点一下关注吧！！！非常感谢！！持续更新！！！

🚀 AI篇持续更新中！（长期更新）

目前2025年06月13日更新到：
AI炼丹日志-28 - Audiblez 将你的电子书epub转换为音频mp3 做有声书，持续打造实用AI工具指南！📐🤖

💻 Java篇正式开启！（300篇）

目前2025年06月11日更新到：
Java-44 深入浅出 Nginx - 底层进程机制 Master Worker 机制原理 常用指令
MyBatis 已完结，Spring 已完结，深入浅出助你打牢基础！

📊 大数据板块已完成多项干货更新（300篇）：

包括 Hadoop、Hive、Kafka、Flink、ClickHouse、Elasticsearch 等二十余项核心组件，覆盖离线+实时数仓全栈！
目前2025年06月13日更新到：
大数据-278 Spark MLib - 基础介绍 机器学习算法 梯度提升树 GBDT案例 详解

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动 2025 年 5 月正式开源的「深度研究」多智能体框架。它将 LLM 能力与网页搜索、爬虫、代码执行、RAG、TTS 等工具整合在同一工作流中，帮助用户把一句查询自动转化成结构化的研究报告、PPT 乃至播客音频，同时保留“人在回路”（Human-in-the-Loop）机制，允许你随时插手调整计划或润色结果。

官网介绍

https://deerflow.tech/
DeerFlow（Deep Exploration and Efficient Research Flow）是一个社区驱动的深度研究框架，它建立在开源社区的杰出工作基础之上。我们的目标是将语言模型与专业工具（如网络搜索、爬虫和 Python 代码执行）相结合，同时回馈使这一切成为可能的社区。

命名与定位

• 名称来源：单词首字母缩写，强调“深度探索 + 高效流程”。
• 目标用户：需要系统化信息收集、分析与内容生产的研究者、开发者、内容团队。
• 定位：对标 OpenAI DeepResearch，但完全开源，可本地或云端私有部署。

核心特点

• 多智能体架构：Coordinator → Planner → Researcher/Coder → Reporter
• 工具即服务：Tavily/Brave/DuckDuckGo/Arxiv 搜索，Jina 爬虫，Python REPL，RAGFlow
• Human-in-the-Loop：计划生成后可 [ACCEPTED] / [EDIT PLAN] 自然语言反馈
• 多模态输出：Markdown/Notion-块报告、Marp-PPT、一键播客（Volcengine TTS）
• 部署形态：本地 CLI、Web UI、Docker Compose、火山引擎 FaaS 一键部署

主要功能

• 深度研究报告：“量子计算对密码学的冲击” → 结构化长文（含引文、图表）
• 学术文献快速综述：Arxiv API 快速定位高影响因子论文，自动提炼贡献与局限
• 企业竞品洞察：抓取新闻/专利/招聘信息，生成竞争分析 PPT
• 播客脚本 & 音频：报告内容 → 双主持人对话脚本 → 自动配音导出 MP3
• 代码检索与复现：让 Coder 代理下载、运行并测试开源仓库中的示例

配置项目

克隆项目

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

安装依赖

这里使用 UV，之前在 MCP 的章节也使用过：

uv sync

配置参数

拷贝环境文件，配置自己的API KEY：

cp .env.example .env

vim .env

https://app.tavily/home
我这里配置的搜索是：Tavily 的 API （上次在 Deep Research项目中使用过）：

模型配置

配置 LLM 的相关内容，先拷贝配置文件

cp conf.yaml.example conf.yaml

vim conf.yaml

我这里就使用 DeepSeek 的模型了，自行按照自己的来配置：

marp-cli

在 MacOS 下用来生成 PPT 的，如果你需要的话，可以按照这个来安装：

brew install marp-cli

Web依赖

如果你使用【控制台】的方式则跳过该部分，如果你使用【Web页面】，则请安装依赖。
前端的页面依赖安装需要使用 Node.js：

cd web

pnpm install

耐心等待：

测试使用

./bootstrap.sh -d

一键启动项目：

访问项目：

让它调研一个话题：

对图像进行向量化的检索方案有哪些？

任务开始，将持续进行检索任务：

架构流程

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。

主要的几个结构组成如下：

协调器

管理工作流生命周期的入口点
● 根据用户输入启动研究过程
● 在适当时候将任务委派给规划器
● 作为用户和系统之间的主要接口

规划器

负责任务分解和规划的战略组件
● 分析研究目标并创建结构化执行计划
● 确定是否有足够的上下文或是否需要更多研究
● 管理研究流程并决定何时生成最终报告

研究团队

执行计划的专业智能体集合：
● 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。
● 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

报告员

研究输出的最终阶段处理器
● 汇总研究团队的发现
● 处理和组织收集的信息
● 生成全面的研究报告

技术架构

• Coordinator：入口，维护线程上下文，决定何时交由 Planner。
• Planner：将用户问题拆解为最多 N 个步骤，若信息不足会循环回补。
• Research Team
• Researcher：调用搜索 / 爬虫 / 私域 MCP 接口抓取原始资料。
• Coder：在需要代码分析或数据处理时运行 Python REPL。
• Reporter：汇总/去重/结构化内容，调用 LLM 生成引文、摘要、结论，并可触发 PPT & TTS。

整个链路在 LangGraph Studio 可视化，支持本地或云端调试。