字节跳动 DeeperFlow 实战：从零搭建你的超级 AI 研究助手，自动查资料、写代码、做汇报

Q: 三、实战任务：自动调研“AI Agent 框架对比”

我们设定一个真实任务：“调研 2025 年最热门的 3 个 AI Agent 框架（LangChain、AutoGPT、DeeperFlow），从功能、性能、社区活跃度三个维度对比，输出 Markdown 表格报告”。 3.1 创建任务配置文件 在 examples/ 目录下新建 research_agent.yaml，内容如下： name: "AI Agent 框架对比研究" goal: "调研 LangChain、AutoGPT、DeeperFlow 三个框架，输出对比报告" steps: - step: "搜索每个框架的官网和 GitHub 仓库，获取 Star 数、最新版本、主要

Q: 五、完整工作流总结

从零到产出报告，你只需要 4 步： 第 1 步：环境搭建（5 分钟）—— 克隆项目、创建虚拟环境、安装依赖、配置 API 密钥。 第 2 步：定义任务（10 分钟）—— 写一个 YAML 文件，把目标拆成 3-5 个具体步骤。 第 3 步：执行（3-5 分钟）—— 运行一条命令，等待 Agent 自动完成。 第 4 步：优化（可选）—— 根据输出调整步骤描述，或加入自定义工具。 整个流程的核心在于“任务拆解”。你拆得越细，Agent 执行越准。另外，注意免费模型（如腾讯 Hy3）虽然能用，但复杂推理场景建议用 GPT-4o 或 Claude。 六、容易被忽略的细节与陷阱

如果你经常被以下场景折磨：想调研一个新方向，需要手动打开几十个网页、复制粘贴、整理笔记、再手动写个总结报告；或者写代码时频繁在 IDE 和浏览器之间切换，查文档、找示例、调试报错。那么今天这篇教程就是为你准备的。

字节跳动开源的 DeeperFlow（GitHub 星标 77051）是一个“长周期超级智能体框架”，它像一位不知疲倦的研究助手，能帮你自动完成“调研-编码-创作”的完整工作流。本文将手把手教你从零部署 DeeperFlow，并实战完成一个真实的 AI 调研任务。看完你将掌握：1）如何快速搭建 DeeperFlow 环境；2）如何配置你的第一个“研究任务”；3）如何让 Agent 自动执行并产出结构化报告。全文无废话，所有步骤可复现。

一、DeeperFlow 是什么？为什么它火了？

简单说，DeeperFlow 是一个能让 AI 自动执行“多步骤、长周期”任务的框架。和普通的对话式 AI 不同，它具备“记忆”和“规划”能力：你可以给它一个复杂目标（比如“调研当前最热门的 3 个 Agent 框架并输出对比报告”），它会自动拆解成子任务、调用工具（搜索、代码执行、文件读写）、按顺序执行，最后汇总结果。

根据官方数据，在 GAIA 基准测试中，DeeperFlow 的复杂任务成功率比业界平均水平高出 35%。它基于 Python 开发，支持多种大模型后端（包括 OpenAI、Claude、以及国产模型），部署门槛极低。

二、环境准备：5 分钟跑起来

2.1 硬件与软件要求

你只需要一台能联网的电脑（Windows/Mac/Linux 均可），Python 3.10+ 环境，以及至少 4GB 空闲内存。不需要 GPU。如果你用 Mac，推荐 M1/M2 芯片，体验更流畅。

2.2 安装步骤

打开终端，依次执行以下命令：

# 1. 克隆项目
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 创建虚拟环境（强烈推荐）
python3 -m venv venv
source venv/bin/activate  # Windows 用 venv\Scripts\activate

# 3. 安装依赖
pip install -r requirements.txt

# 4. 安装浏览器自动化工具（用于网页操作）
playwright install chromium

常见陷阱：如果 pip 安装速度慢，请使用国内镜像源：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple。另外，Playwright 安装 Chromium 时如果报错，请确保网络畅通，或者手动执行 playwright install --with-deps chromium。

