DeerFlow新手指南：控制台UI与Web UI双模式使用

DeerFlow新手指南：控制台UI与Web UI双模式使用

1. 什么是DeerFlow？你的个人深度研究助理

你有没有过这样的经历：想快速了解一个前沿技术，却要在十几个网页间反复跳转、复制粘贴、整理逻辑；想分析某个行业的最新动态，却发现信息零散、观点矛盾、数据陈旧；甚至想把一份专业报告转化成通俗易懂的播客脚本，却卡在内容重构和语音表达上？

DeerFlow就是为解决这些问题而生的。它不是另一个聊天机器人，而是一个真正能“动手做事”的深度研究助手——它会主动搜索、自主推理、调用代码、整合信息、生成报告，甚至为你朗读出来。

想象一下：你输入一句“请分析2024年医疗AI在影像诊断领域的落地瓶颈与突破案例”，DeerFlow不会只给你几段泛泛而谈的文字。它会立刻调用Tavily搜索引擎获取最新论文与行业报道，用Python爬取FDA和NMPA的审批数据库，运行代码比对不同模型在CT影像分割任务上的公开指标，再将所有线索组织成结构清晰的报告，并自动生成一段3分钟的专业播客摘要。

它不替代你的思考，而是把你从信息搬运工，变成真正的研究指挥官。

2. DeerFlow的核心能力与技术底座

2.1 一个开源、可运行、可扩展的深度研究系统

DeerFlow是字节跳动基于LangStack技术框架开发并开源的Deep Research项目。它并非概念演示，而是一个开箱即用、模块清晰、部署明确的工程化系统。项目托管于GitHub官方组织，代码完全开放，你可以自由查看、调试、二次开发。

它的核心价值在于“闭环研究能力”——从问题提出，到信息获取、分析验证、结论生成，再到多形态输出（文本报告+播客音频），全程无需人工干预。

2.2 模块化多智能体架构：像一支分工明确的研究团队

DeerFlow采用LangGraph构建的多智能体系统，每个组件各司其职，协同工作：

• 协调器（Orchestrator）：相当于整个研究流程的“项目经理”，负责理解你的原始问题，拆解任务，分配给不同角色，并监督进度。
• 规划器（Planner）：接到任务后，它会制定详细的研究路线图——先查什么、再跑什么代码、最后怎么整合。
• 研究员（Researcher）：专职网络搜索与信息采集，支持Tavily、Brave Search等多引擎切换，确保信息来源广、时效强、可信度高。
• 编码员（Coder）：当需要数据验证或自动化处理时，它会自动生成并执行Python脚本，比如解析JSON API响应、清洗CSV表格、绘制趋势图。
• 报告员（Reporter）：汇总所有成果，生成逻辑严密、层次分明的Markdown报告，并可一键转为播客脚本。

这种设计让DeerFlow具备了远超单一大模型的“执行力”——它不只是“知道”，更是“做到”。

2.3 双UI模式：控制台适合极客，Web界面照顾所有人

DeerFlow提供两种交互方式，满足不同用户的使用习惯：

• 控制台UI（CLI）：面向开发者与技术用户，通过命令行直接输入研究指令，响应快、日志全、调试直观。适合快速验证、批量任务、集成到自动化流水线中。
• Web UI（浏览器界面）：图形化操作，所见即所得。有清晰的输入框、状态指示、历史记录、结果预览区，还支持上传文件、选择输出格式、调节语音语速等。哪怕你从未写过一行代码，也能在30秒内完成一次完整研究。

两者底层共享同一套服务，只是前端表现不同。你可以今天用Web界面做市场调研，明天用命令行批量生成10份竞品分析，无缝切换。

2.4 开箱即用的工具链：搜索、代码、语音，全部就位

DeerFlow不是“光说不练”的框架，它预置了真实可用的工具链：

• 搜索引擎集成：已配置Tavily和Brave Search，无需额外申请API Key，搜索即用。
• Python执行环境：内置安全沙箱，支持NumPy、Pandas、Requests等常用库，可放心运行数据分析脚本。
• 火山引擎TTS语音合成：生成的报告可一键转为自然流畅的中文播客，支持多种音色与语速调节。
• MCP系统集成能力：预留标准接口，方便接入企业内部知识库、CRM、BI系统等，让DeerFlow成为你组织的专属研究中枢。

它不是一个玩具，而是一套已经打磨好的“研究操作系统”。

3. 快速上手：双模式使用全流程

3.1 启动前确认：两个关键服务是否就绪

DeerFlow依赖两个核心服务：一个是vLLM驱动的大语言模型服务（Qwen3-4B-Instruct-2507），另一个是DeerFlow自身的业务逻辑服务。启动后，请务必检查它们是否正常运行。

3.1.1 检查vLLM模型服务状态

打开终端，执行以下命令查看模型服务日志：

cat /root/workspace/llm.log

如果看到类似以下内容，说明vLLM服务已成功加载模型并监听端口：

INFO 01-26 10:23:42 [server.py:289] Started server process INFO 01-26 10:23:42 [engine.py:127] Engine started. INFO 01-26 10:23:42 [http_server.py:145] HTTP server started on http://0.0.0.0:8000

小提示：llm.log文件里出现HTTP server started是最关键的信号，代表模型API已对外提供服务。

3.1.2 检查DeerFlow主服务状态

接着检查DeerFlow自身服务是否启动成功：

cat /root/workspace/bootstrap.log

正常情况下，你会看到服务初始化完成、各模块注册成功的日志，例如：

INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8001 (Press CTRL+C to quit) INFO: Loaded researcher agent with Tavily search INFO: Coder sandbox initialized successfully

