老顾深度解析【字节跳动的AI项目DeerFlow】源码（一）

前言

老顾最近看了字节跳动的开源项目DeerFlow（多智能体Agent协作、支持MCP） ，里面采用的技术原理和方案，和老顾即将输出的多智能体框架LangGraph系列课程 能够相辅相成，可以作为企业级别的实战项目进行落地 。老顾会输出关于DeerFlow项目的系列文章/视频，让我们小伙伴们更轻松的了解相关知识。

企业实战知识点

DeerFlow是非常标准的企业级多智能体Agent项目，从中我们可以学习到企业实战中如何进行技术方案设计的，里面包含了以下知识点：

1、支持多层模型，不同的智能体Agent可以对应不同模型

2、多智能体Agent之间的如何协作，LangChain、LangGraph核心知识点

3、不同的智能体Agent采用不同的提示词prompt模板，而且可以从中学习到提示词是如何编写，以及如何关联到不同的结构中

4、在多智能体中如何加入人工中断节点，可以让用户对一些信息进行修正

5、智能体中工具的集成，以及MCP的集成

6、相关常用的工具，如：多种搜索引擎、爬虫、程序脚本；MCP市场

7、工程项目代码结构，编码的设计模式，以及执行脚本

环境要求

**环境要求：**Python 3.12+；NodeJs 22+

技术框架： FastAPI、LangChain、LangGraph、MCP、UV包管理

github： github.com/bytedance/d...

项目介绍

DeerFlow是一个深度研究助理。借助搜索引擎、网络爬虫、Python和MCP服务等强大工具，它提供即时见解、全面报告；也可以把报告采用播客的方式，进行多人方式播报。

01:27

多种角色

整个流程中有5个角色，协调者、规划者、执行者、报告者、人工，各个职责不同。

系统采用了精简的工作流程，包含以下组件：

1. **协调者：**管理工作流生命周期的入口点
   1. 根据用户输入启动研究过程
   2. 在适当时候将任务委派给规划者
   3. 作为用户和系统之间的主要接口
2. **规划者：**负责任务分解和规划的战略组件
   1. 分析研究目标并创建结构化执行计划
   2. 确定是否有足够的上下文或是否需要更多研究
   3. 管理研究流程并决定何时生成最终报告
3. **执行者：**执行计划的专业智能体集合：
   1. 研究员：使用网络搜索引擎、爬虫甚至 MCP 服务等工具进行网络搜索和信息收集。
   2. 编码员：使用 Python REPL 工具处理代码分析、执行和技术任务。 每个智能体都可以访问针对其角色优化的特定工具，并在 LangGraph 框架内运行
4. **报告者：**研究输出的最终阶段处理器
   1. 汇总研究团队的发现
   2. 处理和组织收集的信息
   3. 生成全面的研究报告

交互流程

大致的流程

1、用户提出问题

2、协调者进行问题背景调查，用来丰富此问题的相关信息

3、规划者对问题进行维度、步骤分解

4、是否进行人工 中断修正，修正再交给规划者

4、执行者对规划者规划的步骤进行工具执行

5、执行者 所有步骤完成后，交接给报告者

6、报告者最终输出全面的报告

上图中比较扼要的介绍了交互流程，带⭐图标的节点为Agent

主要界面

入口交互页面

规则者界面

执行者页面

报告者界面

报告风格配置

规划相关配置

MCP配置

搜索引擎

DeerFlow 支持多种搜索引擎：

• **Tavily（默认）：**专为 AI 应用设计的专业搜索 API
• **DuckDuckGo：**注重隐私的搜索引擎
• **Brave Search：**具有高级功能的注重隐私的搜索引擎
• **Arxiv：**用于学术研究的科学论文搜索

工具和 MCP 集成

• 搜索和检索
• 通过 Tavily、Brave Search 等进行网络搜索
• 使用 Jina 进行爬取
• 高级内容提取
• MCP 无缝集成
• 扩展私有域访问、知识图谱、网页浏览等能力
• 促进多样化研究工具和方法的集成

Agent架构

DeerFlow 实现了一个模块化的多智能体系统架构，专为自动化研究和代码分析而设计。该系统基于 LangGraph 构建，实现了灵活的基于状态的工作流，其中组件通过定义良好的消息传递系统进行通信。

总结

老顾介绍了DeerFlow的基本概念，以及核心的交互流程，大家有一个初步的认知。

后续老顾会对各个角色Agent进行拆解，源码剖析，目标是可以让多智能体Agent和MCP也落地到我们里面项目中