DeerFlow小白教程：无需代码的AI研究工具使用指南

你是不是也遇到过这些情况？

• 想查一个技术趋势，但搜了一堆网页，信息零散、真假难辨，最后还是没理出头绪；
• 写行业报告时，要反复翻论文、看新闻、比数据，花半天时间才搭起个框架；
• 听说AI能做深度调研，可一看到“LangGraph”“MCP”“Tavily API”就头皮发麻——这得会写代码、配环境、调模型吧？

别急。今天要介绍的 DeerFlow，就是专为“不想写代码、但想用AI做真研究”的人设计的。

它不是另一个需要你从零搭环境、改配置、跑命令行的开源项目。它是一台已经预装好所有工具、调好所有参数、连好所有服务的“AI研究工作站”。你只需要打开浏览器，输入一个问题，剩下的——搜索、分析、验证、写作、生成播客——全由它来完成。

本文不讲架构图，不列依赖项，不贴长命令。我们只做一件事：手把手带你用 DeerFlow 完成一次真实的研究任务，全程不用写一行代码，也不用离开浏览器。

1. 先认识 DeerFlow：你的个人深度研究助理

1.1 它不是聊天机器人，而是一个“研究团队”

很多用户第一次听说 DeerFlow，会下意识把它当成 ChatGPT 的加强版。其实不然。

你可以把 DeerFlow 想象成一个随时待命的四人研究小组：

• 协调员（Coordinator）：负责听懂你的问题，判断需要哪些能力，然后分派任务；
• 规划师（Planner）：把大问题拆解成小步骤，比如“先查最新政策 → 再找行业数据 → 然后对比竞品 → 最后总结建议”；
• 研究员 & 编码员（Researcher & Coder）：一个上网搜资料、读网页、抓数据；另一个在后台运行 Python 脚本，自动处理表格、画图、算增长率；
• 报告员（Reporter）：把所有结果整理成结构清晰的 Markdown 报告，还能一键转成播客脚本，甚至生成 PPT。

这个团队不是虚构的——它基于 LangGraph 构建，每个角色都是真实运行的智能体，彼此协作、互相校验，确保结论有据可依，不是“幻觉输出”。

1.2 它已经为你准备好了所有“装备”

你不需要自己去申请 Tavily 搜索 API、不用部署 Qwen 大模型、不用装 Node.js、更不用配火山引擎 TTS 密钥。

在你拿到的这个 DeerFlow 镜像里，所有关键服务都已就位：

• 内置 vLLM 加速的 Qwen3-4B-Instruct-2507 模型（已启动，日志可查）
• 预集成 Tavily 搜索引擎（免密可用，每月1000次额度）
• 已接入 火山引擎 TTS 文本转语音服务（支持中文播客生成）
• 控制台 UI + Web UI 双模式（推荐直接用 Web 界面，点点鼠标就能用）
• 所有依赖（Python 3.12+、Node.js 22+、uv、pnpm）全部预装完毕

换句话说：镜像即开即用，你唯一要做的，就是提问。

1.3 它能帮你做什么？三个真实场景告诉你

场景	你输入的问题	它能交付什么
快速摸清一个新领域	“请帮我梳理2025年AIGC在教育行业的落地现状，重点包括政策支持、头部公司案例和教师反馈”	一份含来源链接的 Markdown 报告 + 自动摘要 + 可播放的5分钟播客音频
验证一个市场判断	“有人说‘小红书种草正在失效’，请用近半年真实数据验证这个说法是否成立”	数据爬取过程说明 + 关键指标对比图表（笔记量/互动率/转化链路） + 结论与依据
辅助内容创作	“我是一名科技博主，想写一篇关于‘DeerFlow如何改变研究方式’的公众号文章，请生成初稿”	符合公众号风格的千字文稿（含小标题、金句、案例、结尾呼吁），支持在线编辑

注意：它不承诺“100%准确”，但会明确标注每条结论的来源（比如“根据Tavily搜索结果第3条”），让你能快速回溯、交叉验证——这才是专业研究该有的样子。

2. 三步上手：打开浏览器，开始你的第一次AI研究

2.1 第一步：确认服务已就绪（只需看两行日志）

虽然 DeerFlow 是开箱即用的镜像，但为了让你心里有底，我们快速确认两个核心服务是否正常运行。

打开终端（或 Jupyter Lab 中的 Terminal），依次执行：

cat /root/workspace/llm.log

如果看到类似 INFO: Uvicorn running on http://0.0.0.0:8000 和 vLLM engine started 的日志，说明大模型服务已就绪。

