手把手教你用DeerFlow：一个提问就能获得完整研究报告

手把手教你用DeerFlow：一个提问就能获得完整研究报告

你有没有过这样的经历：想快速了解某个新兴技术、分析一个行业趋势，或者写一份专业级的市场调研报告，却卡在信息搜集和整理环节？查资料花掉半天，内容零散不成体系，最后还得自己拼凑逻辑、润色语言。现在，这一切可以交给DeerFlow——它不是另一个聊天框，而是一个真正能“独立思考、自主执行、交付成果”的深度研究助理。

DeerFlow由字节跳动开源，基于LangGraph构建多智能体协作系统，背后整合了实时网络搜索、Python代码执行、结构化报告生成甚至播客内容输出能力。你只需要输入一句自然语言提问，比如“请分析2024年AI视频生成工具的技术演进与主流产品对比”，它就会自动规划研究路径、调用搜索引擎获取最新资料、运行代码处理数据、交叉验证信息，并最终输出一份带参考文献、含表格对比、逻辑清晰的完整研究报告。

本文不讲抽象架构，不堆术语参数，而是带你从零开始：确认服务是否就绪、打开界面、提出第一个问题、看它如何一步步完成研究闭环。全程无需写代码、不配环境、不调模型，就像邀请一位资深研究员坐到你对面，你只管提问，它负责交付。

1. 先确认服务已就绪：两步检查法

DeerFlow镜像已在后台预装并启动所有依赖服务，但为确保使用顺畅，我们先做两个简单检查。这一步耗时不到30秒，却能避免后续操作中出现“无响应”或“报错”的困惑。

1.1 检查大模型推理服务（vLLM）是否正常运行

DeerFlow内置了Qwen3-4B-Instruct-2507模型，通过vLLM框架提供高效推理。它的日志文件记录了服务启动全过程。我们只需查看日志末尾是否有成功标识：

cat /root/workspace/llm.log

如果看到类似以下输出，说明vLLM服务已稳定运行：

INFO 01-26 10:23:45 [server.py:189] Starting vLLM server on http://0.0.0.0:8000 INFO 01-26 10:23:47 [model_runner.py:421] Loading model weights took 12.34s INFO 01-26 10:23:48 [engine.py:215] vLLM engine started successfully.

小贴士：如果日志中出现大量ERROR或长时间停留在Loading model weights，可稍等10秒后重试一次。vLLM首次加载模型需要一点时间，但不会超过30秒。

1.2 检查DeerFlow主服务是否启动成功

主服务负责协调整个研究流程，包括节点调度、状态管理、UI通信等。它的启动日志是判断系统是否“活过来”的关键依据：

cat /root/workspace/bootstrap.log

成功启动的标志是日志末尾出现明确的就绪提示：

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

这两条日志分别代表：Web服务框架Uvicorn已就绪，且DeerFlow核心逻辑已加载完成。只要看到这两行，你就可以放心进入下一步——打开前端界面。

2. 打开Web界面：三步直达提问入口

DeerFlow提供直观的Web UI，所有操作都在浏览器中完成，无需命令行交互。整个过程就像打开一个网页应用一样简单。

2.1 点击“WebUI”按钮启动界面

在镜像控制台的操作面板上，找到并点击标有WebUI的按钮。系统会自动为你分配一个临时访问地址（形如https://xxxxx.csdn.net），并在新标签页中打开DeerFlow前端。

注意：该地址仅对当前会话有效，关闭浏览器后无需担心安全问题。每次重新打开WebUI，都会生成新的独立链接。

2.2 定位并点击“New Research”按钮

页面加载完成后，你会看到一个简洁的欢迎界面。中央区域有一个醒目的蓝色按钮，文字为New Research（新建研究）。这是你开启深度研究的唯一入口，点击它即可进入提问工作区。

这个按钮的设计意图很明确：它不叫“开始”或“提问”，而叫“新建研究”，暗示你即将启动的不是一个单次问答，而是一整套研究任务。

2.3 在输入框中写下你的第一个问题

点击后，页面将切换至研究工作台。顶部是标题栏，中间是大型文本输入框，下方是提交按钮。现在，请在这里输入你的第一个研究问题。

别担心问题是否“够专业”。你可以试试这些真实场景中的提问方式：

• “帮我梳理Transformer架构在2023–2024年的最新改进方向，重点对比FlashAttention-2和Ring Attention的原理差异”
• “对比分析Stable Diffusion 3、DALL·E 3和MidJourney v6在商业海报生成上的实际效果与使用成本”
• “请总结中国新能源汽车出口在2024年上半年的主要市场、增长原因及面临挑战”

