DeerFlow基础教程：DeerFlow控制台UI与Web UI双模式使用详解

DeerFlow基础教程：DeerFlow控制台UI与Web UI双模式使用详解

1. DeerFlow是什么：你的个人深度研究助理

你有没有过这样的经历？想快速了解一个新领域，比如“量子计算在金融建模中的最新应用”，但搜了一堆资料，发现信息零散、真假难辨、专业门槛高，最后只能放弃？或者需要为一次重要汇报准备一份结构清晰、数据扎实、有深度分析的行业报告，却卡在资料收集和逻辑梳理上，耗时又费力？

DeerFlow就是为解决这类问题而生的。它不是另一个聊天机器人，而是一个能真正帮你“做研究”的AI助手——你的个人深度研究助理。

它不满足于简单回答问题，而是主动调用搜索引擎获取最新信息、运行Python代码验证假设、调用专业工具分析数据、整合多源内容生成结构化报告，甚至能把研究成果变成一段自然流畅的播客音频。整个过程就像你请了一支由研究员、数据分析师、文案编辑和播客制作人组成的虚拟团队，在后台协同工作。

更关键的是，它把这一切复杂能力，封装成了两种你随时可以打开、上手就用的界面：一个简洁高效的命令行控制台（Console UI），适合喜欢直接、快速、可复现操作的用户；还有一个功能完整、交互友好的网页界面（Web UI），适合需要可视化操作、多步骤协作或分享成果的场景。这篇教程，就带你从零开始，把这两种模式都用明白。

2. 快速上手：环境检查与服务启动

在开始使用DeerFlow之前，我们需要确认两个核心服务已经正常运行。这就像开车前要检查油量和发动机一样，是确保一切顺利的前提。整个过程非常简单，只需要两条命令。

2.1 检查大模型推理服务（vLLM）是否就绪

DeerFlow的“大脑”是一个名为Qwen3-4B-Instruct-2507的高性能语言模型，它被部署在vLLM推理引擎上。我们首先确认这个“大脑”是否已经清醒并准备好工作。

在终端中输入以下命令：

cat /root/workspace/llm.log 

这条命令会读取vLLM服务的日志文件。如果服务启动成功，你将看到类似下面这样的一段输出：

INFO 01-26 10:23:45 [server.py:189] Starting vLLM server on http://0.0.0.0:8000 INFO 01-26 10:23:45 [engine.py:212] vLLM engine started. INFO 01-26 10:23:45 [server.py:201] vLLM server is ready. 

最关键的信息是最后一行 vLLM server is ready.。只要看到这行字，就说明你的大模型服务已经完全就绪，可以随时响应指令了。

2.2 检查DeerFlow主服务是否启动成功

接下来，我们要确认DeerFlow这个“研究项目管理中枢”本身是否已经启动。

同样在终端中输入：

cat /root/workspace/bootstrap.log 

这条命令会读取DeerFlow主服务的启动日志。一个成功的启动日志，结尾处会清晰地显示：

INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8001 (Press CTRL+C to quit) 

其中 Application startup complete. 是最核心的标志，意味着DeerFlow的所有组件——协调器、规划器、研究团队、报告员——都已经加载完毕，整套系统进入了待命状态。

小贴士：如果这两条命令的输出中没有看到“ready”或“complete”这样的关键词，而是报错或卡在某个步骤，那可能是服务启动失败。此时，最简单的办法是重启整个环境，然后重新执行这两条命令检查。

3. 双模式实战：控制台UI与Web UI的详细操作指南

现在，两个核心服务都已就绪，我们可以正式进入DeerFlow的世界了。它提供了两种截然不同但又互补的使用方式：一种是高效、直接的控制台模式；另一种是直观、丰富的网页模式。我们来逐一详解。

3.1 控制台UI：极简主义的深度研究

控制台UI是DeerFlow最原生、最轻量的交互方式。它没有花哨的界面，只有纯粹的文本输入与输出，因此速度最快，资源占用最低，特别适合进行快速验证、调试流程或批量处理任务。

