DeepSearch：字节新一代 DeerFlow 框架

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

【全新的 Multi-Agent 架构设计】独家设计的 Research Team 机制，支持多轮对话、多轮决策和多轮任务执行。与 LangChain 原版 Supervisor 相比，显著减少 Tokens 消耗和 API 调用次数，从而提升了执行效率。同时，Re-planning 机制赋予系统更高的灵活性，能够动态迭代任务计划以适应复杂场景。

【基于 LangStack 的开源框架】DeerFlow 采用 Multi-Agent 架构设计，构建于 LangChain 和 LangGraph 的开源框架之上，代码结构清晰、逻辑简洁，极大地降低了学习门槛，非常适合初学者快速深入理解多智能体系统的工作原理，轻松探索多智能体协作的潜力，同时体验 LangStack 的强大功能。

【支持 MCP 无缝集成】与 Cursor、Claude Desktop 一样，DeerFlow 也是一个 MCP Host，这意味着你可以通过 MCP 来拓展 DeerFlow 的 Researcher Agent 能力，从而实现类似私域搜索、域内知识库访问、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，即让大模型来生成自己的 Prompt，从而确保了 Prompt 的高质量，同时也极大的降低了 Prompt 工程的门槛。

【Human-in-the-loop】不满意 AI 生成的计划或报告？DeerFlow 支持用户通过自然语言对生成的内容进行实时修改和优化。无论是调整细节、补充信息，还是重新定义方向，用户都可以轻松地与 AI协作，确保最终结果完全符合预期。

【支持生成博客及PPT】DeerFlow 支持从报告生成双人主持的播客，借助火山引擎的语音技术以及丰富的音色，可以生成非常自然的播客音频内容。同时，DeerFlow 支持从报告生成 PPT，并且支持生成文字版的 PPT。

1，核心技术

【LangStack框架】得益于 LangChain 其活跃且丰富的社区贡献，本项目得以快速的与包括 Tavily Search、DuckDuckGo、Brave Search、Python REPL 等工具进行集成，同时我们还在项目中将 Jina Reader 服务包装为 LangChain 工具。

【Meta Prompt】采用的是 Meta Prompt 的方式，即让大语言模型自动生成 Prompt。

【Multi-Ageng 架构】在 LangChain 和 LangGraph 中，常见 Multi-Agent 架构包括：

Singe Agent：整个系统只有一个 Agent 负责处理所有的工作。
Network：每个 Agent 都可以与其他所有 Agent 通信。任何 Agent 都可以决定接下来要调用哪个其他 Agent。

Supervisor：每个 Agent 只与一个 Supervisor Agent 通信。Supervisor Agent 决定接下来应该调用哪个 Agent。

Supservisor（as tools）：单个 Agent 可以被表示为一个工具。在这种情况下，Supservisor Agent 使用一个 tool-call 调用 LLM 来决定调用哪个 Agent 工具。

Hierachical：具有多个 Supservisor 的多 Agent 系统。这是 Supservisor 架构的一个泛化，允许更复杂的控制流程。

Custom：每个 Agent 只与部分 Agent 通信。流程的部分是确定性的，只有某些 Agent 可以决定接下来要调用哪个其他 Agent。

【LangGraph 中的 StateGraph】在 Multi-Agent 架构中，通常会用 Graph 来表示系统网络拓扑结构。在 Graph 中，Agent 表示为 Graph 上的一个节点。每个 Agent 节点执行其步骤，并决定是结束执行还是将控制权交给另一个代理，包括可能将控制权交回自身（自循环）。StateGraph 是一种用于表示状态和状态之间转换关系的 Graph 结构。在 StateGraph 中，节点（Node）表示 Agent，边（Edge）表示 Agent 之间的转换逻辑，在整个 Graph 中自上而下都在传递着同一份状态（State，有的地方也成为 Context），State 是一个字典对象，所有节点都可以读取或更改该状态的值。通过定义 Node 和 Edge，开发者可以构建一个清晰的状态流，从而更好的管理系统的行为。在 LangGraph 中，你可以用多种方式创建节点和用于连接节点的边，其中最简单的方法是为每一个节点创建一个函数，然后通过手工添加的方式构建一个状态图。

