項目地址：https://github.com/bytedance/deer-flow/

【全新的 Multi-Agent 架構設計】獨家設計的 Research Team 機制，支持多輪對話、多輪決策和多輪任務執行。與?LangChain 原版 Supervisor?相比，顯著減少 Tokens 消耗和 API 調用次數，從而提升了執行效率。同時，Re-planning 機制賦予系統更高的靈活性，能夠動態迭代任務計劃以適應復雜場景。

【基于 LangStack 的開源框架】DeerFlow 采用 Multi-Agent 架構設計，構建于?LangChain?和?LangGraph?的開源框架之上，代碼結構清晰、邏輯簡潔，極大地降低了學習門檻，非常適合初學者快速深入理解多智能體系統的工作原理，輕松探索多智能體協作的潛力，同時體驗 LangStack 的強大功能。

【支持 MCP 無縫集成】與 Cursor、Claude Desktop 一樣，DeerFlow 也是一個 MCP Host，這意味著你可以通過 MCP 來拓展 DeerFlow 的 Researcher Agent 能力，從而實現類似私域搜索、域內知識庫訪問、Computer / Phone / Browser Use 等功能。

【AI 生成的 Prompt】DeerFlow 采用了 Meta Prompt 的模式，所有 Prompts 都由?OpenAI 的官方 Meta Prompt?生成，即讓大模型來生成自己的 Prompt，從而確保了 Prompt 的高質量，同時也極大的降低了 Prompt 工程的門檻。

【Human-in-the-loop】不滿意 AI 生成的計劃或報告？DeerFlow 支持用戶通過自然語言對生成的內容進行實時修改和優化。無論是調整細節、補充信息，還是重新定義方向，用戶都可以輕松地與 AI協作，確保最終結果完全符合預期。

【支持生成博客及PPT】DeerFlow 支持從報告生成雙人主持的播客，借助火山引擎的語音技術以及豐富的音色，可以生成非常自然的播客音頻內容。同時，DeerFlow 支持從報告生成 PPT，并且支持生成文字版的 PPT。

1，核心技術

【LangStack框架】得益于 LangChain 其活躍且豐富的社區貢獻，本項目得以快速的與包括 Tavily Search、DuckDuckGo、Brave Search、Python REPL 等工具進行集成，同時我們還在項目中將?Jina Reader?服務包裝為 LangChain 工具。

【Meta Prompt】采用的是 Meta Prompt 的方式，即讓大語言模型自動生成 Prompt。

【Multi-Ageng 架構】在 LangChain 和 LangGraph 中，常見 Multi-Agent 架構包括：

• Singe Agent：整個系統只有一個 Agent 負責處理所有的工作。
• Network：每個 Agent 都可以與其他所有 Agent 通信。任何 Agent 都可以決定接下來要調用哪個其他 Agent。

• Supervisor：每個 Agent 只與一個?Supervisor Agent 通信。Supervisor Agent 決定接下來應該調用哪個 Agent。

• Supservisor（as tools）：單個 Agent 可以被表示為一個工具。在這種情況下，Supservisor Agent 使用一個 tool-call 調用 LLM 來決定調用哪個 Agent 工具。

• Hierachical：具有多個?Supservisor 的多 Agent 系統。這是?Supservisor 架構的一個泛化，允許更復雜的控制流程。

• Custom：每個 Agent 只與部分 Agent 通信。流程的部分是確定性的，只有某些 Agent 可以決定接下來要調用哪個其他 Agent。

【LangGraph 中的 StateGraph】在 Multi-Agent 架構中，通常會用 Graph 來表示系統網絡拓撲結構。在 Graph 中，Agent 表示為 Graph 上的一個節點。每個 Agent 節點執行其步驟，并決定是結束執行還是將控制權交給另一個代理，包括可能將控制權交回自身（自循環）。StateGraph 是一種用于表示狀態和狀態之間轉換關系的 Graph 結構。在 StateGraph 中，節點（Node）表示 Agent，邊（Edge）表示 Agent 之間的轉換邏輯，在整個 Graph 中自上而下都在傳遞著同一份狀態（State，有的地方也成為 Context），State 是一個字典對象，所有節點都可以讀取或更改該狀態的值。通過定義 Node 和 Edge，開發者可以構建一個清晰的狀態流，從而更好的管理系統的行為。在 LangGraph 中，你可以用多種方式創建節點和用于連接節點的邊，其中最簡單的方法是為每一個節點創建一個函數，然后通過手工添加的方式構建一個狀態圖。

【Handoffs 模式】在 Multi-Agent Supervisor 交互中，一個常見的模式是?Handoffs，即一個 Agent 將控制權交給另一個 Agent。