输入完毕后，点击右下角的Submit按钮。此时，DeerFlow不会立刻返回一段文字，而是进入一个动态执行状态——它正在为你规划、搜索、分析、撰写。整个过程通常需要1–3分钟，取决于问题复杂度。

3. 看懂它在做什么：研究流程的四个关键阶段

当你提交问题后，界面上会出现一个实时更新的流程图与日志面板。这不是装饰，而是DeerFlow向你透明展示其“思考过程”的窗口。理解这四个阶段，能帮你判断结果质量、预估等待时间，甚至在必要时介入调整。

3.1 背景调查：先扫一遍最新公开信息

DeerFlow的第一步，不是直接规划，而是进行“背景调查”。它会将你的问题作为关键词，调用Tavily搜索引擎，抓取过去24–72小时内最相关、高可信度的新闻、论文摘要、技术博客和官方文档。

例如，当你问“DeerFlow和OpenResearch.ai在自动化研究流程上的核心区别”，它会先搜索：

• DeerFlow GitHub仓库的最新commit说明
• 字节跳动技术博客中关于LangGraph多智能体的实践分享
• OpenResearch.ai官网公布的架构白皮书更新日志
• Hacker News和Reddit上开发者的真实讨论帖

这个阶段的结果不会直接呈现给你，但会成为后续所有分析的“事实基础”。它确保报告不是基于陈旧知识的推测，而是立足于当下最前沿的公开信息。

3.2 智能规划：把模糊问题拆解成可执行步骤

拿到背景信息后，DeerFlow的“规划节点”开始工作。它不再把你的一句话当作终点，而是当作一个待解构的研究命题。

系统会自动生成一份结构化计划，包含：

• 研究目标：明确本次研究要回答的核心问题
• 关键子任务：例如“收集近3年主流AI视频模型的SOTA指标”、“提取各厂商API定价策略与调用限制”
• 执行顺序：哪些任务必须前置（如先获取数据再分析）、哪些可并行（如同时搜索技术文档与用户评测）
• 所需工具：标注每个子任务将调用的工具类型（网络搜索、Python代码执行、PDF解析等）

这份计划默认自动执行，但你也可以在“Human Feedback”环节手动修改。比如发现某一步骤遗漏了关键维度，可直接编辑后点击“Accept Plan”继续。

3.3 协作执行：研究员与程序员轮番上阵

规划确定后，DeerFlow内部的“研究团队”正式开工。这不是单个模型在干活，而是两个角色紧密配合：

• 研究员（Researcher）：负责信息获取。它会根据计划中的子任务，发起精准搜索，爬取目标网站，提取结构化数据（如表格、参数列表），并过滤掉营销话术和低质内容。

• 程序员（Coder）：负责信息处理。当研究员带回原始数据后，程序员会自动运行Python脚本进行清洗、归一化、统计计算和可视化。例如，将不同来源的模型参数整理成统一单位，计算性能提升百分比，生成对比表格。

这两个角色在后台无缝切换，你看到的只是“执行中…”的状态条推进，但背后是多次搜索、代码编译、结果校验的完整闭环。

3.4 报告生成：从碎片信息到专业文档

所有子任务完成后，DeerFlow进入最终阶段：报告员（Reporter）节点启动。它会做三件事：

1. 整合所有观察结果：将研究员搜集的原文片段、程序员生成的分析图表、背景调查中的权威引用全部汇总；
2. 遵循专业写作规范：严格按“关键要点→概述→详细分析→参考文献”结构组织内容，强制要求所有引用以[Source Title](URL)格式置于文末，禁用文中括号引用；
3. 优先使用Markdown表格：凡涉及对比、参数、统计数据，一律生成格式工整的表格，而非段落罗列。

最终交付的，不是一段AI风格的流畅文字，而是一份可直接用于汇报、投稿或内部分享的结构化文档。

4. 实战演示：从提问到报告的完整截图复现

理论不如实操直观。下面我们用一个具体问题，全程复现DeerFlow的实际表现。问题如下：

“请分析2024年Qwen系列大模型的技术路线图，重点说明Qwen2.5、Qwen3与Qwen-VL在训练数据、上下文长度、多模态能力上的差异，并用表格总结。”

4.1 提问界面与初始响应

在WebUI输入框中粘贴上述问题，点击Submit。几秒后，界面顶部显示状态：“Background Investigation in Progress…”，下方日志滚动出现：

[coordinator] Handing off to background_investigator for query: "2024 Qwen series model roadmap" [tavily] Searching for: "Qwen2.5 release notes site:github.com" [tavily] Searching for: "Qwen3 technical report arxiv.org" [tavily] Searching for: "Qwen-VL multimodal capabilities official blog"

