DeerFlow 上手 3 步搭建一套能搜索、能写代码、能出图的深度研究环境【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flowDeerFlow 是一个社区驱动的开源深度研究框架它把大语言模型与网络搜索、网页抓取、Python 执行等工具组合在一起能处理从几分钟到几小时不等的研究任务。这篇文章用三个步骤把一套可用的智能研究环境跑起来拿到代码、写好config.yaml、按需预拉沙箱镜像。每一步都给出可验证的结果全部完成后执行make dev在浏览器打开http://localhost:2026即代表环境就绪。上图是 DeerFlow 在一次研究任务中生成的数据可视化输出模型在沙箱里执行代码、分析数据再把图表作为产物返回给你。动手前确认两样工具在位DeerFlow 后端依赖两样基础工具缺一个后面的命令都会卡住Python 3.12 及以上版本uv 包管理器装好后可以先跑一遍依赖检查它会逐项核对工具是否可用make check预期输出是各项工具的检查结果如有缺失会直接指出缺的是哪一项。一条命令把 DeerFlow 代码取到本地在项目根目录之外找个空目录执行git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow预期结果当前目录下出现deer-flow/文件夹内含config.example.yaml、backend/、frontend/、Makefile等顶层内容。在 config.yaml 里写好消息模型配置DeerFlow 用一份 YAML 文件管理所有配置默认读取项目根目录deer-flow/下的config.yaml而不是backend/里的那份示例。先把示例配置复制成正式文件cp config.example.yaml config.yaml⚠️config.yaml必须放在项目根目录。该文件已被 Git 忽略把密钥写进去不会泄露到仓库。然后给模型配置一个 API Key。两种方式任选其一导出环境变量推荐配置里用$OPENAI_API_KEY引用即可export OPENAI_API_KEYyour-key-here直接在config.yaml的models:块里写死参考文件中的示例格式models: - name: gpt-4o display_name: GPT-4o use: langchain_openai:ChatOpenAI model: gpt-4o api_key: $OPENAI_API_KEY supports_vision: true配置写完把后端依赖装好cd backend make install最后用诊断命令验证整份配置能否被正常加载make doctor预期结果输出一份配置与系统要求的检查报告。看到模型名和各项要求全部通过说明配置生效报错则按提示逐条修正。懒得手动改 YAML 的话也可以改用交互式向导make setup按提示逐项确认即可。可选预拉取沙箱镜像省掉首跑等待沙箱是 DeerFlow 执行代码、读写文件的隔离环境默认用本地文件系统LocalSandboxProvider不配也能用。如果你希望代码执行跑在容器里在config.yaml中启用sandbox块并指向容器提供商sandbox: use: deerflow.community.aio_sandbox:AioSandboxProvider启用后回到项目根目录预拉镜像make setup-sandbox预期结果容器镜像提前下载完成agent 第一次申请沙箱时不再有漫长的拉镜像等待。启动服务用浏览器验证结果make dev该命令一次性启动 Gateway、前端与 Nginx 反代。启动后打开http://localhost:2026能看到 DeerFlow 工作区界面、能发起会话就说明这套智能研究环境完全可用可以直接把查资料、写代码、出图表类的研究任务丢给 agent 了。停止所有服务用make stop。遇到问题先看哪里配置项全量说明backend/docs/CONFIGURATION.md文档总索引架构、API、文件上传、流式输出等backend/docs/README.md卡在哪一步都可以从上面的索引里找到对应文档顺利跑通之后建议直接发起一次完整任务让 DeerFlow 走一遍搜索、执行与可视化的全流程。【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DeerFlow 上手 3 步：搭建一套能搜索、能写代码、能出图的深度研究环境
DeerFlow 上手 3 步搭建一套能搜索、能写代码、能出图的深度研究环境【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flowDeerFlow 是一个社区驱动的开源深度研究框架它把大语言模型与网络搜索、网页抓取、Python 执行等工具组合在一起能处理从几分钟到几小时不等的研究任务。这篇文章用三个步骤把一套可用的智能研究环境跑起来拿到代码、写好config.yaml、按需预拉沙箱镜像。每一步都给出可验证的结果全部完成后执行make dev在浏览器打开http://localhost:2026即代表环境就绪。上图是 DeerFlow 在一次研究任务中生成的数据可视化输出模型在沙箱里执行代码、分析数据再把图表作为产物返回给你。动手前确认两样工具在位DeerFlow 后端依赖两样基础工具缺一个后面的命令都会卡住Python 3.12 及以上版本uv 包管理器装好后可以先跑一遍依赖检查它会逐项核对工具是否可用make check预期输出是各项工具的检查结果如有缺失会直接指出缺的是哪一项。一条命令把 DeerFlow 代码取到本地在项目根目录之外找个空目录执行git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow预期结果当前目录下出现deer-flow/文件夹内含config.example.yaml、backend/、frontend/、Makefile等顶层内容。在 config.yaml 里写好消息模型配置DeerFlow 用一份 YAML 文件管理所有配置默认读取项目根目录deer-flow/下的config.yaml而不是backend/里的那份示例。先把示例配置复制成正式文件cp config.example.yaml config.yaml⚠️config.yaml必须放在项目根目录。该文件已被 Git 忽略把密钥写进去不会泄露到仓库。然后给模型配置一个 API Key。两种方式任选其一导出环境变量推荐配置里用$OPENAI_API_KEY引用即可export OPENAI_API_KEYyour-key-here直接在config.yaml的models:块里写死参考文件中的示例格式models: - name: gpt-4o display_name: GPT-4o use: langchain_openai:ChatOpenAI model: gpt-4o api_key: $OPENAI_API_KEY supports_vision: true配置写完把后端依赖装好cd backend make install最后用诊断命令验证整份配置能否被正常加载make doctor预期结果输出一份配置与系统要求的检查报告。看到模型名和各项要求全部通过说明配置生效报错则按提示逐条修正。懒得手动改 YAML 的话也可以改用交互式向导make setup按提示逐项确认即可。可选预拉取沙箱镜像省掉首跑等待沙箱是 DeerFlow 执行代码、读写文件的隔离环境默认用本地文件系统LocalSandboxProvider不配也能用。如果你希望代码执行跑在容器里在config.yaml中启用sandbox块并指向容器提供商sandbox: use: deerflow.community.aio_sandbox:AioSandboxProvider启用后回到项目根目录预拉镜像make setup-sandbox预期结果容器镜像提前下载完成agent 第一次申请沙箱时不再有漫长的拉镜像等待。启动服务用浏览器验证结果make dev该命令一次性启动 Gateway、前端与 Nginx 反代。启动后打开http://localhost:2026能看到 DeerFlow 工作区界面、能发起会话就说明这套智能研究环境完全可用可以直接把查资料、写代码、出图表类的研究任务丢给 agent 了。停止所有服务用make stop。遇到问题先看哪里配置项全量说明backend/docs/CONFIGURATION.md文档总索引架构、API、文件上传、流式输出等backend/docs/README.md卡在哪一步都可以从上面的索引里找到对应文档顺利跑通之后建议直接发起一次完整任务让 DeerFlow 走一遍搜索、执行与可视化的全流程。【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考