DeerFlow新手必看从环境检查到首次提问的完整流程认识一下DeerFlow你的个人深度研究助理。想象一下当你需要快速了解一个复杂的技术概念、分析一个市场趋势或者为一个新项目搜集资料时不再需要手动打开十几个浏览器标签页在各种文档和论文中来回切换。DeerFlow能帮你完成这一切——它整合了搜索引擎、网络爬虫、Python代码执行等强大工具不仅能提供即时见解还能生成全面的研究报告甚至制作成引人入胜的播客。今天我将带你从零开始一步步完成DeerFlow的首次使用。无论你是技术爱好者、研究人员还是内容创作者这篇指南都将帮你快速上手这个强大的开源研究工具。1. 理解DeerFlow你的智能研究伙伴在开始动手之前我们先花几分钟了解一下DeerFlow到底是什么它能为你做什么。1.1 DeerFlow的核心能力DeerFlow是字节跳动基于LangGraph技术框架开发的深度研究开源项目。简单来说它是一个多智能体协作系统就像组建了一个小型研究团队协调器负责理解你的问题判断是否需要深入研究规划器把复杂问题拆分成可执行的步骤研究员使用搜索引擎和网络爬虫搜集信息编码员执行Python代码进行数据分析报告员把所有发现整理成结构化的报告这个团队会协同工作自动完成从问题分析到报告生成的全过程。1.2 DeerFlow能帮你做什么假设你需要了解“量子计算对密码学的影响”传统的研究流程可能是搜索相关论文和文章阅读并提取关键信息整理成报告格式可能需要写代码验证某些计算DeerFlow能自动化这个流程自动搜索最新的研究成果分析相关技术文档执行必要的代码验证生成结构化的研究报告甚至可以制作成播客音频现在让我们开始实际操作。2. 环境检查确保一切准备就绪在开始使用DeerFlow之前我们需要确认两个核心服务已经正常启动。别担心这个过程很简单只需要运行几个命令。2.1 检查vllm服务状态vllm是DeerFlow内置的模型推理服务它负责运行Qwen3-4B-Instruct-2507这个语言模型。这个模型是DeerFlow的“大脑”所有的思考和分析都由它完成。打开终端运行以下命令cat /root/workspace/llm.log这个命令会显示vllm服务的启动日志。如果看到类似下面的输出说明服务启动成功INFO 07-10 14:30:25 llm_engine.py:73] Initializing an LLM engine with config: model/root/models/Qwen3-4B-Instruct-2507, tokenizer/root/models/Qwen3-4B-Instruct-2507, ... INFO 07-10 14:30:28 llm_engine.py:210] # GPU blocks: 561, # CPU blocks: 512 INFO 07-10 14:30:29 async_llm_engine.py:71] Starting the LLM engine with 1 workers... INFO 07-10 14:30:29 async_llm_engine.py:73] LLM engine started successfully.关键检查点看到“LLM engine started successfully”表示模型加载成功没有出现“ERROR”或“FAILED”等错误信息服务启动时间通常在30秒到2分钟之间取决于硬件配置如果看到错误信息可能是模型文件损坏或内存不足。这时候可以尝试重启服务cd /root/workspace ./restart_llm.sh2.2 检查DeerFlow主服务状态确认模型服务正常后接下来检查DeerFlow的主服务。这个服务负责协调整个研究流程包括接收用户请求、分配任务给各个智能体、生成最终报告等。运行检查命令cat /root/workspace/bootstrap.log正常启动的日志应该包含以下关键信息INFO: Started server process [12345] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRLC to quit) INFO: Web UI available at http://localhost:3000服务状态解读Uvicorn running on http://0.0.0.0:8000后端API服务已启动监听8000端口Web UI available at http://localhost:3000前端界面已就绪可以通过3000端口访问如果看到“Application startup complete”说明所有组件初始化成功常见问题处理端口冲突如果8000或3000端口被占用服务会启动失败。可以检查是否有其他程序在使用这些端口。依赖缺失首次启动可能需要安装Python包日志中会有提示。配置错误检查.env配置文件是否正确设置。两个服务都正常启动后我们就可以进入下一步了。3. 访问Web界面开始你的第一次研究DeerFlow提供了两种使用方式命令行和Web界面。对于新手来说Web界面更加直观友好我们从这个开始。