DeerFlow 部署实战从 2 分钟跑通到生产可用的 3 条路径【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-flowDeerFlow 是一个开源超智能体框架内置沙箱、记忆、技能与子代理能处理几分钟到几小时不等的长周期任务。本文围绕三个真实问题展开怎么最快看到界面、怎么把模型和技能换成自己的、怎么让多人共用时不翻车。每条路径都给出可直接复制的命令照着做就行。选条路3 种部署路线各适合谁在动手之前先花 30 秒对号入座。DeerFlow 的部署复杂度取决于你打算让它服务多少人、跑多久的任务。路线适合场景核心命令硬件起步本地开发个人尝鲜、二次开发make setup make dev4 vCPU / 8 GB / 20 GB SSDDocker 开发小团队内网、CI 环境make docker-init make docker-start4 vCPU / 8 GB / 25 GB SSDDocker 生产多人共用、长期在线make up8 vCPU / 16 GB / 40 GB SSD三条路共用同一份config.yaml区别只在于服务怎么被拉起来。下面按先跑起来→再改得动→扛得住的顺序逐条展开。先跑起来2 分钟拉起本地控制台如果你只是想先看看 DeerFlow 长什么样、能不能跑通一个研究任务本地开发模式是最短路径。前提是你已经装好 Python 3.12、Node.js 22、uv 和 pnpm。一键克隆与初始化git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow make setupmake setup会弹出一个交互式向导选模型提供商、选搜索引擎可跳过、选沙箱模式最后自动生成config.yaml并把 API Key 写进.env。整个过程大约 2 分钟不需要手动编辑任何 YAML。 如果你日常用 Claude Code、Codex 等编码智能体可以把仓库根目录的Install.md丢给它它会按里面的步骤自动完成初始化。启动并验证make dev终端会依次拉起 Gateway端口 8001、前端 Next.js端口 3000和 nginx 反向代理。浏览器打开http://localhost:2026就能看到完整的 Web 工作台。这张图展示了 DeerFlow 本地跑通后的实际界面左侧是历史会话列表右侧是与智能体的对话窗口可以看到它正在执行技能创建任务。随时想验证环境是否健康跑一下make doctor它会检查 Node、pnpm、uv、nginx 版本以及config.yaml中引用的环境变量是否已填写缺什么直接告诉你对应的修复命令。再改得动替换模型、搜索与技能本地跑通之后大多数人会想能不能换成我自己的模型或接上我们公司的搜索。DeerFlow 把所有可变项收敛到config.yaml和.env两个文件里改完刷新即可。换一个模型提供商config.yaml里的models段定义了智能体可以调用哪些模型。你只需要关心三件事use用哪个 LangChain 类实例化绝大多数 OpenAI 兼容接口都填langchain_openai:ChatOpenAIbase_url接口地址私有化部署或走代理网关时改这里api_key指向.env中的变量名避免明文落盘什么时候需要改当你不用 OpenAI 而是走 DeepSeek、通义、vLLM 自建推理、或 OpenRouter 聚合网关时。改完保存Docker 开发模式下后端会在下次请求时自动热加载本地模式需要make stop make dev重启。接上搜索和自定义技能搜索是 DeerFlow 做深度研究的核心工具。在config.yaml的search段选择提供商Tavily、Serper、Jina、InfoQuest 等把对应的 API Key 写进.env就行。不接搜索也能跑只是智能体会少一只眼睛。技能Skill是 DeerFlow 的扩展单元——一个 Markdown 文件定义一套工作流。仓库的skills/public/目录下已经内置了研究、报告生成、PPT、网页、图像生成等技能开箱即用。想加自己的把一份SKILL.md放进skills/custom/或者直接在 Web 界面的 Settings → Skills 里在线创建。这张图是 DeerFlow 数据分析技能的典型产出上传一份 CSV智能体自动完成清洗、分组统计并渲染出交互式图表无需人工写任何绘图代码。更深入的配置沙箱模式、MCP Server、IM 渠道、授权插件等可以参考 backend/docs/CONFIGURATION.md。扛得住Docker 生产部署与多 Worker 配置当 DeerFlow 从我自己用变成团队都在用本地进程模式就不够了。生产部署用make up一键完成底层是docker/docker-compose.yaml编排的 4 个容器nginx统一入口默认只绑 127.0.0.1端口 2026frontendNext.js 生产构建gatewayFastAPI 智能体运行时负责会话、运行、流式推送redisSSE 流桥接为未来多 Worker 做准备最小化生产启动命令make up这一条命令会构建镜像、启动全部服务、等待 Gateway/health返回 200 后才报成功。失败时会打印容器状态和最近的 Gateway 日志方便定位。