DeerFlow完整指南：Web UI与控制台双模式使用方法
DeerFlow完整指南：Web UI与控制台双模式使用方法
1. 认识你的深度研究助理：DeerFlow
如果你经常需要从网上搜集信息、整理报告，或者对某个话题进行深度研究，那么手动搜索、阅读、总结的过程一定让你感到耗时费力。今天，我想给你介绍一个能帮你解决这些问题的智能助手——DeerFlow。
简单来说，DeerFlow是一个开源的深度研究项目。你可以把它想象成一个不知疲倦的研究员，它能够自动上网搜索信息、分析网页内容、运行代码处理数据，最后还能帮你生成结构清晰的报告，甚至把报告变成一段语音播客。它背后整合了语言模型、搜索引擎、Python执行环境等多种工具，通过一个智能的“多智能体”系统来协同工作，确保研究的深度和广度。
这个项目最吸引人的地方在于，它提供了两种使用方式：一种是直观的网页界面，另一种是功能强大的控制台。无论你是喜欢点点鼠标的普通用户，还是习惯敲命令行的开发者，都能找到适合自己的操作路径。接下来，我就带你从零开始，完整地走一遍DeerFlow的部署和使用流程，让你快速上手这个强大的研究工具。
2. 环境准备与快速启动
在开始使用DeerFlow之前，我们需要确保它依赖的核心服务都已经正常运行。这个过程很简单，主要是检查两个日志文件。
2.1 检查大模型服务状态
DeerFlow需要一个“大脑”来理解和处理信息，这个大脑就是内置的Qwen3-4B-Instruct大模型。我们需要先确认它是否已经成功启动。
打开你的终端，输入以下命令来查看模型服务的启动日志：
cat /root/workspace/llm.log如果服务启动成功，你会在日志中看到类似“Uvicorn running on...”这样的信息，表明模型服务已经在后台正常运行，等待接收指令了。这个服务是DeerFlow进行智能分析和内容生成的基础。
2.2 检查DeerFlow主服务状态
确认“大脑”就绪后，接下来检查DeerFlow主程序本身是否正常启动。同样在终端中，运行：
cat /root/workspace/bootstrap.log当看到日志输出中包含服务成功启动的提示信息时，就说明DeerFlow的整套系统已经准备就绪。此时，它的Web服务和控制台服务都已经在后台运行，你可以通过两种方式来访问和使用它了。
3. 使用网页界面：直观的图形化操作
对于大多数用户来说，网页界面是最友好、最直观的使用方式。你不需要记住任何命令，通过点击和输入就能完成复杂的研究任务。
3.1 访问Web UI界面
首先，你需要打开DeerFlow的网页界面。根据你的部署方式，通常可以通过访问指定的本地端口（如http://localhost:3000）或云服务提供的访问地址来进入。界面加载后，你会看到一个简洁清爽的研究工作台。
3.2 开始你的第一次研究
在Web UI的中央，你会看到一个明显的输入框或一个“开始新研究”的按钮。点击它，就进入了研究创建页面。
在这里，你需要输入你的研究主题或问题。比如，你可以输入“分析一下近期人工智能在医疗影像诊断领域的最新进展”。尽量把你的问题描述得具体一些，这样DeerFlow能更准确地理解你的需求，并规划后续的研究步骤。
3.3 配置研究参数与执行
输入问题后，界面通常会提供一些可选的配置项，例如：
- 研究深度：可以选择快速概览或深度分析，深度分析会搜索更多资料并生成更详细的报告。
- 搜索引擎：可以选择使用哪个搜索引擎来获取信息。
- 输出格式：可以选择生成纯文本报告、带格式的Markdown文档，或者直接生成播客音频。
配置完成后，点击“开始研究”或类似的执行按钮。DeerFlow就会开始它的工作：自动规划研究步骤、调用搜索引擎获取资料、分析网页内容、整理信息，并最终生成报告。这个过程可能需要几分钟，你可以在界面上看到实时的进度提示。
3.4 查看与使用研究成果
研究完成后，界面会展示生成的报告。报告通常结构清晰，包含摘要、核心发现、详细分析和引用来源等部分。你可以直接在线阅读、下载为文件，或者点击“生成播客”按钮，让DeerFlow用语音把报告读给你听，非常适合在通勤路上“听”报告。
Web UI模式的优势在于全程可视化，操作门槛低，适合进行单次的、目标明确的研究任务。
4. 使用控制台模式：灵活高效的命令行交互
