字节跳动开源DeerFlow，解锁AI研究新姿势
目录
一、揭开 DeerFlow 的神秘面纱
二、探秘 DeerFlow 的技术架构
2.1 多智能体协作系统
2.2 工具链集成
三、体验 DeerFlow 的核心功能
3.1 全流程研究支持
3.2 多媒体内容生成
3.3 Replay 模式
四、对比同类，DeerFlow 优势何在
4.1 效率大幅提升
4.2 灵活性强
4.3 开源价值高
五、DeerFlow 的多元应用场景
5.1 学术研究
5.2 商业分析
5.3 开发者生态
六、上手 DeerFlow，开启 AI 研究之旅
6.1 推荐工具
6.2 环境要求
6.3 安装
6.4 控制台UI
6.5 Web UI
七、总结与展望
一、揭开 DeerFlow 的神秘面纱
在人工智能技术日新月异的 2025 年，字节跳动于 5 月 9 日投下了一颗重磅炸弹 —— 开源深度研究框架 DeerFlow。这一框架的诞生，犹如在 AI 研究领域激起千层浪，迅速吸引了全球开发者与研究者的目光。
DeerFlow，全称 Deep Exploration and Efficient Research Flow，从名字便能窥探其宏大愿景：实现深度探索与高效研究流程的融合。它基于 LangChain 和 LangGraph 框架构建，这就如同为其赋予了强大的“智能骨架”，使其能够将语言模型与网络搜索、爬虫、Python 代码执行等专业工具深度整合，宛如一位全能助手，为自动化研究和内容创作开辟了崭新天地。 举个简单的例子，当你想要研究某一领域的前沿知识时，以往可能需要在海量的学术数据库、网页资料中手动筛选，耗费大量时间和精力。而有了 DeerFlow，它能通过多智能体协作，让“研究员智能体”利用网络搜索和 Arxiv 学术资源检索工具，快速定位相关资料；“编码员智能体”则可运用 Python 代码执行环境，对数据进行分析处理；最后“报告员智能体”将这些成果整合，生成一份条理清晰的研究报告。 这种多智能体协作与模块化设计，打破了传统研究的局限，实现了从信息收集到成果输出的全流程自动化，大大提升了研究效率。 此外，DeerFlow 还强调“人在回路”（Human-in-the-loop）理念，并非完全取代人类的智慧，而是让用户随时能够介入研究过程，根据自己的专业知识和经验调整研究计划，实现人机的完美协作，产出更具价值的研究成果。
Github 项目仓库：https://github.com/bytedance/deer-flow
DeerFlow 官方网站：https://deerflow.tech/
二、探秘 DeerFlow 的技术架构
DeerFlow 的强大功能背后，是其精妙绝伦的技术架构，恰似一座精心构建的智能大厦，每一层结构都蕴含着创新的智慧，支撑着整个框架高效、稳定地运行。
2.1 多智能体协作系统
DeerFlow 采用 LangGraph 构建了独特的模块化架构，宛如搭建起一个分工明确、协同高效的“智能工厂”。在这个架构中，各个组件犹如工厂里的不同部门，各司其职，却又紧密协作。
协调器如同工厂的总调度，负责管理任务流程，把控着整个工作流生命周期的入口点。它根据用户输入启动研究过程，在恰当的时机将任务委派给规划器，是用户与系统之间沟通的主要桥梁。
规划器则像一位睿智的战略家，负责任务分解与规划。当接到研究目标时，它会深入分析，将大目标拆解成一个个具体的、可执行的小任务，并制定出结构化的执行计划。它还会时刻审视研究过程，判断是否有足够的上下文信息，或者是否需要进一步探索更多研究资料，以确保研究方向的正确性。
而研究团队则是由一群专业的“智能体”组成，包括研究员、编码员和报告员。研究员就像是信息收集员，利用网络搜索引擎、爬虫以及 MCP 服务等工具，在信息的海洋中广泛搜索和收集有价值的信息；编码员如同技术专家，运用 Python REPL 工具处理代码分析、执行和技术任务，为研究提供技术支持；报告员则是成果整合者，在研究的最后阶段，汇总研究团队其他成员的发现，精心处理和组织收集到的信息，生成全面、详实的研究报告。
