DeerFlow 是字节跳动开源的超级智能体框架，GitHub 星标已突破 89,000+。本文将手把手带你从环境准备到配置调优，在 30 分钟内搭建一个可用于实际研究任务的 DeerFlow 智能体系统。
一、环境准备
系统要求
安装依赖
1. 安装 Docker
# macOS
brew install --cask docker
# Ubuntu
curl -fsSL https://get.docker.com | sh
sudo usermod -aG docker $USER
2. 克隆项目
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
3. 生成配置文件
make config
这将创建一个 config.yaml 文件和 .env 文件用于存放敏感信息。
二、配置语言模型
DeerFlow 支持多种模型提供商，包括 OpenAI、Azure、Anthropic、Ollama 等。
方式一：使用 OpenAI API
编辑 config.yaml：
models:
- name: gpt-4o
display_name: GPT-4o
use: langchain_openai.ChatOpenAI
model: gpt-4o
api_key: $OPENAI_API_KEY # 引用环境变量
- name: gpt-4o-mini
display_name: GPT-4o Mini
use: langchain_openai.ChatOpenAI
model: gpt-4o-mini
api_key: $OPENAI_API_KEY
在 .env 文件中配置：
OPENAI_API_KEY=sk-your-api-key-here
方式二：使用 Ollama（本地模型）
适合预算有限或对数据隐私有要求的场景：
models:
- name: ollama-qwen
display_name: Qwen (Local)
use: langchain_ollama.ChatOllama
model: qwen2.5:7b
base_url: http://localhost:11434
启动 Ollama 并拉取模型：
ollama pull qwen2.5:7b
ollama serve
方式三：使用 VLLM（高性能推理）
适合需要更高性能的场景：
# 使用 GPU 运行 VLLM
docker run --gpus all -p 8000:8000 \
vllm/vllm-openai:latest \
--model meta-llama/Llama-3.1-8B-Instruct
三、启动 DeerFlow
使用 Docker Compose（推荐）
最简单的方式，一键启动所有服务：
docker compose up -d
服务启动后，访问 http://localhost:2026 即可看到 Web 界面。
验证服务状态
# 检查容器状态
docker compose ps
# 查看日志
docker compose logs -f
# 健康检查
curl http://localhost:2026/api/health
四、Web 界面使用
DeerFlow 提供了一个直观的 Web 界面：
创建新任务：点击 "New Task" 或直接在输入框输入研究主题
配置参数：选择模型、设置任务复杂度
启动执行：系统会自动分解任务并协调多个智能体工作
监控进度：实时查看任务执行状态和中间结果
人工介入：在关键节点可以暂停、修改或补充指令
五、进阶配置
启用沙箱执行
DeerFlow 的核心特性之一是安全的代码执行环境。确保 Docker 沙箱正常启用：
sandbox:
enabled: true
type: docker # 或 containerd
resources:
memory_limit: 2g
cpu_limit: 2
timeout: 300 # 秒
配置技能（Skills）
DeerFlow 的技能系统允许扩展能力：
skills:
enabled:
- web_search # 网络搜索
- code_executor # 代码执行
- file_processor # 文件处理
- data_analysis # 数据分析
多模型协作配置
可以为不同任务分配不同模型：
agents:
planner:
model: gpt-4o
temperature: 0.7
executor:
model: gpt-4o-mini
temperature: 0.3
synthesizer:
model: gpt-4o
temperature: 0.5
六、自定义研究智能体
创建一个专门的研究智能体配置 research-agent.yaml：
name: research-assistant
description: 深度研究助手
models:
primary: gpt-4o
fallback: gpt-4o-mini
skills:
- web_search
- academic_search
- code_executor
- pdf_reader
- chart_generator
behavior:
max_iterations: 20
search_depth: deep
include_citations: true
output_formats:
- markdown
- json
- html
constraints:
max_cost_per_task: 5.0 # 美元
max_time_minutes: 30
运行自定义配置：
deer-flow run --config research-agent.yaml --task "分析2026年AI发展趋势"
七、生产级部署
使用 Railway 部署
适合快速上线生产环境：
# 安装 Railway CLI
npm install -g @railway/cli
# 登录并部署
railway login
railway init
railway up
Railway 会自动配置域名、HTTPS 和环境变量。
使用火山引擎 FaaS
DeerFlow 官方支持的云原生部署方案：
在火山引擎控制台创建函数计算应用
配置 Dockerfile 和启动命令
设置触发器（HTTP/WebSocket）
挂载持久化存储卷
使用 Kubernetes
适合企业级大规模部署：
apiVersion: apps/v1
kind: Deployment
metadata:
name: deer-flow
spec:
replicas: 3
template:
spec:
containers:
- name: api
image: bytedance/deer-flow:latest
ports:
- containerPort: 2026
env:
- name: OPENAI_API_KEY
valueFrom:
secretKeyRef:
name: deer-flow-secrets
key: api-key
八、常见问题排查
日志查看
# 查看 API 日志
docker compose logs -f api
# 查看沙箱日志
docker compose logs -f sandbox
# 查看前端日志
docker compose logs -f web
九、性能优化建议
使用流式响应：减少等待时间，提升用户体验
启用缓存：对重复查询返回缓存结果
模型分级：简单任务用小模型，复杂任务用大模型
异步执行：将耗时操作放入后台队列
资源隔离：为沙箱分配独立资源，避免互相影响
十、总结
DeerFlow 为研究和自动化任务提供了一个强大而灵活的框架。通过本文的指南，你应该能够在 30 分钟内完成基本部署，并根据实际需求进行扩展和优化。
关键步骤回顾：
✅ 安装 Docker 和克隆项目
✅ 配置语言模型（OpenAI/Ollama/VLLM）
✅ 使用 Docker Compose 启动服务
✅ 通过 Web 界面测试功能
✅ 根据需求自定义配置
DeerFlow 的模块化设计让你可以逐步深入，从简单使用到高级定制，找到最适合你的工作方式。
参考资源
DeerFlow GitHub 仓库 - 官方开源项目
DeerFlow 官方文档 - 产品主页
DeepWiki - DeerFlow 文档 - 详细技术指南
APIDog DeerFlow 2.0 指南 - 使用教程