手把手教你用DeerFlow：从安装到生成专业报告的全流程指南-洪萨配资

手把手教你用DeerFlow：从安装到生成专业报告的全流程指南

DeerFlow不是另一个“能说会道”的聊天机器人，而是一位真正能帮你查资料、写报告、做分析的深度研究助理。它不满足于简单回答问题，而是主动规划研究路径、调用搜索引擎验证信息、执行Python代码处理数据、最终生成结构清晰的专业报告——整个过程你只需提出一个研究主题，剩下的交给它。

本文将带你从零开始，完整走通DeerFlow的使用闭环：无需配置环境、不用下载模型、不碰复杂命令行。我们聚焦在你最关心的三件事上：它到底装好了没有？界面怎么打开？输入一个问题后，它如何一步步产出一份像模像样的研究报告？所有步骤都基于镜像预置环境实测，截图和日志均来自真实运行状态，拒绝理论空谈。

1. 镜像启动确认：两步验证服务是否真正就绪

DeerFlow镜像已为你预装了全部依赖，包括vLLM托管的Qwen3-4B-Instruct-2507大模型服务和DeerFlow主程序。但“装好”不等于“跑通”，必须通过两个关键日志确认核心服务已稳定运行。这一步看似简单，却是后续所有操作的基础——跳过它，后面大概率会卡在“无响应”。

1.1 检查大模型推理服务（vLLM）是否启动成功

DeerFlow的思考能力依赖于本地部署的大模型。镜像中已通过vLLM框架加载Qwen3-4B-Instruct-2507模型，并监听指定端口。要确认它是否真正就绪，只需查看其启动日志：

cat /root/workspace/llm.log

正常情况下，日志末尾应出现类似以下内容（关键标识已加粗）：

INFO 02-28 10:23:45 [server.py:169] Starting vLLM server on http://0.0.0.0:8000 INFO 02-28 10:23:45 [engine.py:212] **Engine started.** INFO 02-28 10:23:45 [model_runner.py:456] **Model loaded successfully.**

如果看到Engine started.和Model loaded successfully.这两行，说明大模型服务已完全启动，可以接收推理请求。若日志停留在“Loading model...”或报错Connection refused，则需等待片刻重试（首次加载约需1-2分钟），或检查系统资源是否充足。

1.2 检查DeerFlow主服务是否启动成功

大模型是“大脑”，DeerFlow主程序则是“指挥中枢”。它负责协调搜索、编码、报告生成等所有环节。确认其状态同样只需一行命令：

cat /root/workspace/bootstrap.log

成功启动的日志特征非常明确，重点关注以下三处输出：

INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8001 (Press CTRL+C to quit) INFO: **DeerFlow service is ready and listening on port 8001.**

其中Application startup complete.表示Web服务框架已初始化完毕；Uvicorn running on...表明HTTP服务已绑定端口；而最后一行DeerFlow service is ready...是镜像特有标识，直接告诉你：你的深度研究助理已上线待命。

小贴士：为什么是两个服务？
vLLM（端口8000）专注高效推理，DeerFlow（端口8001）专注流程编排。二者分离设计让系统更稳定——即使大模型偶尔卡顿，主服务仍可响应用户指令并提供状态反馈。

2. 前端界面访问：三步打开你的研究工作台

服务就绪后，下一步就是进入DeerFlow的交互界面。镜像已为你配置好Web UI，无需额外安装浏览器插件或配置反向代理，直接通过CSDN星图平台提供的访问链接即可进入。

2.1 点击“WebUI”按钮直达前端

在CSDN星图镜像控制台的操作面板中，找到并点击标有“WebUI”的按钮。这是进入DeerFlow图形界面的唯一入口，点击后系统将自动为你生成一个临时访问链接，并在新标签页中打开。

注意：请勿手动输入IP或端口。镜像已通过安全网关映射，直接点击按钮是最可靠的方式。

2.2 定位并点击“新建研究”按钮

页面加载完成后，你会看到一个简洁的欢迎界面。此时，寻找页面中央一个醒目的蓝色按钮——“新建研究”（New Research）。它的位置通常在首屏正中，图标为一个带加号的文档，是开启所有深度研究任务的起点。

点击它，界面将平滑过渡至研究创建表单。这一步的意义在于：DeerFlow不会一上来就盲目搜索，而是先与你对齐目标——你要研究什么？期望得到什么类型的输出？

2.3 输入研究主题，启动深度研究流程

在弹出的表单中，你只需填写一个核心字段：“研究主题”（Research Topic）。这里请用一句清晰、具体的自然语言描述你的需求，例如：

“对比分析2024年主流开源大模型框架（Llama.cpp、Ollama、Text Generation WebUI）的硬件兼容性与部署复杂度”
“总结近三个月关于AI生成内容（AIGC）在教育领域应用的最新实践案例，重点说明教师反馈与学生效果”
“梳理RAG（检索增强生成）技术在企业知识库场景落地的关键挑战与解决方案”