生产环境建议至少设置这两个环境变量BETTER_AUTH_SECRET前端会话签名密钥不设置会启动报错GATEWAY_WORKERS默认 1。扩到多 Worker 前先把database.backend切到postgres、启用 Redis 流桥接stream_bridge.type: redis和run_ownership.heartbeat_enabled: true否则运行状态会在 Worker 间丢失沙箱执行方式由config.yaml的sandbox.use决定支持本机直跑、Docker 容器隔离、Kubernetes Pod 三种。个人试用选前两个就行团队共享或需要硬隔离时再上 K8s。踩坑速查部署 DeerFlow 时最高频的几个坑按遇到概率排序症状大概率原因解法docker-start报permission denied连 Docker socket当前用户不在 docker 组加入 docker 组后重新登录Linux浏览器打开 2026 端口无响应Compose 版本低于 2.24解析不了env_file语法升级 Docker Compose用docker compose version确认智能体回复找不到模型config.yaml里api_key引用的环境变量没写进.env跑make doctor看缺失项补齐后重启改完config.yaml没生效checkpoint_channel_mode等少数字段在进程启动时冻结这类字段需要make stop make dev重启多 Worker 下 SSE 流断开没启用 Redis 流桥接设stream_bridge.type: redis并确认 redis 容器健康落地检查清单部署完成后按这张表逐项打勾确认没有遗漏#检查项怎么验1config.yaml至少有一个可用模型make doctor不报 model 缺失2搜索 API Key 已配置可选但推荐.env中对应变量非空3沙箱模式与你的安全要求匹配config.yaml→sandbox.use字段确认4生产部署BETTER_AUTH_SECRET已设.env中该变量存在且非默认值5端口绑定符合预期默认 127.0.0.1对外服务需加 TLS 前置代理6日志可追溯make docker-logs开发或docker logs deer-flow-gateway生产有输出全部打勾后你的 DeerFlow 就算正式上线了。后续想加 IM 渠道、MCP Server 或自定义中间件回到config.yaml和 backend/docs/ 目录里找对应章节就行。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DeerFlow 部署实战：从 2 分钟跑通到生产可用的 3 条路径
DeerFlow 部署实战从 2 分钟跑通到生产可用的 3 条路径【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-flowDeerFlow 是一个开源超智能体框架内置沙箱、记忆、技能与子代理能处理几分钟到几小时不等的长周期任务。本文围绕三个真实问题展开怎么最快看到界面、怎么把模型和技能换成自己的、怎么让多人共用时不翻车。每条路径都给出可直接复制的命令照着做就行。选条路3 种部署路线各适合谁在动手之前先花 30 秒对号入座。DeerFlow 的部署复杂度取决于你打算让它服务多少人、跑多久的任务。路线适合场景核心命令硬件起步本地开发个人尝鲜、二次开发make setup make dev4 vCPU / 8 GB / 20 GB SSDDocker 开发小团队内网、CI 环境make docker-init make docker-start4 vCPU / 8 GB / 25 GB SSDDocker 生产多人共用、长期在线make up8 vCPU / 16 GB / 40 GB SSD三条路共用同一份config.yaml区别只在于服务怎么被拉起来。下面按先跑起来→再改得动→扛得住的顺序逐条展开。先跑起来2 分钟拉起本地控制台如果你只是想先看看 DeerFlow 长什么样、能不能跑通一个研究任务本地开发模式是最短路径。前提是你已经装好 Python 3.12、Node.js 22、uv 和 pnpm。一键克隆与初始化git clone https://gitcode.com/GitHub_Trending/de/deer-flow cd deer-flow make setupmake setup会弹出一个交互式向导选模型提供商、选搜索引擎可跳过、选沙箱模式最后自动生成config.yaml并把 API Key 写进.env。整个过程大约 2 分钟不需要手动编辑任何 YAML。 如果你日常用 Claude Code、Codex 等编码智能体可以把仓库根目录的Install.md丢给它它会按里面的步骤自动完成初始化。启动并验证make dev终端会依次拉起 Gateway端口 8001、前端 Next.js端口 3000和 nginx 反向代理。浏览器打开http://localhost:2026就能看到完整的 Web 工作台。这张图展示了 DeerFlow 本地跑通后的实际界面左侧是历史会话列表右侧是与智能体的对话窗口可以看到它正在执行技能创建任务。随时想验证环境是否健康跑一下make doctor它会检查 Node、pnpm、uv、nginx 版本以及config.yaml中引用的环境变量是否已填写缺什么直接告诉你对应的修复命令。