例如，在上圖中，位于中央的 Router 會根據當前狀態，將控制權根據規則跳轉到：

• Researcher ：如果發送者是 Chat Generator

• Chat Generator：如果發送者是 Researcher

【研究團隊中的 Agents】

• 用戶的原始問題首先會到達 Coordinator，由它判定是否為敏感內容，如果是，則會禮貌回應并結束；否則，handoff 給 Planner。

• Planner 負責生成研究計劃，并通過 Interrupt 機制（HumanFeedback）允許用戶使用自然語言修改計劃。用戶確認計劃后，Planner 會 handoff 給 Research Team 并開始研究。

• Research Team 會根據研究計劃，機械化的依次調取 Researcher 或 Coder 進行資料收集或代碼執行，它們都是 ReAct 風格的子 Agent。

• 當 Research Team 完成工作后，將會 handoff 回 Planner。若 Planner 認為研究已完成，會 handoff 給 Reporter；否則會繼續規劃（Re-plan）并 handoff 回 Research Team 進行下一輪研究迭代，直到最終完成。

• Reporter 負責將所有上下文進行總結陳詞，并生成最終的研究報告，從而結束整個流程。

【核心工具】?多虧有了 LangChain 豐富的社區工具集，DeerFlow 內置了以下工具供大模型調用：

2，項目安裝

【環境要求】

• Python: 版本 3.12+
• Node.js: 版本 22+
• uv: 簡化 Python 環境和依賴管理。uv會自動在根目錄創建虛擬環境并為您安裝所有必需的包—無需手動安裝 Python 環境。
• nvm: 輕松管理多個 Node.js 運行時版本。
• pnpm: 安裝和管理 Node.js 項目的依賴。

【安裝步驟】

• 安裝依賴

uv sync

• 配置搜索引擎：Tavily AI（必選）、JINA 用于爬蟲，可選。

# 應用程序設置
DEBUG=True                 # 開啟調試模式，開發環境使用，顯示詳細錯誤信息
APP_ENV=development        # 設置當前環境為開發環境（可選值如 production、staging 等）# Docker 構建參數
NEXT_PUBLIC_API_URL="http://localhost:8000/api"  # 前端訪問后端 API 的基礎地址# 搜索引擎配置（推薦使用 tavily，可選值：tavily、duckduckgo、brave_search、arxiv）
SEARCH_API=tavily          # 使用的搜索引擎為 tavily
TAVILY_API_KEY=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  # tavily 的 API 密鑰# 其他搜索引擎（如使用 brave_search，需要填寫其密鑰）
# BRAVE_SEARCH_API_KEY=xxx  # brave 搜索的 API 密鑰（僅當 SEARCH_API=brave_search 時需要）
# JINA_API_KEY=jina_xxx     # Jina 搜索 API 密鑰（可選）# 火山引擎 TTS 配置（可選，用于生成播客的文本轉語音服務）
VOLCENGINE_TTS_APPID=xxx                 # 火山引擎 TTS 的應用 ID
VOLCENGINE_TTS_ACCESS_TOKEN=xxx          # 火山引擎 TTS 的訪問令牌
# VOLCENGINE_TTS_CLUSTER=volcano_tts     # 可選，指定語音集群，默認值為 volcano_tts
# VOLCENGINE_TTS_VOICE_TYPE=BV700_V2_streaming  # 可選，設置語音類型，默認值為 BV700_V2_streaming# LangSmith 追蹤與監控配置（可選，用于鏈式模型追蹤分析）
# LANGSMITH_TRACING=true                 # 是否開啟 LangSmith 跟蹤
# LANGSMITH_ENDPOINT="https://api.smith.langchain.com"  # LangSmith 接口地址
# LANGSMITH_API_KEY="xxx"               # LangSmith 的 API 密鑰
# LANGSMITH_PROJECT="xxx"               # LangSmith 項目名稱# [!NOTE]
# 模型配置與更多設置請參考文檔：docs/configuration_guide.md

• 配置OpenAI 網關 LLM

cp conf.yaml.example conf.yamlBASIC_MODEL:base_url: ""model: "gpt-4o-mini"api_key: ""

• 命令行啟動

uv run main.py

• UI 啟動，CMD切換Python環境后執行：

conda activate deer

cd D:\PyCharmWorkSpace\deer-flow

bootstrap.bat -d

3，使用手冊

【網絡檢索】撰寫關于武漢傳統美食的文章

【語音生成】

• 配置火山 TTS：火山引擎

【PPT生成】marp

# Convert slide deck into PowerPoint document (PPTX)
npx @marp-team/marp-cli@latest slide-deck.md --pptx
npx @marp-team/marp-cli@latest slide-deck.md -o output.pptx