这表明系统已准确理解问题意图，并开始定向检索。

4.2 规划与执行过程可视化

约40秒后，状态变为“Planning Research Steps…”，日志更新为：

[planner] Generated plan with 5 steps: 1. Extract training data composition from Qwen2.5 whitepaper 2. Compare context window specifications across Qwen2.5/Qwen3/Qwen-VL 3. Analyze Qwen-VL's image-text alignment mechanism vs Qwen3's text-only architecture 4. Compile benchmark results on MMLU, GSM8K, MMMU 5. Generate comparative summary table

紧接着，状态切换为“Executing Step 1/5”，日志显示研究员正在抓取GitHub上Qwen2.5的release notes；随后“Executing Step 2/5”，程序员启动Python脚本解析各模型Hugging Face Card中的参数字段。

4.3 最终报告核心内容展示

约2分10秒后，报告生成完成。全文约1800字，核心部分如下（为便于阅读，此处摘录关键段落与表格）：

关键要点

• Qwen3采用全新混合专家（MoE）架构，在保持4B参数量的同时，推理效率提升40%，但训练数据未公开具体构成；
• Qwen-VL是首个支持“图像指令微调”的Qwen多模态版本，其视觉编码器基于SigLIP，文本侧完全复用Qwen3权重；
• 上下文长度方面，Qwen2.5为128K，Qwen3升级至200K，Qwen-VL因需处理图像Token，有效文本上下文压缩至64K。

主流Qwen模型能力对比

报告末尾引用

• Qwen3 Technical Report
• Qwen-VL: Vision-Language Foundation Model
• Qwen2.5 Release Notes

这份报告可直接复制粘贴进Word或Notion，所有格式、链接、表格均保持完好。

5. 进阶技巧：让报告更贴合你的需求

DeerFlow的默认流程已足够强大，但针对不同使用场景，还有几个实用技巧能进一步提升产出质量。

5.1 控制报告长度与深度：用配置参数微调

在提问末尾添加简短指令，可直接影响报告风格。例如：

• 加上“请用中文撰写，篇幅控制在800字以内，侧重商业应用建议”，报告会精简技术细节，突出落地场景；
• 加上“请附上Python代码，演示如何用transformers库加载Qwen3并进行推理”，程序员节点会自动生成可运行示例；
• 加上“对比需包含Latency与GPU显存占用数据”，系统会在执行阶段主动搜索基准测试结果并加入表格。

这些指令无需特殊语法，就是自然语言的一部分，DeerFlow的协调节点能准确识别并传递给下游模块。

5.2 中断与修正：在“人类反馈”环节介入

如果在规划阶段，你发现系统生成的计划存在偏差（比如遗漏了你想关注的某个国家市场），可以主动中断流程。当界面弹出“Please Review the Plan.”提示框时：

• 输入[EDIT_PLAN]，然后写下你的修改意见，如：“增加子任务：分析欧盟GDPR对Qwen-VL在欧洲部署的合规影响”；
• 点击确认，系统将回到规划节点，基于你的反馈重新生成完整计划。

这种设计让DeerFlow不是“黑箱执行”，而是“人机协同”，你始终保有最终决策权。

5.3 多轮研究：基于前序报告发起新问题

DeerFlow支持研究上下文记忆。当你完成一份报告后，可在同一会话中继续提问，例如：

• “基于刚才的Qwen-VL报告，生成一份面向CTO的技术选型建议PPT大纲”
• “将报告中关于GPU显存的数据，绘制成柱状图并导出PNG”

系统会自动关联前序研究的全部观察结果与结论，无需你重复提供背景。

6. 总结：它不只是工具，而是你的研究协作者

DeerFlow的价值，不在于它能回答一个问题，而在于它重构了“研究”这件事本身。过去，研究是线性的：你查资料→你读文档→你做笔记→你写报告。现在，DeerFlow把它变成了一个闭环：你提问→它规划→它执行→它交付→你审阅→它迭代。

它不替代你的专业判断，但接管了所有机械性劳动：信息检索的广度与时效性、数据处理的准确性、文档撰写的规范性。你的时间，终于可以聚焦在真正需要人类智慧的地方——定义问题、评估结论、做出决策。

从今天起，当你面对一个需要深度调研的任务时，不必再打开十几个浏览器标签页，不必再在Excel里手动整理参数。打开DeerFlow，输入一句话，然后喝杯咖啡。一份结构严谨、数据扎实、引用规范的研究报告，就在你回来时静静等待。

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。