您的问题并生成全面的研究报告

人在环中

DeerFlow 包含一个人在环中机制，允许您在执行研究计划前审查、编辑和批准：

1. 计划审查：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
2. 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骤）
• 系统将整合您的反馈并生成修订后的计划

3. 自动接受：您可以启用自动接受以跳过审查过程：

• 通过 API：在请求中设置auto_accepted_plan: true

4. API 集成：使用 API 时，您可以通过feedback参数提供反馈：

{
  "messages":[{"role":"user","content":"什么是量子计算？"}],
"thread_id":"my_thread_id",
"auto_accepted_plan":false,
"feedback":"[EDIT PLAN] 包含更多关于量子算法的内容"
}

命令行参数

应用程序支持多个命令行参数来自定义其行为：

• query：要处理的研究查询（可以是多个词）
• –interactive：以交互模式运行，带有内置问题
• –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骤数（默认：3）
• –debug：启用详细调试日志

项目地址

https://github.com/bytedance/deer-flow/blob/main/README_zh.md

扫码加入技术交流群，备注「开发语言-城市-昵称」

（文：GitHubStore）

一	二	三	四	五	六	日
			1	2	3	4
5	6	7	8	9	10	11
12	13	14	15	16	17	18
19	20	21	22	23	24	25
26	27	28	29	30	31

过于牛逼！7天斩获 8.1k星！收购manus被拒，字节自研智能研究助手DeerFlow开源！

演示

视频

回放示例

快速开始

推荐工具

环境要求

安装

配置

控制台 UI

Web UI

支持的搜索引擎

特性

核心能力

工具和 MCP 集成

人机协作

内容创作

架构

开发

测试

代码质量

使用 LangGraph Studio 进行调试

本地运行 LangGraph Studio

Mac

Windows / Linux

使用 LangGraph Studio

Docker

Docker Compose

文本转语音集成

使用 TTS API

示例

研究报告

交互模式

人在环中

命令行参数

项目地址

发表评论取消回复

演示

视频

回放示例

快速开始

推荐工具

环境要求

安装

配置

控制台 UI

Web UI

支持的搜索引擎

特性

核心能力

工具和 MCP 集成

人机协作

内容创作

架构

开发

测试

代码质量

使用 LangGraph Studio 进行调试

本地运行 LangGraph Studio

Mac

Windows / Linux

使用 LangGraph Studio

Docker

Docker Compose

文本转语音集成

使用 TTS API

示例

研究报告

交互模式

人在环中

命令行参数

项目地址

发表评论 取消回复

下载每时AI手机APP

发表评论取消回复