【Handoffs 模式】在 Multi-Agent Supervisor 交互中，一个常见的模式是 Handoffs，即一个 Agent 将控制权交给另一个 Agent。

例如，在上图中，位于中央的 Router 会根据当前状态，将控制权根据规则跳转到：

Researcher ：如果发送者是 Chat Generator

Chat Generator：如果发送者是 Researcher

【研究团队中的 Agents】

用户的原始问题首先会到达 Coordinator，由它判定是否为敏感内容，如果是，则会礼貌回应并结束；否则，handoff 给 Planner。

Planner 负责生成研究计划，并通过 Interrupt 机制（HumanFeedback）允许用户使用自然语言修改计划。用户确认计划后，Planner 会 handoff 给 Research Team 并开始研究。

Research Team 会根据研究计划，机械化的依次调取 Researcher 或 Coder 进行资料收集或代码执行，它们都是 ReAct 风格的子 Agent。

当 Research Team 完成工作后，将会 handoff 回 Planner。若 Planner 认为研究已完成，会 handoff 给 Reporter；否则会继续规划（Re-plan）并 handoff 回 Research Team 进行下一轮研究迭代，直到最终完成。

Reporter 负责将所有上下文进行总结陈词，并生成最终的研究报告，从而结束整个流程。

【核心工具】 多亏有了 LangChain 丰富的社区工具集，DeerFlow 内置了以下工具供大模型调用：

2，项目安装

【环境要求】

Python: 版本 3.12+
Node.js: 版本 22+
uv: 简化 Python 环境和依赖管理。uv会自动在根目录创建虚拟环境并为您安装所有必需的包—无需手动安装 Python 环境。
nvm: 轻松管理多个 Node.js 运行时版本。
pnpm: 安装和管理 Node.js 项目的依赖。

【安装步骤】

安装依赖

uv sync

配置搜索引擎：Tavily AI（必选）、JINA 用于爬虫，可选。

# 应用程序设置
DEBUG=True                 # 开启调试模式，开发环境使用，显示详细错误信息
APP_ENV=development        # 设置当前环境为开发环境（可选值如 production、staging 等）# Docker 构建参数
NEXT_PUBLIC_API_URL="http://localhost:8000/api"  # 前端访问后端 API 的基础地址# 搜索引擎配置（推荐使用 tavily，可选值：tavily、duckduckgo、brave_search、arxiv）
SEARCH_API=tavily          # 使用的搜索引擎为 tavily
TAVILY_API_KEY=xxx  # tavily 的 API 密钥# 其他搜索引擎（如使用 brave_search，需要填写其密钥）
# BRAVE_SEARCH_API_KEY=xxx  # brave 搜索的 API 密钥（仅当 SEARCH_API=brave_search 时需要）
# JINA_API_KEY=jina_xxx     # Jina 搜索 API 密钥（可选）# 火山引擎 TTS 配置（可选，用于生成播客的文本转语音服务）
VOLCENGINE_TTS_APPID=xxx                 # 火山引擎 TTS 的应用 ID
VOLCENGINE_TTS_ACCESS_TOKEN=xxx          # 火山引擎 TTS 的访问令牌
# VOLCENGINE_TTS_CLUSTER=volcano_tts     # 可选，指定语音集群，默认值为 volcano_tts
# VOLCENGINE_TTS_VOICE_TYPE=BV700_V2_streaming  # 可选，设置语音类型，默认值为 BV700_V2_streaming# LangSmith 追踪与监控配置（可选，用于链式模型追踪分析）
# LANGSMITH_TRACING=true                 # 是否开启 LangSmith 跟踪
# LANGSMITH_ENDPOINT="https://api.smith.langchain.com"  # LangSmith 接口地址
# LANGSMITH_API_KEY="xxx"               # LangSmith 的 API 密钥
# LANGSMITH_PROJECT="xxx"               # LangSmith 项目名称# [!NOTE]
# 模型配置与更多设置请参考文档：docs/configuration_guide.md

配置OpenAI 网关 LLM

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

命令行启动

uv run main.py

UI 启动，CMD切换Python环境后执行：

conda activate deer

cd D:\PyCharmWorkSpace\deer-flow

bootstrap.bat -d

3，使用手册

【网络检索】撰写关于武汉传统美食的文章

【语音生成】

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