再执行：

cat /root/workspace/bootstrap.log

如果末尾出现 Web UI is ready at http://localhost:3000，说明前端服务也已启动。

两行日志，30秒确认。不需要理解每行含义，只要看到“running”“ready”“started”这类词，就可以放心进入下一步。

2.2 第二步：打开 Web 界面（点三次鼠标）

现在，把浏览器地址栏输入：http://localhost:3000（如果你是在云服务器上操作，请将 localhost 替换为你的服务器IP+端口，如 http://123.56.78.90:3000）。

你会看到一个简洁的首页。接下来只需三步：

1. 点击顶部导航栏的 “WebUI” 按钮（或直接在地址栏输入 http://localhost:3000/chat）
2. 在右上角找到并点击那个带“”图标的蓝色按钮（它位于输入框右侧，是启动研究流程的开关）
3. 在弹出的对话框中，输入你想研究的问题（例如：“2025年国内AI芯片创业公司的融资趋势有哪些新变化？”）

小提示：问题越具体，结果越聚焦。避免问“AI芯片怎么样”，而是像上面那样带上时间、地域、维度（融资趋势）。

2.3 第三步：观察它如何工作（你只需等待，可随时干预）

按下回车后，界面不会立刻给出答案。你会看到：

• 左侧是你的原始问题；
• 右侧出现一个动态更新的“研究面板”，显示当前进度；
• 面板顶部先生成一个研究计划（Plan），例如：

  1. 使用Tavily搜索2025年国内AI芯片公司融资新闻与数据库报告
  2. 筛选近6个月完成A轮及以后融资的公司名单
  3. 提取每家公司融资金额、轮次、投资方、技术方向
  4. 对比2024年同期数据，分析趋势变化
  5. 生成结构化报告与可视化建议

这个计划你可以修改——比如删掉第4步，或把“对比2024年”改成“对比2023–2024两年均值”。这就是 DeerFlow 的“人在环中（human-in-the-loop）”设计：AI负责执行，你保留最终决策权。

确认计划无误后，点击“Start Research”，它就开始自动运行了。

你会实时看到：

• 它调用了几次搜索API（显示关键词和返回条数）
• 它打开了几个网页并提取了关键段落（附原文链接）
• 它在后台运行了Python脚本处理融资数据（显示代码片段与执行结果）
• 最终，一份带标题、小节、引用链接、加粗结论的 Markdown 报告自动生成

整个过程通常在2–5分钟内完成，取决于问题复杂度。你不需要做任何事，只需看着它一步步把“模糊需求”变成“可信结论”。

3. 进阶玩法：让研究结果真正为你所用

3.1 报告不是终点，而是起点：在线编辑与导出

生成的报告默认以 Markdown 格式展示在右侧面板。但它不只是“看”，而是“可编辑”。

• 点击任意段落，即可像在 Notion 里一样修改文字、增删标题、调整顺序；
• 支持块级操作：拖拽段落重排、合并/拆分区块、添加引用标记；
• 修改后，点击右上角“Export”按钮，可一键导出为：
  • .md 文件（方便存档或发给同事）
  • .pdf（适合打印或正式汇报）
  • .pptx（自动生成PPT，每页一个核心结论，含图表占位符）

实测小技巧：如果你要写公众号，直接在编辑器里把二级标题改成“【开头钩子】”“【数据支撑】”“【案例佐证】”，再复制粘贴，效率提升一倍。

3.2 听报告：一键生成播客音频（真的能听）

很多人忽略了一个功能：DeerFlow 能把报告变成播客。

在报告页面，找到右上角“🎧 Audio”按钮，点击后它会：

• 自动提取报告核心段落，生成口语化脚本；
• 调用火山引擎 TTS 服务，合成自然流畅的中文语音；
• 生成 MP3 文件，提供下载链接。

试听效果如何？我们用“AI教育政策”问题生成的音频实测：

• 语速适中，无机械停顿；
• 重点词（如“教育部新规”“试点城市”）有轻微重音；
• 背景配有极简钢琴音效（可关闭）；
• 总时长约4分20秒，信息密度高，适合通勤时收听。