这种多智能体协作系统的优势在实际应用中尤为显著。例如，在进行一项复杂的市场调研时，传统的 LangChain Supervisor 可能需要频繁调用 API 获取信息，不仅耗费大量的时间和资源，还可能因为 Token 消耗过多而增加成本。而 DeerFlow 的优化设计，使得它能够通过智能体之间的协作，更高效地利用已有的信息，减少不必要的 API 调用，从而显著降低 Token 消耗，提升执行效率。它还支持动态调整任务计划（Re-planning）。在研究过程中，如果遇到新的情况或者发现原计划存在问题，系统能够迅速做出反应，重新规划任务流程，确保研究能够顺利进行，这是传统架构难以比拟的灵活性。
2.2 工具链集成
DeerFlow 具备强大的工具链集成能力，它就像一个万能的接口，能够无缝接入多种专业工具，为研究提供全方位的支持。
它可以轻松接入 MCP 服务，这类似于私域搜索和设备操作的功能，能够帮助用户获取企业内部或特定领域的专属信息，打破信息壁垒；同时，它还集成了网络爬虫，能够在互联网的广阔天地中自动抓取所需的数据，大大拓宽了信息来源渠道。此外，DeerFlow 内置了 Python 代码执行环境，使得用户在进行数据分析、模型训练等操作时更加便捷，无需在不同的平台和工具之间频繁切换。
在处理一些需要复杂数据处理的研究任务时，DeerFlow 可以先利用网络爬虫获取相关数据，然后通过 Python 代码执行环境对数据进行清洗、分析和建模，最后结合 MCP 服务中的行业知识和经验，得出更具价值的研究结论。
为了让用户更便捷地使用这些工具，DeerFlow 基于 Meta Prompt 技术，利用 OpenAI 官方模板自动生成高质量指令。以往，用户在使用 AI 工具时，常常需要花费大量时间和精力去编写 Prompt，以引导模型生成准确的结果，这对于非专业人士来说门槛较高。而 DeerFlow 的 Meta Prompt 技术，就像是一个智能翻译官，用户只需用自然语言描述自己的需求，它就能根据 OpenAI 官方模板，自动将用户需求转化为高质量的指令，让模型理解并执行，大大降低了人工编写 Prompt 的门槛。例如，用户想要研究某一领域的最新趋势，只需输入“帮我研究一下 [领域名称] 的最新趋势”，DeerFlow 就能自动生成合适的 Prompt，调用相关工具进行信息收集和分析，为用户呈现出详细的研究报告。
三、体验 DeerFlow 的核心功能
在深入了解 DeerFlow 的技术架构之后，让我们亲自上手体验一下它的核心功能，感受其在实际应用中的强大魅力。
3.1 全流程研究支持
DeerFlow 的全流程研究支持功能，就像是一位不知疲倦的研究助理，能够陪伴你完成从研究目标确定到最终成果输出的每一个环节。
以“埃菲尔铁塔与最高建筑的高度对比”这一研究课题为例，当你将这个研究目标输入 DeerFlow 后，规划器便迅速行动起来。它如同一位经验丰富的战略家，对目标进行深入剖析，将其拆解为多个具体的小任务。比如，确定需要收集哪些建筑的数据，从哪些权威渠道获取这些数据，以及如何对这些数据进行有效的分析和对比等。
随后，研究员智能体开始忙碌起来，它利用强大的网络搜索和 Arxiv 学术资源检索工具，在浩如烟海的信息中精准定位相关资料。它可能会从建筑领域的专业网站、学术数据库中找到关于埃菲尔铁塔以及世界上其他著名高楼大厦的详细信息，包括建筑高度、建造时间、建筑结构等。编码员智能体则运用 Python 代码执行环境，对收集到的数据进行清洗、整理和分析。它可以编写代码，将不同来源的数据进行整合，去除重复和错误的数据，然后通过数据分析算法，计算出埃菲尔铁塔与其他最高建筑之间的高度差值，并生成直观的数据图表。
