DeerFlow：开源的深度研究自动化框架

DeerFlow 是由字节跳动开源的一个深度研究框架，旨在通过多智能体协作实现研究任务的自动化。它结合了语言模型和专业工具，如网页搜索、网页爬虫和 Python 代码执行，帮助用户高效完成复杂的研究任务。DeerFlow 基于 LangChain 和 LangGraph 构建，采用模块化设计，支持灵活的任务分配和状态管理。用户可以通过简单的配置快速部署，适合研究人员、开发者或需要处理大量信息的用户。项目完全开源，遵循 MIT 许可证，任何人都可以在 GitHub 上获取源代码并贡献代码。DeerFlow 提供直观的在线体验，支持一键部署到 Volcengine 云平台，方便用户快速上手。

功能列表

• 多智能体协作：通过 Researcher、Coder 和 Reporter 等智能体模块，分工处理搜索、代码分析和报告生成任务。
• 网页搜索与爬取：集成 Tavily 和 Brave 搜索，支持高效的信息收集和网页内容提取。
• Python 代码执行：内置 Python REPL 工具，允许用户直接运行和分析代码。
• 文本转语音：通过 Volcengine TTS API，将研究报告转为高质量音频，支持语速、音量和音调调整。
• 报告生成：自动生成结构化的研究报告，支持导出为文档或 PPT 格式。
• 一键部署：支持在 Volcengine 云平台上快速部署，简化环境配置。
• 交互模式：提供命令行交互模式，允许用户动态调整研究计划。
• 开源贡献：基于 MIT 许可证，鼓励社区参与开发和优化。

使用帮助

安装流程

DeerFlow 的安装和配置过程简单，适合有基础编程经验的用户。以下是详细的安装步骤：

1. 克隆仓库
   在终端运行以下命令，克隆 DeerFlow 仓库到本地：

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

2. 安装依赖
   使用 uv 工具自动创建 Python 虚拟环境并安装所需依赖：

   uv sync
   

   注意：确保已安装 uv，可通过 pip install uv 安装。

3. 配置环境变量
   复制示例配置文件并填写 API 密钥：

   cp .env.example .env
   

   在 .env 文件中添加以下 API 密钥：

   • Tavily API：用于网页搜索，需在 Tavily 官网 注册获取。
   • Brave Search API：用于增强搜索功能，需在 Brave Search 注册。
   • Volcengine TTS API：用于文本转语音功能，需在 Volcengine 平台获取凭证。
     示例 .env 文件内容：

   TAVILY_API_KEY=your_tavily_api_key
   BRAVE_SEARCH_API_KEY=your_brave_api_key
   VOLCENGINE_TTS_KEY=your_volcengine_tts_key
   

4. 配置模型和参数
   复制示例配置文件并根据需要调整：

   cp conf.yaml.example conf.yaml
   

   在 conf.yaml 中配置语言模型（如 GPT 或其他支持的模型）和 API 密钥。具体配置参考 docs/configuration_guide.md。

5. 安装 Marp（可选）
   如果需要生成 PPT 格式的报告，需安装 Marp CLI：

   brew install marp-cli
   

   对于非 macOS 系统，请参考 Marp CLI 官网 获取安装方法。

6. 运行 DeerFlow
   配置完成后，运行以下命令启动：

   python main.py --query "你的研究问题" --interactive
   

   例如：

   python main.py --query "量子计算对密码学的影响" --interactive
   

使用主要功能

DeerFlow 的核心功能围绕多智能体协作，分为以下几个模块的操作流程：

1. 研究任务输入
   用户通过命令行输入研究问题，例如“分析量子计算对密码学的影响”。DeerFlow 的 Planner 智能体会分解任务，生成研究计划，并分配给合适的智能体。用户可在交互模式下动态调整计划：

   python main.py --query "你的研究问题" --interactive
   

   交互模式会提示用户输入额外信息或确认计划。

2. 网页搜索与信息收集
   Researcher 智能体使用 Tavily 或 Brave 搜索 API 收集相关信息。它会自动爬取网页内容，提取关键数据，并存储到临时数据库。用户可通过配置文件调整搜索深度：

   search:
   engine: tavily
   max_results: 10
   

3. 代码执行与分析
   Coder 智能体支持运行 Python 代码。例如，用户输入一个数据分析任务，Coder 会生成并执行代码：

   import pandas as pd
   df = pd.read_csv('data.csv')
   print(df.describe())
   

   运行结果会反馈到研究报告中。用户可在交互模式中检查代码执行结果。

4. 报告生成与文本转语音
   Reporter 智能体将收集的信息整理为结构化报告，支持导出为 Markdown、PDF 或 PPT 格式。用户可启用文本转语音功能，将报告转为音频：

   python main.py --query "你的研究问题" --tts
   

   音频文件会保存到指定目录，支持调整语速和音调：

   tts:
   speed: 1.0
   volume: 1.0
   pitch: 0.0
   

5. 自定义工作流
   DeerFlow 使用 LangGraph 管理智能体状态，用户可通过修改 conf.yaml 自定义任务流程。例如，增加搜索迭代次数：

   max_plan_iterations: 3
   max_step_num: 5
   

特色功能操作

• 动态任务迭代：Planner 智能体支持根据搜索结果动态调整研究计划。例如，如果初始搜索结果不足，Planner 会自动发起新一轮搜索。
• 播客生成：结合文本转语音功能，DeerFlow 可将报告转为播客格式，适合分享研究成果。
• PPT 生成：通过 Marp CLI，DeerFlow 可将报告转为专业 PPT，适合学术会议或团队汇报。

注意事项

• 确保网络连接稳定，以支持 API 调用和网页爬取。
• 检查 .env 和 conf.yaml 配置，避免因密钥错误导致功能不可用。
• 参考 docs/FAQ.md 解决常见问题，如依赖安装失败或 API 访问限制。

应用场景

1. 学术研究
   学生或研究人员可使用 DeerFlow 快速收集文献、分析数据并生成结构化报告。例如，输入“最新的人工智能算法综述”，DeerFlow 会自动搜索相关论文、提取关键信息并生成报告。
2. 技术开发
   开发者可利用 Coder 智能体分析代码库或运行实验代码。例如，输入“比较不同机器学习模型的性能”，DeerFlow 会执行 Python 脚本并生成比较报告。
3. 市场分析
   营销团队可使用 DeerFlow 收集行业趋势数据，生成市场报告或播客。例如，输入“2025年社交媒体趋势”，DeerFlow 会爬取相关网页并生成分析报告。
4. 教育培训
   教师可使用 DeerFlow 生成教学材料或 PPT。例如，输入“量子计算入门”，DeerFlow 会整理相关内容并生成教学幻灯片。

QA

1. DeerFlow 支持哪些语言模型？
   DeerFlow 支持多种语言模型，包括 GPT 系列和其他开源模型。用户可在 conf.yaml 中配置模型类型和 API 密钥。
2. 如何解决 API 密钥无效的问题？
   检查 .env 文件中的密钥是否正确。确保在 Tavily、Brave 或 Volcengine 平台注册并获取有效密钥。
3. 是否需要编程经验？
   基本使用无需编程经验，但配置环境和自定义工作流需要基础 Python 知识。
4. 如何优化搜索结果？
   在 conf.yaml 中调整 max_results 和 search_engine 参数，选择更适合的搜索引擎。