3.1.1 启动控制台

在终端中，直接输入以下命令即可启动DeerFlow的控制台界面：

deeflow console 

按下回车后，你会看到一个简洁的提示符，例如 DeerFlow >。这就表示你已经进入了它的“研究指挥中心”。

3.1.2 开始一次深度研究

现在，你可以像和一位资深研究员对话一样，直接提出你的问题。例如，输入：

DeerFlow > 请帮我分析过去一年比特币价格的主要波动原因，并总结成一份包含三个关键点的简报。 

DeerFlow会立刻开始工作：它会先规划研究步骤，然后调用Tavily搜索引擎获取最新的财经新闻和分析报告，接着可能运行Python脚本对公开的价格数据进行趋势分析，最后将所有信息整合，生成一份结构清晰、论据充分的简报。

整个过程会在控制台中以实时日志的形式展示出来，让你清楚地看到每一步发生了什么。最终，一份完整的、带有数据支撑的简报就会呈现在你眼前。

3.1.3 控制台的实用技巧

• 历史命令：按键盘上的上下箭头键，可以快速翻阅和复用之前输入过的命令，避免重复敲打。
• 中断任务：如果某次研究耗时过长，或者你想中止当前任务，直接按 Ctrl+C 即可。
• 退出控制台：输入 exit 或者再次按 Ctrl+C，就能干净利落地退出。

控制台UI的魅力在于它的“所见即所得”。你不需要点击任何按钮，所有的操作都通过自然语言完成，整个研究过程透明、可控、可追溯。

3.2 Web UI：功能完备的研究工作台

如果你需要更丰富的交互体验，比如查看搜索结果的原始链接、编辑生成的报告草稿、或者将整个研究过程分享给同事，那么Web UI就是为你量身打造的。

3.2.1 打开前端界面

在镜像环境中，通常会有一个预置的“WebUI”按钮。点击它，系统会自动为你打开一个全新的浏览器标签页，地址通常是 http://localhost:8001。

当你看到一个设计清爽、顶部有“DeerFlow”Logo、中间是醒目的输入框和“Start Research”按钮的页面时，恭喜你，Web UI已经成功加载。

3.2.2 发起一次研究：三步走

Web UI的操作流程非常直观，遵循“提问—执行—查看”的三步逻辑。

1. 第二步：点击“Start Research”按钮
   这个按钮通常位于输入框的右侧，是一个醒目的蓝色按钮。点击它，DeerFlow就会开始执行你刚才下达的指令。
2. 第三步：在右侧面板中查看动态进展与最终成果
   点击按钮后，页面右侧会立刻出现一个动态更新的“研究流”面板。你会看到它一步步地展示：整个过程就像在看一场幕后纪录片，既保证了结果的可靠性，也让你对AI的工作逻辑有了更深的理解。
   • 它如何将你的大问题拆解成几个小任务（规划）；
   • 它调用了哪些搜索引擎，找到了哪些关键网页（搜索）；
   • 它运行了哪些Python代码，得出了什么数据结论（编码）；
   • 最终，它如何将所有碎片信息编织成一份连贯、专业的报告（报告）。

第一步：在输入框中提出你的研究问题
这个输入框就是你的“研究指令入口”。你可以输入任何你想深入探究的问题，比如：

“对比分析Stable Diffusion 3和Flux.1在生成写实人像方面的优缺点，并提供具体的图像示例。”

3.2.3 Web UI的核心优势

• 可视化报告编辑：生成的报告并非一成不变。你可以直接在网页上选中某一段文字进行修改、增删，就像在Word里编辑一样。修改后，还可以一键重新生成播客，实现“文稿—音频”的无缝切换。
• 多轮对话与上下文记忆：在同一个研究会话中，你可以连续追问。例如，在得到一份关于“医疗AI”的报告后，你可以紧接着问：“请把这份报告中提到的三个关键技术，分别用一句话解释其原理。” Web UI会完美记住之前的上下文，给出精准的回应。
• 成果导出与分享：完成的研究可以一键导出为Markdown格式的文档，方便存档；也可以直接复制链接，分享给团队成员，让他们在自己的浏览器里查看完整的、带时间戳的研究过程。

4. 实战案例：从零开始完成一次完整研究

理论讲完，不如我们来一次真实的演练。我们将以“分析2024年全球AI芯片市场的竞争格局”为题，完整走一遍从提问到获得报告的全过程，让你对DeerFlow的能力有最直观的感受。