在整个研究过程中，你还可以通过自然语言实时干预 AI 生成的计划或报告。如果在数据收集阶段，你发现某个数据源不够权威，或者想要补充其他特定的建筑数据，只需输入你的需求，DeerFlow 就能及时调整研究计划，确保研究的准确性和全面性。当所有的研究任务完成后，报告员智能体便会将这些零散的信息和分析结果进行汇总，精心撰写成一份图文并茂的研究报告。报告中不仅有详细的数据对比分析，还有生动的图表展示，让你一目了然地了解埃菲尔铁塔与最高建筑的高度对比情况。
3.2 多媒体内容生成
完成研究报告后，DeerFlow 还能为你带来更多惊喜，它具备强大的多媒体内容生成能力。只需一键操作，你的研究报告就能摇身一变，成为一段引人入胜的双人主持播客音频，或者一份精美的文字版 PPT。
想象一下，你辛苦完成的关于“埃菲尔铁塔与最高建筑的高度对比”的研究报告，现在可以通过播客的形式传播出去。DeerFlow 借助火山引擎的语音技术，将报告内容转化为自然流畅的语音。而且，它还支持音色定制，你可以根据自己的喜好选择不同的音色，比如温暖亲切的男声、甜美动听的女声，甚至是富有磁性的专业播音员音色。在播客中，两个虚拟主持人会以生动有趣的对话方式，向听众介绍埃菲尔铁塔与最高建筑的高度对比情况，让原本枯燥的研究内容变得生动起来。
DeerFlow 还能将研究报告转化为文字版 PPT。它会根据报告的内容结构，自动生成合适的 PPT 模板，将重要的数据和观点以清晰明了的方式展示在每一页 PPT 上。你可以根据自己的需求对 PPT 进行进一步的编辑和美化，添加图片、动画效果等，使其更加专业和吸引人。无论是用于学术汇报、商业演示还是在线分享，这样的 PPT 都能让你的研究成果更加直观地呈现在观众面前。
3.3 Replay 模式
在使用 DeerFlow 的过程中，Replay 模式为用户提供了一种全新的交互体验，它就像是一个时光机，能够让你随时回顾与 DeerFlow 的交互过程。
当你完成了“埃菲尔铁塔与最高建筑的高度对比”的研究后，如果想要回顾整个研究过程，看看 DeerFlow 是如何一步步完成任务的，只需点击 Replay 模式。此时，系统会以快照的形式回放你与 DeerFlow 的每一次交互，从最初输入研究目标，到规划器制定任务计划，研究员智能体收集信息，编码员智能体分析数据，再到报告员智能体生成报告，每一个步骤都清晰可见。
这种交互过程的回放，不仅方便你追溯研究逻辑与步骤，还能帮助你发现研究过程中可能存在的问题和不足之处。比如，你可以通过回放观察到某个数据的收集来源是否可靠，或者某个分析步骤是否存在偏差。如果发现问题，你可以根据回放的内容，重新调整研究计划，再次运行 DeerFlow，以获得更准确的研究结果。对于开发者和研究者来说，Replay 模式还具有重要的学习和研究价值。通过观察智能体之间的协作过程和交互细节，他们可以深入了解多智能体系统的工作原理，为进一步优化和改进 DeerFlow 提供宝贵的经验。
四、对比同类，DeerFlow 优势何在
在 AI 研究工具的激烈竞争中，DeerFlow 凭借其独特的优势脱颖而出，犹如一颗璀璨的明星，照亮了研究领域的前行之路。
4.1 效率大幅提升
在传统的研究模式中，进行一次文献综述往往是一项耗时费力的艰巨任务。研究人员需要在海量的学术数据库、图书馆藏以及互联网资源中手动筛选信息，逐一阅读相关文献，提取有用的内容，并进行整理和分析。这一过程可能需要数周甚至数月的时间，不仅耗费了大量的时间和精力，还可能因为人为的疏忽而遗漏重要信息。