这意味着：你花5分钟生成的报告，可以变成同事路上听的行业简报，或是自己睡前复盘的知识胶囊。

3.3 深挖一层：用“调查模式”验证关键假设

有时候，你对某个结论存疑，比如报告里说“某技术路线融资额下降30%”，你想知道数据来源是否可靠。

这时，启用 Investigation Mode（调查模式）：

• 在提问前，先点击左下角“⚙ Settings”；
• 将 “Mode” 从默认的 “Research” 切换为 “Investigation”；
• 输入问题，例如：“请验证‘存算一体芯片融资额同比下降’这一说法，要求列出所有原始数据来源及计算过程”。

它会：

• 不仅返回结论，还展示每一步的数据抓取URL、表格截图、Python计算代码；
• 如果某条数据来自第三方平台（如IT桔子、Crunchbase），会直接附上该页面快照链接；
• 所有中间产物（爬虫日志、临时CSV文件）均可在后台查看。

这不再是“黑盒问答”，而是“透明推演”——你既能快速获得结论，也能在需要时层层下钻，确保每一分洞察都经得起拷问。

4. 常见问题与避坑指南（小白专属）

4.1 为什么我的问题迟迟没反应？三个检查点

现象	可能原因	解决方法
点击“Start Research”后，进度条不动	前端未连接到后端服务	刷新页面；或检查 bootstrap.log 是否有 Web UI is ready 字样
计划生成后卡在“Searching…”	搜索API调用失败（如Tavily额度用尽）	查看日志中是否有 tavily.search failed；更换为 duckduckgo（无需密钥，精度略低但稳定）
报告生成后图片/表格显示异常	浏览器加载资源超时	点击报告右上角“ Reload Report”重新渲染；或换用 Chrome/Firefox

统一解决方案：绝大多数问题，重启 Web UI 即可解决。在终端执行 pkill -f "next dev"，再重新访问 http://localhost:3000。

4.2 如何让结果更准？三条非技术建议

1. 用“记者思维”提问：不要问“AI芯片怎么样”，而要问“2025年Q1，国内估值超10亿美金的AI芯片公司，其融资轮次、领投方、技术路径分别是什么？按金额降序排列”。
2. 善用“限定词”：加上“截至2025年4月”“仅限中国大陆注册公司”“排除上市公司子公司”，能大幅减少噪声。
3. 分阶段提问：复杂问题拆成两轮。第一轮问“有哪些主流技术路线？”，第二轮针对其中一种问“X路线近一年融资事件有哪些？”。

记住：DeerFlow 不是万能神灯，而是你手里的“超级放大镜”。你提的问题越清晰，它放大的细节就越有价值。

4.3 它不能做什么？坦诚告诉你边界

• ❌ 不替代专业判断：它能汇总“10家医院AI辅助诊断系统的准确率数据”，但不能代替医生判断“该系统是否适合临床部署”。
• ❌ 不处理私有数据：默认不接入你的本地数据库或企业内网文档（需额外配置RAGFlow，超出小白范围）。
• ❌ 不保证100%事实正确：所有结论均基于公开网络信息，仍需你交叉验证（但它会主动标注来源，降低验证成本）。

它的定位很明确：把研究者从信息搬运工，解放为结论决策者。

5. 总结：你已经拥有了一个“研究力外挂”

回顾一下，今天我们完成了什么：

• 认清本质：DeerFlow 不是又一个需要折腾的开源项目，而是一个预装、预调、预集成的 AI 研究工作站；
• 掌握入口：三步操作（看日志→开网页→输问题），全程无需代码、不碰配置、不装依赖；
• 体验闭环：从提问→计划→执行→报告→编辑→导出→播客，完整走通一次研究流；
• 避开陷阱：知道什么情况下该换搜索源、怎么拆解问题、哪些事它确实做不了；

你不需要成为工程师，也能享受多智能体协同、网络搜索、代码执行、TTS合成带来的研究效率跃迁。

下一步，不妨就用它做一件小事：
打开浏览器，输入一个你最近在思考的真实问题（比如“我们公司该不该做AIGC营销？”），让它给你一份带数据、有来源、能播放的初步分析。

真正的 AI 研究力，从来不是“会不会用工具”，而是“敢不敢把真问题交给它”。

---

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。