手把手教你用DeerFlow：从零开始打造智能研究报告生成系统
1. 这不是另一个“AI聊天框”，而是一个会自己查资料、写报告、做分析的研究员
你有没有过这样的经历：想快速了解一个新领域，比如“2025年国产大模型在金融风控中的落地进展”，结果打开搜索引擎，翻了二十页才找到三篇靠谱文章；再花一小时整理要点，写成一份像样的报告——还没完，还得配图、加数据、检查引用……整个过程耗时耗力，还容易遗漏关键信息。
DeerFlow 不是让你更快地“问问题”，而是帮你彻底跳过信息搜集、验证、整合、写作这些重复劳动。它能自动联网搜索权威信源，调用Python执行数据分析，调用MCP服务接入专业工具，最后生成结构清晰、有数据支撑、带参考来源的深度研究报告，甚至还能把报告转成播客脚本。
它不依赖你提供完整提示词，也不需要你手动拼接多个工具。你只需要输入一个研究主题，剩下的——规划步骤、分配任务、执行搜索、运行代码、撰写初稿、润色成文——全部由系统内部的多智能体协同完成。
这篇文章不讲抽象架构，不堆技术术语，就带你从镜像启动那一刻开始，一步步配置、操作、调试、优化，最终跑通一个真实的研究任务：自动生成一份关于“开源AI Agent框架对比分析”的技术报告。过程中你会看到：
- 它怎么判断该先搜论文还是先跑代码？
- 为什么生成的报告里既有网页截图又有Python图表？
- 如何让结果更聚焦、更专业、更符合你的写作风格？
全程无需改一行代码，所有操作都在浏览器里完成。现在，我们开始。
2. 镜像启动与服务状态确认：确保两个核心引擎都在运转
DeerFlow 的能力来自两套并行的服务：一个是底层的大语言模型推理服务（vLLM），负责理解、规划和生成；另一个是 DeerFlow 主程序服务，负责协调智能体、调度工具、渲染界面。两者必须同时正常运行，系统才能工作。
2.1 检查大模型推理服务是否就绪
DeerFlow 内置了已部署好的 Qwen3-4B-Instruct-2507 模型服务，运行在 vLLM 框架上。这是整个系统的“大脑”，所有思考、决策、写作都依赖它。
打开终端，执行以下命令查看日志：
cat /root/workspace/llm.log如果服务启动成功，你会看到类似这样的输出（关键信息是INFO级别日志中出现Started server process和端口监听信息）：
INFO 01-26 14:22:33 [server.py:298] Started server process (pid=123) INFO 01-26 14:22:33 [engine.py:156] Started engine core (pid=124) INFO 01-26 14:22:34 [http_server.py:120] HTTP server started on http://0.0.0.0:8000成功标志：看到HTTP server started on http://0.0.0.0:8000，说明模型服务已在 8000 端口就绪，等待被调用。
常见问题：如果日志末尾是报错（如OSError: [Errno 98] Address already in use），说明端口被占，可重启镜像或联系支持。
2.2 检查 DeerFlow 主服务是否激活
主服务是“指挥中心”，它读取你的提问，拆解任务，分派给研究员、编码员等角色，并把最终结果组装成报告。
执行命令：
cat /root/workspace/bootstrap.log成功启动的日志会包含明确的初始化完成信息：
INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8001 (Press CTRL+C to quit) INFO: DeerFlow coordinator initialized with Tavily search and Python REPL成功标志：看到Application startup complete.和DeerFlow coordinator initialized...，且监听端口为8001。
注意：两个服务监听不同端口（模型服务 8000，DeerFlow 8001），这是设计使然，不是错误。
3. 前端界面操作全流程：三步完成一次深度研究
服务就绪后，就可以通过 Web UI 开始使用了。整个流程极简，但每一步背后都有复杂的智能体协作。
3.1 进入 Web UI 并启动交互
在镜像控制台界面，点击WebUI按钮（通常位于右上角或侧边栏）。这会自动打开一个新的浏览器标签页，地址类似https://your-instance-id.csdn.net:8001。
页面加载完成后，你会看到一个简洁的对话式界面，顶部有项目名称 “DeerFlow”，中央是聊天窗口，底部是输入框。
3.2 触发深度研究模式
DeerFlow 默认是“轻量问答”模式，类似普通聊天机器人。要启用真正的研究报告生成功能，你需要主动触发“深度研究”。
点击输入框左侧的“Start Research”按钮（一个带有放大镜图标的蓝色按钮）。这个动作至关重要——它告诉系统：“请不要只回答一句话，我要一份完整的、有依据的、可交付的研究报告。”
为什么这一步不能省？
因为深度研究涉及大量资源消耗：多次网络请求、可能的代码执行、长文本生成。系统默认保持轻量，避免误触发。点击按钮，既是用户授权，也是任务启动信号。
3.3 输入研究主题并等待交付
在输入框中，用自然语言描述你的研究需求。越具体，结果越精准。例如：
- 模糊：“AI Agent”
- 清晰：“对比分析 LangGraph、AutoGen 和 DeerFlow 这三个开源 AI Agent 框架，在多智能体协作、工具调用灵活性、中文支持和部署复杂度四个维度上的优劣，并附上各自 GitHub 最近三个月的 star 增长趋势图”
按下回车，系统开始工作。你会看到界面上依次出现不同角色的“发言”：
