🦌 DeerFlow
起源于开源，回馈开源
DeerFlow（Deep Exploration and Efficient Research Flow） 是一个 社区驱动的 Deep Research 框架。 它结合 大语言模型（LLM）与多种工具，例如：
- Web 搜索
- 网页爬取
- Python 代码执行
从而实现自动化研究和信息分析流程，同时也回馈开源社区。 ([GitHub][1])
目前 DeerFlow 已进入火山引擎 FaaS 应用中心，用户可以在线体验其能力，并支持一键部署。
此外，项目还集成了 BytePlus 开发的 InfoQuest 智能搜索与爬虫工具集。
Demo
示例演示展示了如何使用 DeerFlow：
- 与 MCP 服务无缝集成
- 执行 Deep Research 流程
- 自动生成包含图片的 完整研究报告
- 根据报告生成 播客音频
示例任务包括：
- 埃菲尔铁塔与世界最高建筑高度对比
- GitHub 热门仓库分析
- 南京传统美食文章
- 租房装饰建议
目录
- 🚀 Quick Start（快速开始）
- 🌟 Features（功能）
- 🏗️ Architecture（架构）
- 🛠 Development（开发）
- 🐳 Docker
- 🗣 Text-to-Speech
- 📚 Examples
- ❓ FAQ
- 📜 License
- 💖 Acknowledgments
🚀 快速开始
DeerFlow 后端使用 Python，前端 Web UI 使用 Node.js。
推荐工具
-
uv Python 环境与依赖管理工具 会自动创建虚拟环境并安装依赖
-
nvm Node.js 版本管理
-
pnpm Node.js 依赖管理
环境要求
最低要求：
- Python 3.12+
- Node.js 22+
安装
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
# 安装 Python 依赖
uv sync
配置环境变量：
cp .env.example .env
需要配置 API：
- Tavily Search
- Brave Search
- volcengine TTS
配置模型：
cp conf.yaml.example conf.yaml
支持：
- 本地模型（如 Ollama）
- OpenAI API 兼容接口
Console UI（命令行模式）
最快的运行方式：
uv run main.py
Web UI
安装前端依赖：
cd deer-flow/web
pnpm install
运行前后端：
Mac / Linux
./bootstrap.sh -d
Windows
bootstrap.bat -d
浏览器访问：
http://localhost:3000
私有知识库
DeerFlow 支持 RAG 私有知识库，可以用私有文档回答问题。
支持：
- RAGFlow
- Qdrant
- Milvus
- VikingDB
例如 Qdrant：
RAG_PROVIDER=qdrant
QDRANT_LOCATION=https://xxx.qdrant.io
QDRANT_COLLECTION=documents
🌟 功能
1 LLM 集成
支持通过 litellm 接入各种模型：
- OpenAI API
- 开源模型（如 Qwen）
- 本地模型
支持：
- OpenAI API 兼容接口
- 多层 LLM 系统（根据任务复杂度选择模型）
2 搜索与数据获取
支持：
- Tavily 搜索
- Brave Search
- InfoQuest
- Jina crawler
功能：
- Web 搜索
- 网页抓取
- 内容提取
- 私有知识库检索
3 RAG 集成
支持多个向量数据库：
- Qdrant
- Milvus
- RAGFlow
- VikingDB
- MOI
- Dify
特点：
- 在输入框中直接引用知识库文件
- 可通过配置快速切换向量数据库
4 MCP 集成
支持 MCP（Model Context Protocol）服务：
用于扩展能力，例如：
- 私有系统访问
- 知识图谱
- 浏览器工具
🏗️ 系统架构
DeerFlow 使用 多 Agent 模块化架构。
系统基于 LangGraph 实现状态驱动工作流。 ([GitHub][1])
核心组件：
1 Coordinator（协调器）
入口组件：
- 接收用户请求
- 启动研究流程
- 与用户交互
2 Planner（规划器）
负责任务规划：
- 分析研究目标
- 拆解任务
- 制定执行计划
- 判断是否需要更多信息
3 Research Team（研究团队）
由多个 Agent 组成：
Researcher
负责：
- Web 搜索
- 爬虫
- 数据收集
Coder
负责：
- Python 执行
- 技术任务
- 代码分析
每个 Agent 都有自己的工具集。
4 Reporter（报告生成器）
最后阶段：
- 汇总研究结果
- 结构化信息
- 生成完整研究报告
🔊 语音合成（TTS）
支持通过火山引擎 API 生成语音。
示例：
curl http://localhost:8000/api/tts
参数：
- speed_ratio
- volume_ratio
- pitch_ratio
输出：
speech.mp3
🛠 开发
测试
安装开发依赖：
uv pip install -e ".[test]"
运行测试：
make test
代码质量
make lint
make format
LangGraph Studio 调试
DeerFlow 可以通过 LangGraph Studio 可视化调试。
运行：
langgraph dev
Studio UI：
https://smith.langchain.com/studio
可以看到：
- Agent workflow
- 每一步执行状态
- 数据流
🐳 Docker 运行
构建镜像：
docker build -t deer-flow-api .
运行：
docker run -d -p 127.0.0.1:8000:8000 deer-flow-api
也支持：
docker compose up
同时启动：
- backend
- frontend
License
MIT License
致谢
项目基于多个开源项目：
- LangChain
- LangGraph
- Novel
- RAGFlow
感谢这些项目的贡献。
项目简介
DeerFlow
- Deep Research AI 框架
- 多 Agent 工作流
- LLM + 搜索 + 爬虫 + Python
- 自动生成研究报告
项目地址：
https://github.com/bytedance/deer-flow
