DeerFlow完整指南：Web UI与控制台双模式使用方法

DeerFlow完整指南Web UI与控制台双模式使用方法1. 认识你的深度研究助理DeerFlow如果你经常需要从网上搜集信息、整理报告或者对某个话题进行深度研究那么手动搜索、阅读、总结的过程一定让你感到耗时费力。今天我想给你介绍一个能帮你解决这些问题的智能助手——DeerFlow。简单来说DeerFlow是一个开源的深度研究项目。你可以把它想象成一个不知疲倦的研究员它能够自动上网搜索信息、分析网页内容、运行代码处理数据最后还能帮你生成结构清晰的报告甚至把报告变成一段语音播客。它背后整合了语言模型、搜索引擎、Python执行环境等多种工具通过一个智能的“多智能体”系统来协同工作确保研究的深度和广度。这个项目最吸引人的地方在于它提供了两种使用方式一种是直观的网页界面另一种是功能强大的控制台。无论你是喜欢点点鼠标的普通用户还是习惯敲命令行的开发者都能找到适合自己的操作路径。接下来我就带你从零开始完整地走一遍DeerFlow的部署和使用流程让你快速上手这个强大的研究工具。2. 环境准备与快速启动在开始使用DeerFlow之前我们需要确保它依赖的核心服务都已经正常运行。这个过程很简单主要是检查两个日志文件。2.1 检查大模型服务状态DeerFlow需要一个“大脑”来理解和处理信息这个大脑就是内置的Qwen3-4B-Instruct大模型。我们需要先确认它是否已经成功启动。打开你的终端输入以下命令来查看模型服务的启动日志cat /root/workspace/llm.log如果服务启动成功你会在日志中看到类似“Uvicorn running on...”这样的信息表明模型服务已经在后台正常运行等待接收指令了。这个服务是DeerFlow进行智能分析和内容生成的基础。2.2 检查DeerFlow主服务状态确认“大脑”就绪后接下来检查DeerFlow主程序本身是否正常启动。同样在终端中运行cat /root/workspace/bootstrap.log当看到日志输出中包含服务成功启动的提示信息时就说明DeerFlow的整套系统已经准备就绪。此时它的Web服务和控制台服务都已经在后台运行你可以通过两种方式来访问和使用它了。3. 使用网页界面直观的图形化操作对于大多数用户来说网页界面是最友好、最直观的使用方式。你不需要记住任何命令通过点击和输入就能完成复杂的研究任务。3.1 访问Web UI界面首先你需要打开DeerFlow的网页界面。根据你的部署方式通常可以通过访问指定的本地端口如http://localhost:3000或云服务提供的访问地址来进入。界面加载后你会看到一个简洁清爽的研究工作台。3.2 开始你的第一次研究在Web UI的中央你会看到一个明显的输入框或一个“开始新研究”的按钮。点击它就进入了研究创建页面。在这里你需要输入你的研究主题或问题。比如你可以输入“分析一下近期人工智能在医疗影像诊断领域的最新进展”。尽量把你的问题描述得具体一些这样DeerFlow能更准确地理解你的需求并规划后续的研究步骤。3.3 配置研究参数与执行输入问题后界面通常会提供一些可选的配置项例如研究深度可以选择快速概览或深度分析深度分析会搜索更多资料并生成更详细的报告。搜索引擎可以选择使用哪个搜索引擎来获取信息。输出格式可以选择生成纯文本报告、带格式的Markdown文档或者直接生成播客音频。配置完成后点击“开始研究”或类似的执行按钮。DeerFlow就会开始它的工作自动规划研究步骤、调用搜索引擎获取资料、分析网页内容、整理信息并最终生成报告。这个过程可能需要几分钟你可以在界面上看到实时的进度提示。3.4 查看与使用研究成果研究完成后界面会展示生成的报告。报告通常结构清晰包含摘要、核心发现、详细分析和引用来源等部分。你可以直接在线阅读、下载为文件或者点击“生成播客”按钮让DeerFlow用语音把报告读给你听非常适合在通勤路上“听”报告。Web UI模式的优势在于全程可视化操作门槛低适合进行单次的、目标明确的研究任务。4. 