而 DeerFlow 的出现，彻底改变了这一局面。它利用多智能体协作和强大的工具链集成能力，能够在短短数小时内完成传统文献综述需数周才能完成的工作。以跨领域研究为例，当研究人员需要探索人工智能与医疗领域的交叉应用时，DeerFlow 可以同时调动网络搜索工具、学术资源检索工具以及专业数据库爬虫，迅速收集来自不同领域的相关资料。编码员智能体能够运用 Python 代码执行环境，对这些复杂的数据进行高效分析，挖掘其中的潜在关联。报告员智能体则能在短时间内将分析结果整理成一份逻辑清晰、内容详实的研究报告，大大提高了研究效率。它还支持实时更新信息，确保研究始终基于最新的知识和数据，这是传统研究方式难以企及的。
4.2 灵活性强
传统的检索增强生成（RAG）模型在面对复杂多变的研究场景时，常常显得力不从心。它们往往依赖于单一的检索方式，将数据分解成文本块并独立检索这些片段，这可能导致遗漏信息片段之间的关系，缺乏全局视角。在处理一些需要深度推理和综合分析的问题时，传统 RAG 模型可能会因为无法准确理解上下文和语义关联，而给出片面或不准确的答案。
DeerFlow 则采用了动态任务规划机制，能够根据研究过程中的实际情况，实时调整任务计划和执行策略。在进行一项市场调研时，如果最初设定的研究方向遇到数据不足或信息不准确的问题，DeerFlow 的规划器能够迅速分析情况，重新规划研究路径，调整搜索策略和数据处理方法。研究员智能体可以根据新的任务要求，拓展搜索范围，寻找更多相关的数据源；编码员智能体也能灵活调整代码逻辑，以适应新的数据格式和分析需求。这种强大的灵活性，使得 DeerFlow 能够在复杂的研究场景中应对自如，避免了传统 RAG 的单一检索局限，为用户提供更全面、准确的研究支持。
4.3 开源价值高
在开源领域，许多项目虽然提供了一定的功能，但对于企业级应用来说，往往存在功能缺失或需要付费升级的情况。这对于一些预算有限的企业和开发者来说，无疑是一道难以跨越的门槛。
DeerFlow 则打破了这一困境，它提供了企业级功能的免费方案。无论是多智能体协作系统、强大的工具链集成，还是全流程研究支持和多媒体内容生成等高级功能，用户都可以免费使用。这使得企业和开发者能够在不增加过多成本的情况下，享受到先进的 AI 研究工具带来的便利。DeerFlow 的开源性质也促进了社区协作创新。全球的开发者和研究者可以共同参与到项目的改进和扩展中，分享自己的想法和代码，为 DeerFlow 注入新的活力。通过社区的力量，DeerFlow 能够不断进化，适应更多的应用场景和需求，成为推动 AI 研究发展的重要力量。
五、DeerFlow 的多元应用场景
5.1 学术研究
在学术的广袤天地里，DeerFlow 宛如一位得力的学术助手，为研究者们排忧解难。以往，撰写一篇高质量的文献综述，研究者需要在海量的学术文献中艰难跋涉，手动筛选、整理和分析信息，这一过程往往耗费大量的时间和精力。而如今，DeerFlow 的出现改变了这一局面。它能够利用强大的网络搜索和 Arxiv 学术资源检索工具，在短时间内收集到全面且最新的学术资料。以医学领域为例，当研究人员需要对某种罕见疾病的最新治疗方法进行文献综述时，DeerFlow 可以迅速从全球各大医学数据库和学术期刊中，搜索到相关的研究论文、临床报告等资料。编码员智能体则运用 Python 代码执行环境，对这些复杂的数据进行清洗、分析和统计，挖掘出数据背后的潜在规律和趋势。最后，报告员智能体将这些分析结果整理成一份逻辑严谨、内容详实的文献综述报告。DeerFlow 还能助力数据可视化。它可以将复杂的研究数据转化为直观的图表、图形等形式，使研究结果更加清晰易懂。在跨学科研究中，DeerFlow 更是发挥着重要作用。它能够整合不同学科的知识和方法，帮助研究者验证跨学科的研究假设，促进学科之间的交叉融合。例如，在研究人工智能与心理学的交叉领域时，DeerFlow 可以同时收集人工智能领域的技术进展和心理学领域的相关理论，为研究者提供全面的研究支持。
5.2 商业分析
