企业官网建设流程全解析

DeerFlow 开源智能体框架上手指南：深度研究、数据分析与图表生成的完整路径

【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 是一个开源的长任务智能体框架（SuperAgent harness），把子代理、沙箱、记忆和技能系统打包在一起，帮你完成从深度研究、代码编写到图表和内容生成的多步骤任务。如果你希望让 AI 真正动手干活而不只是聊天，这个项目值得花十分钟把仓库结构和使用路径理清。

从 0 到 1：把 DeerFlow 跑起来的三步

拿到代码只需要一条命令：

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

进入仓库后，用make setup启动交互式配置向导。它会带你选择模型提供商、是否启用网络搜索，以及沙箱、bash 执行等安全选项，约 2 分钟生成config.yaml并写入密钥。想确认环境是否就绪，随时运行make doctor，它会给出可执行的修复建议。

启动方式有两条路，按你的机器情况二选一：

• Docker 方式（官方推荐）：make docker-init拉取沙箱镜像（只需一次），再make docker-start启动服务。
• 本地开发方式：先make check检查 Node.js 22+、pnpm、uv、nginx 等依赖，再make install安装前后端依赖，最后make dev启动。

两种方式启动后都访问http://localhost:2026。第一次打开时，建议先跑一个简单任务，比如让它总结你上传的一份 CSV 文件——这能让你一次性看到会话、工具调用和产物交付的完整链路。

上图来自仓库内的演示截图：用户在 Web 界面里让 DeerFlow 现场创建一个自定义技能，右侧终端显示验证通过。这类"边用边建"的体验，正是它和普通聊天机器人的差别。

仓库资源地图：技能、文档、演示输出分别在哪里

把仓库拆成四块看，你会更快建立方位感：

• skills/public/：内置技能目录，是 DeerFlow 能力的核心。每个技能是一个带SKILL.md的目录，按需加载，不占用多余上下文。
• backend/docs/：后端文档，入口是 backend/docs/README.md。安装配置看 backend/docs/SETUP.md，整体架构看 backend/docs/ARCHITECTURE.md，接口细节看 backend/docs/API.md。
• frontend/public/demo/：历史演示会话的产物，包括生成的图表、照片和文档，是了解输出质量最直观的样本。
• config.example.yaml与extensions_config.example.json：完整配置模板，模型接入、MCP 服务器、沙箱模式都在这里配。

扩展能力走两条通道：MCP 服务器负责接入外部工具，skills/目录负责定义工作流。想加自己的技能，照着 skills/public/deep-research/SKILL.md 的结构写一个SKILL.md即可，官方还提供skill-creator技能帮你自动生成和评审新技能。

按场景找功能入口

数据分析：上传 Excel 或 CSV 直接提问

data-analysis技能基于 DuckDB 引擎处理你上传的数据文件，支持多 Sheet 的 Excel、任意 SQL 查询、统计摘要，结果可导出为 CSV、JSON 或 Markdown。用法就是直接丢文件进去提问，它会先检查文件结构再执行查询。

图表生成：26 种图表类型自动匹配

chart-visualization技能内置 26 种图表，包括折线、柱状、饼图、桑基图、思维导图、词云等。它的工作流是先根据数据特征判断图表类型，再从references/目录读取对应参数规范，最后调用脚本生成图片。你不需要指定"要哪种图"，给出数据和目的即可。

深度研究：多轮检索代替单次搜索

deep-research技能规定了一条硬规则：任何需要网络信息的问题，先做分阶段的多角度检索，再产出内容。它适合"对比 A 和 B""调研某个行业"这类问题，也常作为写报告、做 PPT 前的前置步骤。相关产出示例可以浏览 frontend/public/demo/ 下的历史会话。

内容创作：图片、PPT、播客、视频都有现成技能

image-generation、ppt-generation、podcast-generation、video-generation等技能覆盖常见内容产出。下图是图像生成技能的演示产出，属于仓库自带样例，你可以用它评估生成质量后再决定是否在自己的任务中使用。

遇到阻塞时：自检、文档、社区的分工

排障按成本从低到高分三层：

1. 先跑make doctor。配置缺失、依赖版本不对这类问题它都会直接指出，并给出下一步命令，能解决大部分"启动不了"的情况。
2. 再查文档定位模块。沙箱行为看 backend/docs/CONFIGURATION.md，IM 渠道接入（Telegram、Slack、飞书、钉钉等）看 backend/docs/IM_CHANNEL_CONNECTIONS.md，MCP 服务器配置看 backend/docs/MCP_SERVER.md。文档在 backend/docs/README.md 里有完整索引。
3. 最后才是提 Issue。提交前运行make support-bundle，它会自动生成一份脱敏的问题摘要文件供你粘贴，不会包含密钥和完整对话。反馈格式可参考仓库根目录的 CONTRIBUTING.md。

需要注意一点：DeerFlow 2.0 是彻底重写的新版本，与 1.x 不共享代码。如果你参考的是旧的深度研究框架教程，很多路径和配置项已经不再适用，以当前仓库文档为准。

下一步行动

建议今天做三件事：克隆仓库并运行make setup完成首次配置；打开skills/public/挑一个最贴近你日常工作的技能通读它的SKILL.md；把 frontend/public/demo/ 里的演示产物过一遍，心里先建立对输出质量的预期。

跑通之后，最有价值的动作是给自己写一个技能——用自己的数据格式和业务术语替换内置示例，DeerFlow 会立刻变成贴合你场景的工具。

【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