使用控制台模式灵活高效的命令行交互如果你是一名开发者或者希望将DeerFlow集成到自己的自动化流程中那么控制台模式提供了更强大和灵活的能力。通过命令行你可以精确控制研究的每一个环节。4.1 进入控制台环境首先通过SSH或终端连接到运行DeerFlow的服务器。确保你位于项目的根目录下然后激活相应的Python虚拟环境如果项目有提供的话。4.2 通过命令行发起研究DeerFlow的控制台通常提供一个主入口脚本比如叫做research_cli.py。你可以通过命令行参数来指定研究任务。一个基础的研究命令可能长这样python research_cli.py --query “比特币未来半年的价格趋势预测” --depth deep --output_format markdown让我解释一下这几个参数--query这是最重要的参数就是你想要研究的问题。--depth指定研究深度quick是快速扫描deep是深度分析。--output_format定义输出格式比如text、markdown或json。4.3 高级功能与集成控制台模式的强大之处在于支持更复杂的操作和集成批量处理你可以编写一个脚本从一个文件如topics.txt中读取多个研究主题然后循环调用DeerFlow进行研究自动生成一系列报告。# 假设有一个脚本 batch_research.sh while read topic; do python research_cli.py --query “$topic” --output_format markdown --output_file “reports/${topic// /_}.md” done topics.txt自定义工具链你可以在配置文件中指定使用不同的搜索引擎如Tavily、Brave Search或者接入额外的MCP服务来扩展DeerFlow的能力比如连接特定的数据库或内部知识库。结果后处理由于输出可以是结构化的JSON格式你可以很容易地用其他脚本对研究结果进行二次分析、汇总或可视化。控制台模式赋予了用户完全的掌控力适合处理重复性的研究任务、构建自动化流水线或者进行定制化的深度集成开发。5. 双模式实战从研究到播客的全流程为了让你更清楚地理解两种模式如何协作我们来看一个完整的实战例子研究“太阳能电池板的最新转化效率突破”并最终生成一个播客。第一步使用Web UI进行初步探索你可以在Web UI中输入这个主题选择“深度分析”模式让DeerFlow生成一份详细的图文报告。通过网页快速浏览报告你就能对领域内的主要技术路线、领先团队和最新数据有一个全面的了解。第二步使用控制台进行数据深挖在阅读报告时你可能对报告中提到的某个特定技术如“钙钛矿叠层电池”的详细数据感兴趣。这时你可以切换到控制台发起一个更聚焦的查询python research_cli.py --query “2024年钙钛矿叠层太阳能电池实验室最高转化效率及主要研究团队” --output_format json通过JSON格式的输出你可以精准地提取出效率数值、机构名称等结构化数据方便导入到Excel或数据分析工具中做进一步处理。第三步生成最终播客最后你可以回到Web UI在最初生成的那份完整报告页面上点击“生成播客”按钮。DeerFlow会调用TTS服务将这份关于太阳能电池板技术突破的报告转化为一段流畅的语音讲解。你可以下载这个音频文件在任何时候收听巩固你的知识。这个流程展示了如何根据不同阶段的需求灵活切换使用两种模式从而最大化DeerFlow的研究效能。6. 总结DeerFlow作为一个开源的深度研究框架通过将大模型、网络搜索和代码执行等能力有机结合实实在在地降低了进行高质量信息研究的门槛。无论是通过Web UI进行便捷的图形化交互还是通过控制台实现强大的自动化和集成它都为用户提供了可靠的选择。它的核心价值在于把我们从繁琐的信息搜集、整理和初步分析工作中解放出来让我们能更专注于思考、决策和创造。你可以用它来跟踪行业动态、撰写调研报告、准备演讲材料或者仅仅是满足自己对某个话题的好奇心。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。