注意：Uvicorn running on http://0.0.0.0:8001表明DeerFlow后端服务已就绪，Web UI和CLI都将通过这个地址通信。

3.2 使用Web UI：三步完成一次深度研究

Web UI是最快上手的方式。整个过程只需三步，无需记忆命令，也无需理解任何技术细节。

3.2.1 打开前端界面

在镜像环境中，点击左侧导航栏的webui按钮。这会自动在新标签页中打开DeerFlow的Web界面，地址通常是http://localhost:8001。

3.2.2 启动研究会话

进入页面后，你会看到一个简洁的主界面。找到右上角的红色圆形按钮（图标为一个向右的箭头，代表“开始”）。点击它，DeerFlow会立即初始化一个全新的研究会话，准备接收你的第一个问题。

3.2.3 提出你的研究问题

在中央的大输入框中，用自然语言写下你想研究的问题。例如：

• “对比2023与2024年比特币价格走势，分析影响最大的三个事件及其后续市场反应”
• “总结近半年PubMed上关于‘AI辅助乳腺癌早期筛查’的临床试验进展，列出样本量、准确率与主要结论”
• “用Python生成一张展示中国新能源汽车出口量TOP5国家及同比增速的横向柱状图”

按下回车键，DeerFlow就会开始工作：搜索、分析、编码、撰写……你可以在界面上实时看到每一步的进展与中间结果。

实用技巧：Web UI会自动保存每次会话的历史记录。你可以随时返回查看之前的分析过程，或点击“重新运行”按钮，用相同问题触发新一轮更深入的研究。

3.3 使用控制台UI：高效、可复现的极客方式

当你熟悉了基本流程，或者需要批量处理、集成进脚本时，控制台UI就展现出巨大优势。

3.3.1 进入CLI环境

在终端中，确保你位于DeerFlow项目根目录（通常是/root/workspace/deerflow），然后执行：

python -m deerflow.cli

你会看到一个类似聊天窗口的界面，顶部显示欢迎信息，底部是光标闪烁的输入提示符。

3.3.2 发起研究指令

直接输入你的问题，例如：

请帮我生成一份关于“RAG技术在企业知识库应用中的常见陷阱与规避方案”的简明指南，要求包含3个真实案例。

DeerFlow CLI会以纯文本流形式输出全过程：从搜索关键词、调用API、执行代码，到最终生成报告。所有输出都可被重定向、被管道传递、被其他程序解析。

3.3.3 利用CLI的高级特性

• 指定输出格式：添加--format markdown或--format podcast，直接获得对应格式的结果。
• 加载历史会话：用--session <id>参数复用之前某次研究的上下文。
• 限制工具使用：如--no-search强制禁用网络搜索，仅使用本地知识或代码能力。

CLI不是“备用选项”，而是DeerFlow作为工程化系统的真正体现——它让你的研究过程变得可追踪、可审计、可自动化。

4. 实战体验：一次完整的“比特币价格分析”之旅

理论不如实操。我们用DeerFlow自带的经典示例——比特币价格分析，走一遍从提问到交付的完整闭环。

4.1 在Web UI中发起请求

在输入框中输入：

请分析过去30天比特币（BTC）价格的主要波动区间、关键支撑与阻力位，并结合新闻事件解释两次最大单日涨幅的原因。

点击发送后，界面会分阶段展示：

• 第一阶段：搜索与信息采集
  显示正在调用Tavily搜索“BTC price 30 days news”，并列出抓取到的10条权威信源（CoinDesk、The Block、彭博社等）。

• 第二阶段：数据提取与分析
  自动调用Python脚本，从CoinGecko API拉取精确的OHLCV（开盘、最高、最低、收盘、成交量）数据，计算出30日均价、布林带上下轨等技术指标。

• 第三阶段：报告生成与播客输出
  最终呈现一份含图表、数据表格、事件时间轴的Markdown报告，并附带一个“播客摘要”按钮。点击即可播放由火山引擎TTS生成的语音版核心结论。

4.2 对比CLI的输出差异

同样的问题，在CLI中执行：

python -m deerflow.cli --question "请分析过去30天比特币（BTC）价格..." --format podcast

你会得到一段结构化的纯文本输出，其中包含：

• 原始搜索结果摘要（带URL）
• Python脚本执行的完整输入与输出（含DataFrame打印）
• 最终播客脚本的逐字稿（含停顿、强调标记）

这种透明性，正是DeerFlow区别于黑盒AI的关键——你知道每一步是怎么来的，因此也敢把它用在真正重要的决策场景中。

5. 总结：DeerFlow不只是工具，更是研究范式的升级

5.1 你真正获得了什么？

回顾整个指南，DeerFlow带给你的远不止一个“能回答问题的网站”：

• 时间杠杆：把原本需要数小时的信息搜集与整理，压缩到几分钟内完成。
• 认知增强：它不代替你思考，而是帮你扫清信息障碍、验证直觉假设、发现你忽略的关联。
• 交付自由：一份研究，可同时产出报告、PPT要点、播客脚本、邮件摘要，适配不同沟通场景。
• 能力沉淀：每一次你定义的问题、调整的参数、选择的工具，都在训练属于你自己的研究工作流。

5.2 下一步，你可以这样开始

• 今天就试：用Web UI问一个你最近关心的真实问题，比如“XX公司最新财报透露了哪些战略转向？”
• 明天进阶：在CLI中尝试--no-search模式，只用本地文档或上传的PDF做深度问答。
• 长期探索：阅读GitHub仓库中的examples/目录，那里有医疗、金融、法律等垂直领域的完整研究模板，可直接复用或修改。

DeerFlow的价值，不在于它有多“聪明”，而在于它有多“可靠”——每一个搜索都有据可查，每一行代码都清晰可见，每一份报告都经得起推敲。

它不是要取代你，而是让你终于可以，把精力真正花在“思考”这件事上。

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。