2.3 配置 API 密钥

在项目根目录创建 .env 文件，填入你的大模型 API 密钥（以 OpenAI 为例）：

OPENAI_API_KEY=sk-你的密钥
OPENAI_BASE_URL=https://api.openai.com/v1  # 如果你用代理或国内中转，改成对应地址
DEEPERFLOW_MODEL=gpt-4o  # 推荐使用 gpt-4o 或 claude-3.5-sonnet

如果你没有 OpenAI 密钥，也可以使用免费模型：在 .env 中设置 DEEPERFLOW_MODEL=tencent/hy3:free，这是腾讯的免费模型，上下文 262k 完全够用。但注意免费模型速度较慢，适合测试。

三、实战任务：自动调研“AI Agent 框架对比”

我们设定一个真实任务：“调研 2025 年最热门的 3 个 AI Agent 框架（LangChain、AutoGPT、DeeperFlow），从功能、性能、社区活跃度三个维度对比，输出 Markdown 表格报告”。

3.1 创建任务配置文件

在 examples/ 目录下新建 research_agent.yaml，内容如下：

name: "AI Agent 框架对比研究"
goal: "调研 LangChain、AutoGPT、DeeperFlow 三个框架，输出对比报告"
steps:
  - step: "搜索每个框架的官网和 GitHub 仓库，获取 Star 数、最新版本、主要功能"
  - step: "阅读每个框架的 README 和文档，提取核心特性"
  - step: "在技术社区搜索用户评价，整理优缺点"
  - step: "生成 Markdown 对比表格，包含：框架名称、Star 数、语言、核心优势、主要不足、推荐场景"
output: "./report.md"

关键点：任务拆解要足够细。DeeperFlow 的规划能力依赖步骤的清晰度，如果你写“调研一下”，它可能不知道从哪里开始。像上面这样分成 4 个具体步骤，执行效果最好。

3.2 启动 Agent

在终端运行：

python run.py --config examples/research_agent.yaml

你会看到类似下面的输出：

[INFO] 任务已加载: AI Agent 框架对比研究
[INFO] 步骤 1/4: 搜索每个框架的官网和 GitHub 仓库...
[ACTION] 正在访问 https://github.com/langchain-ai/langchain
[ACTION] 获取到 Star 数: 102000
[ACTION] 正在访问 https://github.com/Significant-Gravitas/AutoGPT
[ACTION] 获取到 Star 数: 171000
[ACTION] 正在访问 https://github.com/bytedance/deer-flow
[ACTION] 获取到 Star 数: 77051
[INFO] 步骤 2/4: 阅读文档...
[INFO] 步骤 3/4: 搜索用户评价...
[INFO] 步骤 4/4: 生成报告...
[INFO] 报告已保存至 ./report.md

整个过程大约需要 3-5 分钟（取决于网络和模型速度）。期间你可以去喝杯咖啡，Agent 会全自动完成。

3.3 查看结果

打开 report.md，你会看到类似下面的结构化内容：

# AI Agent 框架对比报告（2025年4月）

| 框架 | Star 数 | 语言 | 核心优势 | 主要不足 | 推荐场景 |
|------|---------|------|----------|----------|----------|
| LangChain | 102k | Python | 生态最丰富，集成 500+ 工具 | 抽象层过多，学习曲线陡峭 | 需要快速集成的企业应用 |
| AutoGPT | 171k | Python | 完全自主，无需手动拆分任务 | 容易跑偏，消耗 token 大 | 探索性实验、个人助手 |
| DeeperFlow | 77k | Python | 长周期任务稳定，国产开源 | 社区相对年轻，文档中文偏少 | 研究调研、代码生成 |

**详细分析**：
1. LangChain：适合有经验的开发者，但新手容易迷失在链和代理的概念中。
2. AutoGPT：最出名但实际可用性一般，长任务容易产生幻觉。
3. DeeperFlow：字节出品，稳定性好，特别适合需要多步骤推理的任务。