填写完毕后，点击右下角的“开始研究”按钮。此时，DeerFlow将正式接管任务，进入自动化研究流程。你不需要再做任何操作，只需静待结果——它会实时在界面上展示每一步进展。

关键提示：主题描述的质量决定报告质量
DeerFlow擅长处理具体、可验证的问题。避免模糊表述如“AI的未来”，而应聚焦“AI在XX领域的XX问题”。越精准的输入，越能得到结构化、有依据的输出。

3. 研究流程解析：看DeerFlow如何一步步生成专业报告

当你点击“开始研究”后，DeerFlow并非简单地调用一次大模型。它启动了一套精密的多智能体协作流程，包含规划、执行、验证、整合四大阶段。理解这个过程，能让你更有效地利用它的能力，甚至在必要时介入指导。

3.1 规划阶段：自动生成可执行的研究计划

DeerFlow首先会扮演一位资深研究员，对你的主题进行拆解。它会分析：

需要哪些关键信息点？
哪些信息可通过网络搜索获取？哪些需代码计算？
是否需要对比多个来源以确保客观性？

几秒钟后，界面会弹出一个名为“研究计划审核”的卡片，清晰列出分步行动项。例如，针对“大模型框架对比”主题，它可能生成：

步骤1：信息检索
- 使用Tavily搜索引擎，查询“Llama.cpp 2024 硬件要求”、“Ollama 支持GPU列表”等关键词。
步骤2：数据提取
- 从各框架官方GitHub README中提取CPU/GPU支持矩阵。
步骤3：交叉验证
- 在Stack Overflow和Hugging Face论坛中搜索用户实际部署遇到的兼容性问题。
步骤4：报告整合
- 将结构化数据汇总，生成对比表格与文字分析。

这个计划不是黑盒输出，而是可读、可审、可编辑的。你可以选择“接受计划”让其自动执行，或点击“编辑计划”用自然语言提出修改意见，比如：“请增加对Mac M系列芯片的支持情况分析”。

3.2 执行阶段：工具调用与信息获取

一旦计划被接受，DeerFlow将按序调用内置工具：

网络搜索：自动发起多轮Tavily查询，获取最新网页结果；
网页解析：对返回的HTML页面进行结构化提取，过滤广告与导航栏，只保留正文与技术参数；
Python执行：若计划中包含代码任务（如解析JSON API、计算性能指标），它会在安全沙箱中运行Python脚本；
结果缓存：所有中间数据（搜索摘要、代码输出）均实时保存，供后续步骤引用。

整个过程在界面上以“流式日志”形式呈现，你能清晰看到它在做什么、获取了什么信息。例如，你可能会看到类似这样的实时输出：

[研究员] 已从Llama.cpp官方文档提取GPU支持列表：NVIDIA CUDA, AMD ROCm, Apple Metal... [编码员] 运行Python脚本完成：计算各框架在RTX 4090上的平均推理延迟... [研究员] 在Stack Overflow中发现3个关于Ollama在ARM服务器部署失败的高赞问题...

这种透明化执行，让你对结果的来源和可靠性心中有数，而非面对一个“不知从何而来”的结论。

3.3 报告生成阶段：从碎片信息到专业文档

当所有执行步骤完成，DeerFlow进入最后也是最关键的阶段：信息整合与报告撰写。它不再简单拼接搜索结果，而是：

识别核心论点：从海量信息中提炼出最具价值的3-5个观点；
构建逻辑框架：按“背景→方法→对比→结论→建议”组织内容；
生成结构化内容：自动创建标题、子标题、项目符号列表、数据表格；
保持风格统一：全文采用专业、中立、客观的学术/技术写作风格。

最终生成的报告，是一个完整的Markdown文档，支持在DeerFlow内置的Notion风格编辑器中直接查看和编辑。你可以：

点击任意段落旁的“/”唤出AI优化菜单，选择“提升专业性”、“精简表达”或“扩展细节”；
选中一段文字，点击浮动工具栏中的“续写”按钮，让它基于当前上下文继续生成；
插入代码块、图片或数学公式，让报告更具技术说服力。

