企业官网建设流程全解析

DeerFlow 2.0 上手教程：三步跑起你的深度研究 AI 智能体

【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

DeerFlow 2.0 是一个开源深度研究框架，把联网搜索、代码执行和报告生成串成一条流水线，能处理从分钟到小时级的长任务。下面带你从新手视角装好它、跑起来，并上手几个最实用的功能。

🎯 丢给它一个课题，拿回一份成品

想象一个场景：老板丢给你一个课题，你在十几个浏览器标签页之间来回翻，报告还是一团乱。DeerFlow 就是接这种活的。你只说想做什么，它自己拆解任务、联网检索、跑 Python、写文档。它基于 LangGraph 和 LangChain 构建，沙箱、记忆、技能、子智能体全部内置，开箱就能用，也可以拆开来改。

🚀 三步跑起来：克隆、向导配置、启动

第一步，把仓库克隆到本地：

git clone https://gitcode.com/GitHub_Trending/de/deer-flow

第二步，跑安装向导。进入项目根目录执行 make setup。它会引导你选模型提供商（任何 OpenAI 兼容 API 都行）、联网搜索和执行偏好，全程约 2 分钟，生成 config.yaml 并把密钥写进 .env。

第三步，启动并打开页面。有 Docker 就执行 make docker-start，这是官方推荐方式；没有就跑 make dev 走本地开发模式。然后浏览器打开 http://localhost:2026 即可。配置有问题时执行 make doctor 自检，它会直接告诉你哪里没配对、怎么修。

三个现成能干活的场景：调研、图表、生图

深度研究。内置的调研技能让主智能体自己规划检索路径。任务大了它会自动拆出子智能体并行搜索，结果回来后交叉核对，汇总成带来源引用的结构化报告。

数据分析与可视化。把一份 CSV 丢进去，它在沙箱里跑 Python 分析，直接产出饼图、柱状图，还能顺手写结论。

一键内容生成。image-generation、ppt-generation、podcast-generation 等技能开箱即用，说"给我出一张产品主图"，它能回一张能直接进素材库的图。

遇到问题查哪里：文档真实路径

资料都放在仓库里，不用到处找：

• backend/docs/SETUP.md — 安装与配置速查
• backend/docs/CONFIGURATION.md — 配置项全集，模型、沙箱、技能都在这里
• backend/docs/API.md — 接口参考
• backend/docs/ARCHITECTURE.md — 架构是怎么搭的
• 根目录的 README_zh.md — 中文主文档

求助先看自检：诊断与提 Issue

本地跑不通，先执行 make doctor，它会检查环境并给出可操作的修复建议。问题还在，再执行 make support-bundle，自动生成一份诊断文件，贴进 issue 维护者一眼就能看懂现场。想贡献代码，看根目录的 CONTRIBUTING.md，开发流程和提交规范都写清楚了。

先从一个课题级的小任务开始：让它做一次主题调研或分析一份数据表，感受下产出质量，再决定接下来开哪些技能。克隆完、跑起来，你就可以用了。

【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