3.1 打开Web界面在CSDN星图镜像环境中打开Web界面非常简单在镜像管理页面找到“WebUI”按钮点击按钮系统会自动在新标签页中打开DeerFlow的Web界面界面加载完成后你会看到一个简洁的研究控制台。左侧是历史对话记录中间是主要的交互区域右侧可能有一些设置选项。界面布局说明顶部导航栏包含设置、帮助等选项左侧边栏显示历史研究项目可以快速切换中央区域主要的提问和结果显示区域底部输入框在这里输入你的研究问题第一次打开时界面可能是空白的这很正常。我们马上就会开始第一次提问。3.2 理解界面元素在开始提问前我们先熟悉几个关键界面元素新建研究按钮通常是一个“”号或“New Research”按钮点击开始新的研究项目输入框位于界面底部可以输入多行文本发送按钮输入框右侧的箭头或“发送”按钮设置图标齿轮形状的图标点击可以调整研究参数界面的设计很直观即使第一次使用也能很快上手。如果你习惯使用快捷键可以尝试Ctrl Enter发送问题Ctrl /打开设置Esc取消当前操作4. 第一次提问从简单问题开始现在到了最激动人心的部分——向DeerFlow提出你的第一个研究问题。我建议从相对简单但有趣的问题开始这样既能测试系统功能又能获得有价值的回答。4.1 如何提出好问题DeerFlow擅长处理需要多步骤研究的问题。好的问题应该具体明确避免过于宽泛的问题不好“告诉我关于人工智能的一切”好“人工智能在医疗影像诊断中的最新进展有哪些”有研究价值需要搜集和分析信息不好“今天天气怎么样”这是实时查询不是研究好“气候变化对咖啡产业的影响及应对策略”适度复杂需要多个步骤才能回答简单“Python是什么”可以直接回答合适“比较TensorFlow和PyTorch在自然语言处理任务中的性能差异”让我给你一些可以直接使用的示例问题# 技术类问题 1. “区块链技术在供应链管理中的应用案例和效果分析” 2. “对比React、Vue和Angular三个前端框架在2024年的发展趋势” 3. “机器学习模型部署到生产环境的最佳实践有哪些” # 商业分析类 4. “分析电动汽车电池技术的现状和未来发展方向” 5. “远程办公对科技公司生产力的影响研究” 6. “SaaS行业的定价策略和用户增长关系分析” # 学术研究类 7. “量子计算在药物发现中的应用前景” 8. “深度学习在天气预报中的最新进展” 9. “可再生能源存储技术的经济可行性分析”4.2 实际操作步骤现在让我们实际操作一下点击新建按钮在Web界面中找到“新建研究”或类似的按钮输入问题在输入框中粘贴或输入你的问题我想了解机器学习在金融风控中的应用现状和未来趋势点击发送点击发送按钮或按Ctrl Enter发送后你会看到界面发生变化状态指示器显示“正在规划”、“正在研究”、“生成报告”等状态实时进度可以看到系统正在执行哪些步骤中间结果可能会显示搜索到的网页、执行的计算等第一次运行可能会比较慢因为系统需要加载语言模型规划研究步骤执行网络搜索分析搜索结果生成最终报告整个过程通常需要1-3分钟取决于问题的复杂度和网络速度。4.3 理解研究过程DeerFlow执行研究时背后发生了什么让我们看看一个典型的研究流程用户提问 → 协调器分析 → 规划器制定计划 → 研究员搜集信息 → 编码员分析数据 → 报告员生成报告以“机器学习在金融风控中的应用”为例规划阶段约10-20秒系统分析问题确定需要搜索的关键词制定研究计划先了解金融风控的基本概念再搜索机器学习应用案例最后分析趋势研究阶段约30-60秒搜索“金融风控 机器学习 应用案例”查找相关学术论文和技术博客可能执行Python代码分析某些数据报告生成阶段约20-30秒整理所有搜集到的信息按照学术报告格式组织内容生成最终的研究报告在这个过程中你可以在界面上看到实时的进度更新。如果启用了“人在环中”模式系统还会在关键步骤等待你的确认。5. 查看和利用研究成果研究完成后DeerFlow会生成一份完整的研究报告。让我们看看如何查看和利用这些成果。5.1 研究报告的结构一份典型的DeerFlow报告包含以下部分# [研究主题] ## 执行摘要 - 核心发现总结 - 关键数据点 - 主要结论 ## 研究背景 - 问题的重要性 - 相关领域现状 - 研究目标 ## 方法论 - 使用的数据来源 - 分析方法 - 研究限制 ## 主要发现 - 分点列出关键发现 - 支持数据和分析 - 案例研究 ## 趋势分析 - 当前发展状况 - 未来预测 - 机遇与挑战 ## 结论与建议 - 总结性陈述 - 实用建议 - 进一步研究方向 ## 参考文献 - 引用的资料来源 - 相关链接报告的质量取决于问题的明确程度问题越具体报告越有针对性信息的可获得性公开信息越多报告越详细研究深度设置可以在设置中调整研究深度5.2 导出和分享成果DeerFlow支持多种输出格式Markdown格式可以直接复制到文档中PDF导出生成可打印的PDF文件播客音频将报告转换为语音需要TTS服务支持PPT演示文稿自动生成幻灯片需要Marp CLI使用建议对于技术研究Markdown格式最方便后续编辑对于汇报演示PPT格式可以直接使用对于通勤学习播客音频可以在路上听5.3 迭代优化研究第一次得到的结果可能不完全符合你的期望这很正常。