DeerFlow 深度研究框架，将语言模型与 Web 搜索、爬取和 Python 代码执行等专业工具相结合实现高效的自动化研究流程

DeerFlow深度研究框架把语言模型和网页搜索、爬取、Python代码执行等工具结合起来，基于 LangGraph 构建了一个模块化的多智能体系统架构，能够进行自动化研究和代码分析，实现高效的自动化研究流程。

DeerFlow功能特点

DeerFlow通过litellm支持集成大多数模型，包括像Qwen这样的开源模型，提供OpenAI兼容的API接口，有针对不同任务复杂度的多层LLM系统。

工具和MCP集成

1、搜索和检索：能通过Tavily、Brave Search等进行网页搜索，使用Jina进行爬取和高级内容提取。

2、MCP无缝集成：扩展了私有领域访问、知识图谱、网页浏览等功能，便于集成各种研究工具和方法。

人机协作

1、人在回路中：支持用自然语言交互式修改研究计划，支持自动接受研究计划。

2、报告后期编辑：支持类似Notion的块编辑，能进行AI优化，如辅助润色、缩短或扩展句子，由tiptap提供支持。

内容创建

能进行AI驱动的播客脚本生成和音频合成，能自动创建简单的PowerPoint演示文稿，有可定制的模板。

DeerFlow快速上手

DeerFlow用Python开发，搭配Node.js编写的网页界面，为顺利安装，建议使用以下工具：

uv：简化Python环境和依赖管理，在根目录自动创建虚拟环境并安装所需包，无需手动安装Python环境。

nvm：轻松管理多个Node.js运行时版本。

pnpm：用于安装和管理Node.js项目的依赖。

系统要求：

Python：3.12+版本

Node.js：22+版本

安装步骤：

1、克隆仓库：

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

2、安装依赖：

uv sync

3、配置.env文件，添加API密钥（如Tavily、Brave_SEARCH等，若使用火山引擎TTS也需添加相关凭证）：

cp .env.example .env

4、配置conf.yaml文件，用于设置LLM模型和API密钥：

cp conf.yaml.example conf.yaml

5、安装marp用于生成PPT：

brew install marp-cli

6、可选步骤，安装网页界面依赖：

cd deer-flow/web
pnpm install

具体配置详情参考《配置指南》，启动项目前，需仔细阅读指南并根据自身设置和需求更新配置。

运行项目最快的方式是使用控制台界面，在类似bash的 shell 中执行：

uv run main.py

项目包含网页界面，提供更动态的交互体验，使用网页界面时需先安装网页界面的依赖。

在macOS/Linux系统中，以开发模式运行后端和前端服务器：

./bootstrap.sh -d

在Windows系统中：

bootstrap.bat -d

打开浏览器，访问http://localhost:3000就能浏览网页界面。

DeerFlow支持的搜索引擎

DeerFlow支持多种搜索引擎，在.env文件中通过SEARCH_API变量配置：

Tavily（默认）：适用于AI应用的搜索API，需在.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：有高级功能且注重隐私的搜索引擎，需在.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，专门搜索科学和学术论文。

配置时，在.env文件中设置SEARCH_API变量，如：

# 可选值：tavily, duckduckgo, brave_search, arxiv
SEARCH_API=tavily

DeerFlow架构设计

DeerFlow采用模块化多智能体系统架构，用于自动化研究和代码分析，基于LangGraph构建，实现了灵活的基于状态的工作流程，组件间通过定义明确的消息传递系统进行通信。

系统工作流程包含以下组件：

协调器：是工作流程生命周期的入口点，根据用户输入启动研究过程，适时将任务委托给规划器，是用户与系统的主要交互接口。

规划器：负责任务分解和规划，分析研究目标并创建结构化执行计划，判断是否有足够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：由多个专业智能体组成，研究人员使用网页搜索引擎、爬虫和MCP服务等工具进行网页搜索和信息收集，编码人员利用Python REPL工具处理代码分析、执行等技术任务，每个智能体都能使用特定工具，在LangGraph框架内工作。

报告生成器：是研究输出的最后处理阶段，汇总研究团队的发现，处理和整理收集到的信息，生成全面的研究报告。

文本转语音集成

DeerFlow具备文本转语音（TTS）功能，可将研究报告转换为语音，该功能使用火山引擎TTS API，能生成高质量音频，可自定义语速、音量和音高。

通过/api/tts端点就能使用TTS功能，示例如下：

curl --location 'http://localhost:8000/api/tts' \
--header 'Content-Type: application/json' \
--data '{     "text": "This is a test of the text-to-speech functionality.",     "speed_ratio": 1.0,     "volume_ratio": 1.0,     "pitch_ratio": 1.0 }' \
--output speech.mp3