如果你是一名开发者，或者希望将DeerFlow集成到自己的自动化流程中，那么控制台模式提供了更强大和灵活的能力。通过命令行，你可以精确控制研究的每一个环节。
4.1 进入控制台环境
首先，通过SSH或终端连接到运行DeerFlow的服务器。确保你位于项目的根目录下，然后激活相应的Python虚拟环境（如果项目有提供的话）。
4.2 通过命令行发起研究
DeerFlow的控制台通常提供一个主入口脚本，比如叫做research_cli.py。你可以通过命令行参数来指定研究任务。
一个基础的研究命令可能长这样：
python research_cli.py --query “比特币未来半年的价格趋势预测” --depth deep --output_format markdown让我解释一下这几个参数：
--query：这是最重要的参数，就是你想要研究的问题。--depth：指定研究深度，quick是快速扫描，deep是深度分析。--output_format：定义输出格式，比如text、markdown或json。
4.3 高级功能与集成
控制台模式的强大之处在于支持更复杂的操作和集成：
批量处理：你可以编写一个脚本，从一个文件（如
topics.txt）中读取多个研究主题，然后循环调用DeerFlow进行研究，自动生成一系列报告。# 假设有一个脚本 batch_research.sh while read topic; do python research_cli.py --query “$topic” --output_format markdown --output_file “reports/${topic// /_}.md” done < topics.txt自定义工具链：你可以在配置文件中指定使用不同的搜索引擎（如Tavily、Brave Search），或者接入额外的MCP服务来扩展DeerFlow的能力，比如连接特定的数据库或内部知识库。
结果后处理：由于输出可以是结构化的JSON格式，你可以很容易地用其他脚本对研究结果进行二次分析、汇总或可视化。
控制台模式赋予了用户完全的掌控力，适合处理重复性的研究任务、构建自动化流水线，或者进行定制化的深度集成开发。
5. 双模式实战：从研究到播客的全流程
为了让你更清楚地理解两种模式如何协作，我们来看一个完整的实战例子：研究“太阳能电池板的最新转化效率突破”，并最终生成一个播客。
第一步：使用Web UI进行初步探索你可以在Web UI中输入这个主题，选择“深度分析”模式，让DeerFlow生成一份详细的图文报告。通过网页快速浏览报告，你就能对领域内的主要技术路线、领先团队和最新数据有一个全面的了解。
第二步：使用控制台进行数据深挖在阅读报告时，你可能对报告中提到的某个特定技术（如“钙钛矿叠层电池”）的详细数据感兴趣。这时，你可以切换到控制台，发起一个更聚焦的查询：
python research_cli.py --query “2024年钙钛矿叠层太阳能电池实验室最高转化效率及主要研究团队” --output_format json通过JSON格式的输出，你可以精准地提取出效率数值、机构名称等结构化数据，方便导入到Excel或数据分析工具中做进一步处理。
第三步：生成最终播客最后，你可以回到Web UI，在最初生成的那份完整报告页面上，点击“生成播客”按钮。DeerFlow会调用TTS服务，将这份关于太阳能电池板技术突破的报告，转化为一段流畅的语音讲解。你可以下载这个音频文件，在任何时候收听，巩固你的知识。
这个流程展示了如何根据不同阶段的需求，灵活切换使用两种模式，从而最大化DeerFlow的研究效能。
6. 总结
DeerFlow作为一个开源的深度研究框架，通过将大模型、网络搜索和代码执行等能力有机结合，实实在在地降低了进行高质量信息研究的门槛。无论是通过Web UI进行便捷的图形化交互，还是通过控制台实现强大的自动化和集成，它都为用户提供了可靠的选择。
它的核心价值在于，把我们从繁琐的信息搜集、整理和初步分析工作中解放出来，让我们能更专注于思考、决策和创造。你可以用它来跟踪行业动态、撰写调研报告、准备演讲材料，或者仅仅是满足自己对某个话题的好奇心。
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。