这份报告不是终点，而是你深度思考的起点。它为你提供了扎实的事实基础和清晰的分析脉络，你可以在此基础上加入自己的见解、补充行业洞察，快速形成一份真正属于你的专业交付物。

4. 超越报告：解锁DeerFlow的三大延伸能力

DeerFlow的核心价值在于“深度研究”，但它的能力边界远不止于此。在生成研究报告的基础上，它还能一键触发三项高价值衍生操作，让研究成果立即转化为可用资产。

4.1 一键生成播客音频：把报告变成可听内容

研究报告写得再好，也受限于阅读场景。DeerFlow能将其瞬间转化为专业播客，适用于通勤、健身或团队分享等场景。

操作极其简单：在报告编辑界面，找到顶部工具栏中的“生成播客”按钮并点击。系统将自动：

将报告内容解析为适合口语表达的脚本，合理分配男女声对话轮次；
调用火山引擎TTS服务，合成接近真人发音的高质量音频；
自动混音并导出为标准MP3文件。

生成的播客并非机械朗读，而是经过精心设计的对话体。例如，技术参数部分会由“男声”以沉稳语调陈述，而案例分析部分则由“女声”以略带启发性的语气展开，大幅提升听感体验。

4.2 一键生成PPT演示文稿：把报告变成演讲利器

需要向上级汇报或向客户展示？DeerFlow能将整份研究报告，自动转换为结构严谨、视觉专业的PPTX文件。

点击报告界面的“生成PPT”按钮，后台将启动两阶段流程：

智能内容重组：大模型分析报告逻辑，识别出核心章节、关键图表、重要结论，并将其映射为PPT的标准结构（标题页、议程、分章节幻灯片、总结页）；
格式精准转换：利用Marp引擎，将重组后的Markdown内容渲染为带有主题配色、字体规范、动画效果的PPTX文件。

生成的PPT完全保留原文的技术细节与数据准确性，同时具备出色的视觉传达力。你拿到的不是一堆文字堆砌的幻灯片，而是一份可直接用于正式场合的专业演示文稿。

4.3 人在环中（Human-in-the-loop）：你的每一次干预都在提升结果

DeerFlow最独特的能力，是它始终将你置于决策中心。它不追求“全自动”，而是设计了多个关键节点供你介入：

计划审核：在研究开始前，你有权否决或修改AI生成的计划；
执行中止：若某步搜索结果明显偏离主题，可随时暂停并重定向；
报告润色：在最终报告上，用自然语言指令（如“请用更通俗的语言解释RAG原理”）即时获得优化；
多轮迭代：基于初版报告，你可以提出新问题（如“请针对教育场景，补充教师培训方案建议”），触发新一轮深度研究。

这种“人在环中”的设计，让DeerFlow成为你思维的延伸，而非替代。它放大你的专业判断力，而不是取代它。

5. 实战案例：从一个问题到一份完整交付物

理论不如实操直观。下面我们用一个真实、常见的职场需求，全程演示DeerFlow如何工作。

5.1 场景设定：市场专员需要一份竞品分析简报

假设你是某SaaS公司的市场专员，老板要求你在今天下班前，提交一份关于“国内主流AI客服产品（如智齿、Udesk、网易七鱼）在电商行业落地效果”的简报，用于明日部门会议。

5.2 全流程操作与结果

输入主题：在DeerFlow界面输入：“分析智齿、Udesk、网易七鱼三款AI客服产品在电商行业的实际应用效果，重点对比客户满意度、问题解决率、人工坐席减负比例及典型客户案例。”
计划审核：DeerFlow生成计划，包含搜索各产品官网客户案例页、爬取知乎/脉脉上的用户评价、提取第三方评测机构报告数据等步骤。你确认无误后点击“接受”。
自动执行：约3分钟后，界面显示“研究完成”。一份2000字左右的Markdown报告生成完毕，包含：
- 清晰的四象限对比表格（横轴：客户满意度，纵轴：问题解决率）；
- 各产品在“大促期间并发承载能力”上的实测数据引用；
- 3个真实电商客户（某母婴品牌、某服饰平台、某生鲜电商）的落地效果与ROI分析。
延伸操作：
- 点击“生成播客”，50秒后获得一份12分钟的音频，可用于团队晨会播放；
- 点击“生成PPT”，1分钟内生成15页专业幻灯片，含动态图表与客户Logo；
- 在报告中选中“ROI分析”段落，输入指令“请用更简明的语言，为非技术高管重写此部分”，AI即时生成一页高管版摘要。

整个过程耗时不到10分钟，产出物覆盖文字、音频、PPT三种形态，且所有数据均有明确来源标注。这不再是“找资料”，而是“交付成果”。