再改得动替换模型、搜索与技能本地跑通之后大多数人会想能不能换成我自己的模型或接上我们公司的搜索。DeerFlow 把所有可变项收敛到config.yaml和.env两个文件里改完刷新即可。换一个模型提供商config.yaml里的models段定义了智能体可以调用哪些模型。你只需要关心三件事use用哪个 LangChain 类实例化绝大多数 OpenAI 兼容接口都填langchain_openai:ChatOpenAIbase_url接口地址私有化部署或走代理网关时改这里api_key指向.env中的变量名避免明文落盘什么时候需要改当你不用 OpenAI 而是走 DeepSeek、通义、vLLM 自建推理、或 OpenRouter 聚合网关时。改完保存Docker 开发模式下后端会在下次请求时自动热加载本地模式需要make stop make dev重启。接上搜索和自定义技能搜索是 DeerFlow 做深度研究的核心工具。在config.yaml的search段选择提供商Tavily、Serper、Jina、InfoQuest 等把对应的 API Key 写进.env就行。不接搜索也能跑只是智能体会少一只眼睛。技能Skill是 DeerFlow 的扩展单元——一个 Markdown 文件定义一套工作流。仓库的skills/public/目录下已经内置了研究、报告生成、PPT、网页、图像生成等技能开箱即用。想加自己的把一份SKILL.md放进skills/custom/或者直接在 Web 界面的 Settings → Skills 里在线创建。这张图是 DeerFlow 数据分析技能的典型产出上传一份 CSV智能体自动完成清洗、分组统计并渲染出交互式图表无需人工写任何绘图代码。更深入的配置沙箱模式、MCP Server、IM 渠道、授权插件等可以参考 backend/docs/CONFIGURATION.md。扛得住Docker 生产部署与多 Worker 配置当 DeerFlow 从我自己用变成团队都在用本地进程模式就不够了。生产部署用make up一键完成底层是docker/docker-compose.yaml编排的 4 个容器nginx统一入口默认只绑 127.0.0.1端口 2026frontendNext.js 生产构建gatewayFastAPI 智能体运行时负责会话、运行、流式推送redisSSE 流桥接为未来多 Worker 做准备最小化生产启动命令make up这一条命令会构建镜像、启动全部服务、等待 Gateway/health返回 200 后才报成功。失败时会打印容器状态和最近的 Gateway 日志方便定位。生产环境建议至少设置这两个环境变量BETTER_AUTH_SECRET前端会话签名密钥不设置会启动报错GATEWAY_WORKERS默认 1。扩到多 Worker 前先把database.backend切到postgres、启用 Redis 流桥接stream_bridge.type: redis和run_ownership.heartbeat_enabled: true否则运行状态会在 Worker 间丢失沙箱执行方式由config.yaml的sandbox.use决定支持本机直跑、Docker 容器隔离、Kubernetes Pod 三种。个人试用选前两个就行团队共享或需要硬隔离时再上 K8s。踩坑速查部署 DeerFlow 时最高频的几个坑按遇到概率排序症状大概率原因解法docker-start报permission denied连 Docker socket当前用户不在 docker 组加入 docker 组后重新登录Linux浏览器打开 2026 端口无响应Compose 版本低于 2.24解析不了env_file语法升级 Docker Compose用docker compose version确认智能体回复找不到模型config.yaml里api_key引用的环境变量没写进.env跑make doctor看缺失项补齐后重启改完config.yaml没生效checkpoint_channel_mode等少数字段在进程启动时冻结这类字段需要make stop make dev重启多 Worker 下 SSE 流断开没启用 Redis 流桥接设stream_bridge.type: redis并确认 redis 容器健康落地检查清单部署完成后按这张表逐项打勾确认没有遗漏#检查项怎么验1config.yaml至少有一个可用模型make doctor不报 model 缺失2搜索 API Key 已配置可选但推荐.env中对应变量非空3沙箱模式与你的安全要求匹配config.yaml→sandbox.use字段确认4生产部署BETTER_AUTH_SECRET已设.env中该变量存在且非默认值5端口绑定符合预期默认 127.0.0.1对外服务需加 TLS 前置代理6日志可追溯make docker-logs开发或docker logs deer-flow-gateway生产有输出全部打勾后你的 DeerFlow 就算正式上线了。后续想加 IM 渠道、MCP Server 或自定义中间件回到config.yaml和 backend/docs/ 目录里找对应章节就行。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考