DeerFlow: un asistente de investigación inteligente basado en los frameworks LangChain y LangGraph 70

¿Qué es DeerFlow?

DeerFlow es un asistente de investigación inteligente de código abierto de ByteDance basado en los frameworks LangChain y LangGraph. Admite la iteración dinámica de tareas, la integración perfecta con MCP, la generación automática de planes de investigación, la colaboración humano-máquina e incluso la generación de podcasts y PPT. Combina modelos de lenguaje con herramientas como búsqueda web, rastreadores y ejecución de código Python para ofrecer rápidamente informes profundos y completos. También logra una integración perfecta con el MCP (Plataforma de Control de Modelos) interno de ByteDance, mejorando la automatización y la precisión. Además, DeerFlow optimiza la experiencia de colaboración humano-máquina, permitiendo a los usuarios intervenir en cualquier momento para ajustar el plan de investigación y garantizar que los resultados cumplan con las expectativas.

Arquitectura principal de DeerFlow

• Arquitectura multi-agente: basada en la arquitectura LangGraph, adopta un diseño modular de sistema multi-agente. El sistema está compuesto por roles como coordinador, planificador, equipo de investigación y generador de informes. El coordinador gestiona el ciclo de vida del flujo de investigación, el planificador se encarga de la descomposición de tareas y la generación del plan de investigación, el equipo de investigación incluye investigadores, analistas de código, etc., responsables de la recopilación de información y tareas técnicas específicas, y el generador de informes organiza los resultados de la investigación en un informe.

• Framework de código abierto basado en LangStack: construido sobre los frameworks de código abierto LangChain y LangGraph, con una estructura de código clara y lógica concisa, lo que reduce la barrera de aprendizaje.

Funciones principales de DeerFlow

• Iteración dinámica de tareas: capaz de generar y optimizar automáticamente planes de tareas según las necesidades de investigación, asegurando un proceso de investigación eficiente y flexible.

• Integración de múltiples herramientas: admite búsqueda web, búsqueda de recursos académicos en Arxiv, rastreadores y ejecución de código Python, proporcionando un soporte sólido a los investigadores en la recopilación y análisis de literatura académica.

• Generación de contenido multimodal: no solo genera informes de investigación profundos, sino que también admite la generación de guiones de podcasts, PPT y otros contenidos diversificados para satisfacer las necesidades de diferentes escenarios.

• Integración perfecta con MCP: mediante la combinación con el MCP (Plataforma de Control de Modelos) interno de ByteDance, logra una mayor automatización y precisión.

• Integración de LLM: a través de litellm admite la integración de la mayoría de los modelos, incluyendo modelos de código abierto como Qwen, compatible con la interfaz API de OpenAI, con un sistema LLM de múltiples capas adecuado para tareas de distinta complejidad.

• Colaboración humano-máquina: admite la modificación interactiva del plan de investigación mediante lenguaje natural, así como la aceptación automática del plan de investigación; admite edición de bloques estilo Notion, permitiendo la optimización con IA, incluyendo pulido asistido por IA, acortamiento y expansión de oraciones.

Escenarios de aplicación de DeerFlow

• Investigación académica: para los investigadores, DeerFlow ofrece un soporte sólido en la recopilación y análisis de literatura académica. Su función de búsqueda en Arxiv permite localizar rápidamente recursos académicos de alta calidad, ahorrando tiempo a los investigadores. Los investigadores pueden utilizarla para completar de manera eficiente la automatización completa del proceso, desde la elaboración del plan de investigación hasta la generación de contenido, reduciendo significativamente los costos de mano de obra.

• Creación de contenido: los creadores de contenido pueden utilizar DeerFlow para generar guiones y audios de podcasts, crear automáticamente presentaciones de PowerPoint con plantillas personalizables, simplificando enormemente el proceso de creación y presentación de contenido.

• Gestión del conocimiento e investigación interna en empresas: mediante la combinación con el MCP (Plataforma de Control de Modelos) interno de ByteDance, DeerFlow logra una mayor automatización y precisión, permitiendo a las empresas organizar, analizar e investigar el conocimiento interno, mejorando la eficiencia en la gestión del conocimiento.

Pasos de instalación de DeerFlow

Preparación del entorno

Asegúrate de que el sistema cumpla con los siguientes requisitos mínimos:

Python: la versión debe ser 3.12+.

Node.js: la versión debe ser 22+.

Pasos de instalación

Clonar el repositorio:

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

Instalar dependencias:

uv sync

Este paso creará automáticamente un entorno virtual e instalará todos los paquetes necesarios.

Configurar las variables de entorno:

cp .env.example .env

Añade tus claves API en el archivo .env según sea necesario, como Tavily, Brave SEARCH, Volcano Engine TTS, etc.

Configurar el modelo y las claves API:

cp conf.yaml.example conf.yaml

Configura el modelo LLM y las claves API en el archivo conf.yaml según tus necesidades. Para la configuración específica, consulta docs/configuration_guide.md.

Instalar la herramienta de generación de PPT:

brew install marp-cli

Si utilizas otro sistema operativo, consulta la documentación oficial de Marp CLI para la instalación.

Instalar las dependencias de la Web UI (opcional):

cd deer-flow/web
pnpm install

Si no tienes pnpm instalado, puedes usar npm install o yarn install en su lugar.

Iniciar el proyecto

Ejecutar el proyecto:

uv run main.py

Esto ejecutará el proyecto con la interfaz de consola.

Iniciar la Web UI (si instalaste las dependencias de la Web UI):

En macOS/Linux:

./bootstrap.sh -d

En Windows:

bootstrap.bat -d

Luego, accede a http://localhost:3000 en el navegador para ver la Web UI.

Desarrollo y depuración

Si necesitas desarrollar o depurar, puedes usar LangGraph Studio:

Ejecutar LangGraph Studio localmente:

• En Mac:

curl -LsSf https://astral.sh/uv/install.sh | sh
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking

• En Windows/Linux:

pip install -e .
pip install -U "langgraph-cli[inmem]"
langgraph dev

Después de iniciar, accede al enlace de Studio UI (por ejemplo, https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024) para depurar.

Enlaces relacionados

Sitio web oficial del proyecto: https://deerflow.tech

Repositorio de GitHub: https://github.com/bytedance/deer