DeerFlow支持迭代优化基于结果提出新问题刚才的报告提到了机器学习在反欺诈中的应用能详细说明一下具体的技术实现吗调整研究方向请更多关注监督学习和无监督学习在风控中的对比应用。要求特定格式请用表格形式对比不同机器学习算法的准确率和计算成本。系统会记住之前的对话上下文新的研究会基于已有信息进行深化。6. 进阶功能探索掌握了基本使用后你可以尝试DeerFlow的一些进阶功能让研究更加高效。6.1 人在环中模式默认情况下DeerFlow会自动执行完整的研究流程。但有时候你可能想要在关键步骤进行干预启用人在环中在设置中找到“Human in the Loop”选项启用该功能系统会在执行研究计划前显示计划内容你可以选择[ACCEPTED]接受计划继续执行[EDIT PLAN]修改计划比如“添加更多关于技术实现的步骤”这个功能特别适合复杂的研究项目需要分阶段进行对研究方向有特定要求想要控制研究深度和广度6.2 自定义搜索引擎DeerFlow支持多种搜索引擎你可以根据研究需求进行选择# 在.env配置文件中设置 SEARCH_APItavily # 默认专为AI优化的搜索 SEARCH_APIduckduckgo # 注重隐私无需API密钥 SEARCH_APIbrave_search # 注重隐私的高级搜索 SEARCH_APIarxiv # 学术论文专用选择建议一般研究使用Tavily需要API密钥或DuckDuckGo学术研究使用Arxiv获取论文商业分析Brave Search可能提供更全面的商业信息6.3 调整研究参数在高级设置中你可以调整研究参数# 在conf.yaml中配置 max_plan_iterations: 3 # 最大规划迭代次数 max_step_num: 5 # 研究计划最大步骤数 max_search_results: 10 # 每次搜索返回的结果数 report_style: academic # 报告风格academic/business/casual参数说明max_plan_iterations规划器重新规划的次数值越大研究越深入max_step_num每个研究计划包含的步骤数影响研究细致程度report_style改变报告的语言风格和结构7. 常见问题与解决方案作为新手你可能会遇到一些问题。这里列出了一些常见情况及其解决方法。7.1 服务启动问题问题运行cat /root/workspace/llm.log时看到错误信息。可能原因和解决模型加载失败ERROR: Failed to load model: File not found解决检查模型文件路径确保Qwen3-4B-Instruct-2507模型已正确下载。内存不足CUDA out of memory解决模型需要较大显存确保有足够GPU内存或调整batch size。端口被占用Address already in use解决修改配置文件中的端口号或关闭占用端口的程序。7.2 研究过程问题问题研究卡在某个步骤长时间没有进展。排查步骤检查网络连接特别是搜索功能需要访问外部网络查看日志文件了解具体卡在哪一步tail -f /root/workspace/deerflow.log尝试简化问题从更具体的小问题开始问题生成的内容质量不高。优化建议使问题更加具体明确启用“人在环中”模式手动指导研究方向调整研究参数增加max_plan_iterations和max_step_num7.3 性能优化建议如果觉得研究速度较慢可以尝试使用本地模型确保使用GPU加速CPU模式会非常慢限制搜索范围在问题中指定信息源如“搜索中文技术博客关于...”分批研究将大问题拆分成多个小问题分别研究缓存结果相同问题会使用缓存避免重复研究8. 总结与下一步恭喜你现在你已经完成了DeerFlow的第一次完整使用。让我们回顾一下今天学到的内容8.1 关键步骤回顾环境检查确认vllm和DeerFlow服务正常运行界面访问通过WebUI打开研究控制台提出问题输入具体、有研究价值的问题等待研究系统自动规划、搜索、分析、报告查看成果获得结构化的研究报告迭代优化基于结果提出更深入的问题8.2 实用技巧总结提问要具体明确的研究问题能得到更好的答案从简单开始先测试简单问题熟悉流程后再尝试复杂研究利用人在环中对重要研究启用人工审核确保方向正确多种输出格式根据需求选择合适的输出格式Markdown/PDF/音频/PPT8.3 下一步学习建议现在你已经掌握了基础可以尝试探索不同领域用DeerFlow研究你感兴趣的任何话题尝试高级功能配置不同的搜索引擎调整研究参数集成到工作流将DeerFlow的研究结果用于你的项目或学习学习底层原理如果你对技术感兴趣可以阅读DeerFlow的源代码了解多智能体系统如何工作记住DeerFlow是一个工具它的价值取决于你如何使用它。开始可能有些不习惯但随着使用次数的增加你会发现它能够显著提升你的研究效率。最好的学习方式就是实践。现在就去提出你的第二个、第三个问题看看DeerFlow能为你发现什么。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。