- Planner（规划者）：先告诉你它打算怎么做。“我将分三步进行：1. 搜索各框架的官方文档和最新评测；2. 从 GitHub API 获取 star 数据并绘图；3. 综合信息生成对比报告。”
- Researcher（研究员）：显示它正在调用 Tavily 搜索引擎，返回多个高相关性网页链接，并摘要关键内容。
- Coder（编码员）：展示它生成了一段 Python 代码，用于调用 GitHub REST API 获取 star 数，并用 matplotlib 绘制折线图。代码会自动执行，结果以图表形式嵌入。
- Reporter（报告员）：最后，它将所有信息整合，生成一份带标题、章节、数据图表、参考文献的 Markdown 格式报告。
整个过程通常在 2–5 分钟内完成，取决于网络和任务复杂度。
4. 理解背后的智能体协作：它不是在“猜”，而是在“执行”
很多用户第一次看到 DeerFlow 生成报告，会惊讶于它的条理性。这不是大模型“编”出来的，而是由一套精密的多智能体系统分工协作的结果。理解这一点，能帮你更好地引导它产出想要的结果。
4.1 四个核心角色如何各司其职
| 角色 | 职责 | 你如何感知它在工作 | 关键能力 |
|---|---|---|---|
| Planner（规划者） | 接收你的原始问题，拆解为可执行的子任务序列，并决定每个任务由谁来完成 | 界面首条回复，会明确列出“我将分X步进行…” | 任务分解、优先级判断、工具选择 |
| Researcher（研究员） | 执行网络搜索，筛选权威信源，提取关键事实和数据 | 显示搜索关键词、返回的网页标题和摘要 | 多搜索引擎集成（Tavily/Brave）、信息甄别 |
| Coder（编码员） | 编写并执行 Python 代码，处理数据、调用 API、生成图表 | 展示生成的代码块，并立即输出执行结果（如表格、图表） | 安全沙箱环境、Python 3.12+ 支持、matplotlib/seaborn |
| Reporter（报告员） | 汇总所有信息，按逻辑组织，撰写专业报告，添加引用和格式 | 最终交付的是一份结构完整、带图表、有参考文献的文档 | 报告模板、引用管理、风格一致性 |
它们不是独立工作，而是通过 LangGraph 构建的状态机实时通信。比如，Coder 生成的图表数据，会自动作为 Reporter 的输入；Researcher 找到的一篇论文结论，会被 Planner 引用到下一步的搜索策略中。
4.2 为什么它有时会“卡住”？——看懂状态流转
如果你发现某次研究长时间停留在某个角色（比如一直显示“Researcher 正在搜索…”），可以观察日志或界面提示。常见原因有：
- 网络超时：研究员调用的搜索引擎暂时无响应。系统会自动重试，或降级使用备用搜索引擎。
- 代码执行失败：Coder 生成的代码有语法错误或 API 调用失败。它会分析错误信息，修正代码后重试。
- 信息不足：Planner 发现当前步骤无法推进（如搜索结果全部无关），会主动返回给 Planner，要求重新规划。
这种“失败-反思-重试”的机制，正是它区别于普通 LLM 的关键——它具备了可观察、可调试、可恢复的工程化行为。
5. 提升报告质量的实用技巧：从“能用”到“好用”
DeerFlow 的默认表现已经很强大，但通过几个简单设置，你可以让它更贴合你的专业需求。
5.1 用“指令前置”明确报告风格与范围
在提问开头，加入一句清晰的指令，能极大提升结果质量。例如：
请以一位资深AI架构师的身份，为技术决策团队撰写一份报告。要求：1. 仅对比框架的核心架构差异，不讨论安装教程；2. 所有数据必须标注来源链接；3. 结论部分需给出明确的选型建议。
这样，Planner 在第一步就会把“架构师视角”、“决策团队”、“明确选型”作为硬性约束，后续所有角色都会围绕此展开。
5.2 利用“追问”进行深度迭代
生成的初稿不是终点。你可以像和同事讨论一样，对报告中的任意部分发起追问：
- “第二章提到 LangGraph 的状态机更灵活，请用一个具体代码片段说明它如何比 AutoGen 更易扩展？”
- “图表里的 star 增长数据，能补充一下各框架在 Hugging Face 上的模型下载量对比吗？”
系统会识别这是对已有报告的深化，直接调用 Coder 或 Researcher 补充相应信息，而不是从头开始。
5.3 导出与再利用：让报告真正进入你的工作流
生成的报告默认以 Markdown 格式呈现，这意味着你可以：
- 直接复制粘贴到 Notion、语雀等知识库；
- 用 Typora 等编辑器导出为 PDF，作为正式交付物；
- 将其中的 Python 代码块单独保存，用于后续自动化；
- 将报告中的参考文献列表，一键导入 Zotero 管理。
它不是一个封闭的“黑盒输出”，而是一个可编辑、可复用、可嵌入你现有工作流的活文档。
6. 总结：你获得的不仅是一个工具，而是一个可成长的研究伙伴
回顾整个过程，你没有配置任何 API Key，没有编写一行部署脚本，没有调试环境依赖。你只是：
- 确认了两个服务在后台安静运行；
- 点击了一个按钮，启动了深度研究；
- 用自然语言描述了需求；
- 等待几分钟，收获了一份专业级报告。
这背后，是 LangStack 框架对多智能体协作的优雅抽象，是 DeerFlow 对研究工作流的深刻理解，更是开源社区将前沿 AI 工程能力平民化的切实努力。
它不会取代你的思考，但会把你从信息洪流中解放出来，让你把精力聚焦在真正的价值点上：提出关键问题、判断信息真伪、做出战略决策。
下一次，当你面对一个陌生的技术领域、一个复杂的市场问题、一个需要多方验证的假设时，不妨试试对 DeerFlow 说：“请帮我深度研究一下……”。然后，坐下来，喝杯咖啡，看它为你构建认知。
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。