在商业领域，DeerFlow 同样展现出了巨大的价值，成为企业决策的有力智囊。对于企业来说，了解市场动态、分析竞品情况以及制定投资策略是至关重要的。DeerFlow 能够通过网络搜索、数据爬虫等工具，收集大量的市场数据，包括行业报告、竞争对手的产品信息、市场份额数据等。然后，利用这些数据，它可以生成详细的市场竞品报告。在报告中，不仅会对竞争对手的产品特点、优势和劣势进行深入分析，还会与自家产品进行对比，为企业提供针对性的改进建议。在投资领域，DeerFlow 也能发挥重要作用。它可以分析宏观经济数据、行业发展趋势以及企业的财务状况等信息，为投资者提供专业的投资建议。它可以通过对历史数据的分析，预测某一行业在未来一段时间内的发展趋势，帮助投资者判断是否值得投资。DeerFlow 还支持将分析结论以播客的形式传播。这对于企业来说，是一种全新的、高效的信息传播方式。企业可以将市场分析报告、投资建议等内容制作成播客，让员工、合作伙伴或投资者能够更轻松地获取信息，随时随地了解企业的发展动态和市场趋势。
5.3 开发者生态
在开发者的世界里，DeerFlow 就像是一把万能钥匙，为他们打开了多智能体系统开发的便捷之门。对于教育机构而言，DeerFlow 提供了丰富的教学资源和实践案例。教师可以利用 DeerFlow 开展人工智能课程教学，让学生通过实际操作，深入了解多智能体系统的工作原理和应用场景。学生可以使用 DeerFlow 完成一些简单的研究项目，如数据分析、信息检索等，培养他们的编程能力和创新思维。在企业中，DeerFlow 能够满足定制化开发的需求。企业可以根据自身的业务需求，对 DeerFlow 进行二次开发，将其集成到企业的工作流程中。例如，一家电商企业可以利用 DeerFlow 开发一个智能客服系统，通过多智能体协作，实现对客户咨询的快速响应和准确解答。DeerFlow 的开源特性也促进了开发者之间的交流与合作。全球的开发者可以在 DeerFlow 的开源社区中分享自己的代码、经验和想法，共同推动多智能体系统的发展和创新。
六、上手 DeerFlow，开启 AI 研究之旅
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：
6.1 推荐工具
- uv: 简化Python环境和依赖管理。uv会自动在根目录创建虚拟环境并为您安装所有必需的包—无需手动安装Python环境。
- nvm: 轻松管理多个Node.js运行时版本。
- pnpm: 安装和管理Node.js项目的依赖。
6.2 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+
6.3 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 install6.4 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.py6.5 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，即可尽情探索 DeerFlow 的 Web UI，开启您的 AI 研究之旅。
七、总结与展望
DeerFlow 以其创新的多智能体协作架构、强大的工具链集成以及丰富的功能，为学术研究、商业分析等领域带来了前所未有的变革，显著提升了研究效率，打破了传统研究模式的局限。随着 AI 技术的飞速发展，DeerFlow 有望在更多领域拓展应用，不断优化和完善其功能，为用户提供更强大、更智能的研究支持。无论是科研工作者渴望突破学术难题，还是企业决策者追求精准的市场洞察，亦或是开发者探索多智能体系统的无限可能，DeerFlow 都将是您不可或缺的得力助手。快来亲自体验 DeerFlow 吧，开启您的高效 AI 研究之旅，一同见证它在未来发展中的无限潜力！