企业官网建设流程全解析

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-flow

DeerFlow 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。

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 setup

make 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:ChatOpenAI）
• base_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 2026
• frontend：Next.js 生产构建
• gateway：FastAPI + 智能体运行时，负责会话、运行、流式推送
• redis：SSE 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：

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：

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