这个报告是 Agent 从数十个网页中自动提取信息、总结、格式化输出的。你可以直接用它作为初稿，节省至少 2 小时手动调研时间。

四、进阶技巧：自定义工具与调试

4.1 添加自定义搜索源

默认 DeeperFlow 只搜索 Google 和 GitHub。如果你想加入知乎、arXiv 等中文源，修改 config/tools.yaml：

tools:
  - name: "zhihu_search"
    type: "web"
    url: "https://www.zhihu.com/search?type=content&q={query}"
    parser: "html"
  - name: "arxiv_search"
    type: "api"
    url: "https://export.arxiv.org/api/query?search_query=all:{query}"

添加后，Agent 在搜索时会自动调用这些源，结果更丰富。

4.2 处理执行中的错误

如果某个步骤卡住，可以手动干预：按 Ctrl+C 暂停，然后输入 skip 跳过当前步骤，或 retry 重试。另外，建议在 .env 中设置 DEEPERFLOW_TIMEOUT=120（单位秒），避免某个步骤无限等待。

4.3 使用本地模型

如果你有本地部署的模型（如 Llama 3、Qwen 2.5），可以在 .env 中配置：

DEEPERFLOW_MODEL=ollama/qwen2.5:14b
OPENAI_BASE_URL=http://localhost:11434/v1

注意本地模型参数量建议 7B 以上，否则复杂任务规划能力不足。

五、完整工作流总结

从零到产出报告，你只需要 4 步：

第 1 步：环境搭建（5 分钟）—— 克隆项目、创建虚拟环境、安装依赖、配置 API 密钥。
第 2 步：定义任务（10 分钟）—— 写一个 YAML 文件，把目标拆成 3-5 个具体步骤。
第 3 步：执行（3-5 分钟）—— 运行一条命令，等待 Agent 自动完成。
第 4 步：优化（可选）—— 根据输出调整步骤描述，或加入自定义工具。

整个流程的核心在于“任务拆解”。你拆得越细，Agent 执行越准。另外，注意免费模型（如腾讯 Hy3）虽然能用，但复杂推理场景建议用 GPT-4o 或 Claude。

六、容易被忽略的细节与陷阱

Token 消耗：DeeperFlow 在浏览网页时会消耗大量上下文。如果一个任务超过 10 步，建议使用上下文窗口 128k 以上的模型（比如 NVIDIA Nemotron 3 Ultra 有 100 万上下文，但免费版速度慢）。
中文支持：默认模型对中文网页的解析不如英文。如果你主要做中文调研，在 .env 中设置 DEEPERFLOW_LANG=zh，Agent 会优先使用中文搜索和总结。
并发限制：免费 API 通常有速率限制（如每分钟 20 次请求）。如果任务频繁报错“429 Too Many Requests”，在 .env 中添加 DEEPERFLOW_RATE_LIMIT=10 降低请求频率。
浏览器崩溃：如果 Agent 需要频繁打开网页，建议使用无头模式（默认就是）。如果遇到 Chromium 崩溃，更新 Playwright：playwright install --force chromium。

七、总结与最优方案推荐

DeeperFlow 是目前开源社区中处理“长周期、多步骤”任务最稳定的框架之一。如果你需要：

快速调研竞品或技术方向
自动生成代码并执行
让 AI 帮你写周报、整理会议纪要

那么 DeeperFlow 是当前最优解。

最终推荐配置：

项目	推荐方案
模型	GPT-4o（付费）或腾讯 Hy3（免费）
任务步骤数	3-5 步最佳，超过 8 步建议拆分
输出格式	Markdown 或 JSON（供后续程序处理）
部署环境	Linux 服务器或 Mac 本地

最后提醒：AI Agent 不是万能的，它适合“信息收集与初步整理”，最终决策仍需人工复核。但有了 DeeperFlow，你可以把 80% 的重复调研工作交给它，把精力集中在更有创造性的分析上。快去试试吧！