4.1 在Web UI中发起研究

打开Web UI，将以下问题粘贴到输入框中：

“请全面分析2024年全球AI芯片市场的竞争格局。重点包括：1）主要玩家（英伟达、AMD、英特尔、华为、寒武纪等）的市场份额与技术路线；2）市场增长的关键驱动因素；3）未来两年面临的主要挑战。请用中文撰写一份结构清晰、数据详实的分析报告。”

点击“Start Research”按钮。

4.2 观察研究流的动态执行

几秒钟后，右侧的研究流面板开始滚动。你会看到：

• 规划阶段：它将问题分解为“收集各公司财报与市场报告”、“提取市场份额数据”、“分析技术白皮书”、“总结驱动因素与挑战”四个子任务。
• 搜索阶段：它调用Brave Search，找到了IDC、Counterpoint、以及各公司官网发布的最新数据。
• 编码阶段：它运行了一个Python脚本，从多个网页中结构化地提取了市场份额数字，并进行了简单的百分比计算。
• 报告阶段：它将所有信息整合，生成了一份包含“市场概览”、“厂商深度分析”、“驱动与挑战”三大章节的报告。

4.3 对报告进行个性化润色

报告生成后，你可能会觉得“厂商深度分析”部分的数据表格不够直观。这时，你可以直接在网页上选中那段文字，将其替换为一个更清晰的Markdown表格：

保存修改后，这份报告就完全属于你了。

5. 常见问题与实用建议

在实际使用中，你可能会遇到一些小状况。这里整理了几个高频问题及对应的解决方案，帮你少走弯路。

5.1 为什么我的问题得不到回答，或者回答很笼统？

这通常是因为问题的表述不够具体。DeerFlow是一个“深度”研究工具，它需要明确的指令才能发挥最大效能。

• 避免：“介绍一下人工智能。”（范围太大，无从下手）
• 推荐：“请对比分析2024年发布的Qwen3、Llama4和Gemma3这三个开源大模型在代码生成任务上的基准测试得分（HumanEval、MBPP），并用表格呈现。”

核心原则：越具体的问题，越能得到高质量的答案。试着在问题中加入“对比”、“分析”、“总结”、“用表格呈现”、“基于2024年数据”等关键词。

5.2 Web UI打不开，或者页面显示空白？

这大概率是网络连接问题。请确认：

• 你是在镜像环境内部的浏览器中访问 http://localhost:8001，而不是在自己电脑的浏览器里访问。
• 如果你在远程服务器上操作，请确保你的本地浏览器能够访问该服务器的8001端口（可能需要配置SSH端口转发）。

5.3 如何让生成的报告更有“人味”，而不是冷冰冰的AI腔？

DeerFlow生成的初稿是严谨的，但你可以轻松地让它变得生动。一个简单有效的方法是：在提问时，就指定报告的风格。

例如，你可以这样问：

“请以一位资深科技记者的口吻，撰写一篇关于‘AI芯片国产替代’的深度分析报告，要求语言犀利、观点鲜明，并在结尾提出三条务实的建议。”

通过这种方式，你就在一开始就为AI设定了“角色”，它生成的内容自然会更富个性和感染力。

6. 总结：掌握双模式，开启你的深度研究之旅

回顾一下，我们今天一起完成了DeerFlow的入门之旅：

• 我们首先确认了vLLM和DeerFlow主服务这两个“心脏”已经健康跳动；
• 接着，我们深入体验了两种核心交互模式：控制台UI，它像一把锋利的瑞士军刀，适合追求极致效率的单点突破；Web UI，它则像一个功能齐全的研究实验室，适合需要可视化、可编辑、可分享的复杂项目；
• 我们还通过一个真实案例，完整走了一遍从提问、执行、到产出、再到润色的闭环流程；
• 最后，我们梳理了一些能让研究效果事半功倍的实用技巧。

DeerFlow的价值，不在于它能回答一个问题，而在于它能帮你系统性地解决一个问题。它把原本需要数小时甚至数天的信息搜集、分析、写作工作，压缩到了几分钟之内。更重要的是，它把这个过程变得透明、可控、可学习。

现在，你已经拥有了开启深度研究的钥匙。下一步，就是把它用起来。找一个你最近一直想搞懂、但又迟迟没动手的领域，向DeerFlow提出你的第一个问题吧。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 ZEEKLOG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。