孙宝英1. 项目概述：DeerFlow 是什么？
DeerFlow 是字节跳动开源的一款面向深度调研场景的多智能体协作框架。它通过预置的 Agent 团队和 LangGraph 驱动的工作流引擎，将复杂的调研任务自动化、流程化。简单来说，它就像是一个由多个 AI 专家组成的调研小组，能够自动完成从需求理解到最终报告生成的全过程。
提示：DeerFlow 的核心价值在于将传统上需要人工完成的调研工作流程化、自动化，特别适合需要处理大量信息来源的技术选型、竞品分析等场景。
与直接使用大模型进行问答不同，DeerFlow 强调调研过程的结构化和可追溯性。它会在调研过程中保留中间产物（如检索到的资料、分析笔记等），并确保最终报告中的每个结论都有明确的来源依据。这种设计使得调研结果更加可靠，也便于后续的验证和复用。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构解析
2.1 多智能体团队设计
DeerFlow 的核心是由多个专业 Agent 组成的协作团队，每个 Agent 都有明确的职责：
-
协调者 (Coordinator)
- 负责接收用户请求并初始化调研任务
- 协调各个 Agent 之间的工作流程
- 监控整体进度并在必要时进行干预
-
规划者 (Planner)
- 将用户需求拆解为具体的调研子任务
- 确定任务优先级和执行顺序
- 根据调研进展动态调整计划
-
研究员 (Researcher)
- 执行信息检索任务（支持多种数据源）
- 从原始资料中提取关键信息
- 生成结构化的调研发现（包含结论和引用）
-
程序员 (Coder)
- 执行代码验证和实验
- 分析技术方案的实现细节
- 提供技术可行性评估
-
报告生成器 (Reporter)
- 整合所有调研发现
- 生成结构化的最终报告
- 确保结论与证据的对应关系
2.2 LangGraph 工作流引擎
DeerFlow 使用 LangGraph 作为底层的工作流引擎，这种设计带来了几个关键优势：
-
状态管理：整个调研过程的状态被完整记录，包括当前进度、已收集的资料、中间分析结果等。
-
流程可视化：工作流可以直观地表示为有向图，便于理解和调试。
-
灵活扩展：新的 Agent 或工具可以方便地集成到现有工作流中。
-
错误恢复：当某个环节出现问题时，系统可以从最近的有效状态继续执行。
注意：理解 LangGraph 的状态机模型对于深度定制 DeerFlow 工作流非常重要。建议在实际部署前先通过官方文档熟悉其基本概念。
3. 环境准备与安装
3.1 硬件与系统要求
在开始部署 DeerFlow 前，请确保你的环境满足以下要求：
-
操作系统：
- Linux (推荐 Ubuntu 20.04+)
- macOS (10.15+)
- Windows (需要 WSL2)
-
硬件配置：
- CPU: 4核以上
- 内存: 8GB