GitHub-Proxy/deer-flow
1
0
Fork 0
mirror of https://git.mirrors.martin98.com/https://github.com/bytedance/deer-flow synced 2025-10-04 09:26:29 +08:00
Code Issues Packages Projects Releases Wiki Activity
deer-flow/README_pt.md
Ernâni de Britto Murtinho 96fb5d653b
Added Portuguese pt-br Readme File Version (#127)
2025-05-16 21:10:17 +08:00

22 KiB
Raw Blame History

🦌 DeerFlow

Python 3.12+ License: MIT DeepWiki

English | 简体中文 | 日本語 | Deutsch | Portuguese

Originado do Open Source, de volta ao Open Source

DeerFlow (Deep Exploration and Efficient Research Flow) é um framework de Pesquisa Profunda orientado-a-comunidade que baseia-se em um íncrivel trabalho da comunidade open source. Nosso objetivo é combinar modelos de linguagem com ferramentas especializadas para tarefas como busca na web, crawling, e execução de código Python, enquanto retribui com a comunidade que o tornou possível.

Por favor, visite Nosso Site Oficial para maiores detalhes.

Demo

Video

https://github.com/user-attachments/assets/f3786598-1f2a-4d07-919e-8b99dfa1de3e

Nesse demo, nós demonstramos como usar o DeerFlow para: In this demo, we showcase how to use DeerFlow to:

  • Integração fácil com serviços MCP
  • Conduzir o processo de Pesquisa Profunda e produzir um relatório abrangente com imagens
  • Criar um áudio podcast baseado no relatório gerado

Replays

📑 Tabela de Conteúdos

Início-Rápido

DeerFlow é desenvolvido em Python, e vem com uma IU web escrita em Node.js. Para garantir um processo de configuração fácil, nós recomendamos o uso das seguintes ferramentas:

Ferramentas Recomendadas

  • uv: Simplifica o gerenciamento de dependência de ambientes Python. uv automaticamente cria um ambiente virtual no diretório raiz e instala todos os pacotes necessários para não haver a necessidade de instalar ambientes Python manualmente

  • nvm: Gerencia múltiplas versões do ambiente de execução do Node.js sem esforço.

  • pnpm: Instala e gerencia dependências do projeto Node.js.

Requisitos de Ambiente

Certifique-se de que seu sistema atenda os seguintes requisitos mínimos:

Instalação

# Clone o repositório
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# Instale as dependências, uv irá lidar com o interpretador do python e a criação do venv, e instalar os pacotes necessários
uv sync

# Configure .env com suas chaves de API
# Tavily: https://app.tavily.com/home
# Brave_SEARCH: https://brave.com/search/api/
# volcengine TTS: Adicione sua credencial TTS caso você a possua
cp .env.example .env

# Veja as seções abaixo 'Supported Search Engines' and 'Texto-para-Fala Integração' para todas as opções disponíveis

# Configure o conf.yaml para o seu modelo LLM e chaves API
# Por favor, consulte 'docs/configuration_guide.md' para maiores detalhes
cp conf.yaml.example conf.yaml

# Instale marp para geração de ppt
# https://github.com/marp-team/marp-cli?tab=readme-ov-file#use-package-manager
brew install marp-cli

Opcionalmente, instale as dependências IU web via pnpm:

cd deer-flow/web
pnpm install

Configurações

Por favor, consulte o Guia de Configuração para maiores detalhes.

[!NOTA] Antes de iniciar o projeto, leia o guia detalhadamente, e atualize as configurações para baterem com os seus requisitos e configurações específicas.

Console IU

A maneira mais rápida de rodar o projeto é usar o console IU.

# Execute o projeto em um shell tipo-bash
uv run main.py

Web IU

Esse projeto também inclui uma IU Web, trazendo uma experiência mais interativa, dinâmica e engajadora.

[!NOTA] Você precisa instalar as dependências do IU web primeiro.

# Execute ambos os servidores de backend e frontend em modo desenvolvimento
# No macOS/Linux
./bootstrap.sh -d

# No Windows
bootstrap.bat -d

Abra seu navegador e visite http://localhost:3000 para explorar a IU web.

Explore mais detalhes no diretório web .

Mecanismos de Busca Suportados

DeerFlow suporta múltiplos mecanismos de busca que podem ser configurados no seu arquivo .env usando a variável SEARCH_API:

  • Tavily (padrão): Uma API de busca especializada para aplicações de IA

  • DuckDuckGo: Mecanismo de busca focado em privacidade

    • Não requer chave API

  • Brave Search: Mecanismo de busca focado em privacidade com funcionalidades avançadas

  • Arxiv: Busca de artigos científicos para pesquisa acadêmica

    • Não requer chave API
    • Especializado em artigos científicos e acadêmicos

Para configurar o seu mecanismo preferido, defina a variável SEARCH_API no seu arquivo:

# Escolha uma: tavily, duckduckgo, brave_search, arxiv
SEARCH_API=tavily

Funcionalidades

Principais Funcionalidades

  • 🤖 Integração LLM

    • Suporta a integração da maioria dos modelos através de litellm.
    • Suporte a modelos open source como Qwen
    • Interface API compatível com a OpenAI
    • Sistema LLM multicamadas para diferentes complexidades de tarefa

Ferramentas e Integrações MCP

  • 🔍 Busca e Recuperação

    • Busca web com Tavily, Brave Search e mais
    • Crawling com Jina
    • Extração de Conteúdo avançada

  • 🔗 Integração MCP perfeita

    • Expansão de capacidades de acesso para acesso a domínios privados, grafo de conhecimento, navegação web e mais
    • Integração facilitdade de diversas ferramentas de pesquisa e metodologias

Colaboração Humana

  • 🧠 Humano-no-processo

    • Suporta modificação interativa de planos de pesquisa usando linguagem natural
    • Suporta auto-aceite de planos de pesquisa

  • 📝 Relatório Pós-Edição

    • Suporta edição de edição de blocos estilo Notion
    • Permite refinamentos de IA, incluindo polimento de IA assistida, encurtamento de frase, e expansão
    • Distribuído por tiptap

Criação de Conteúdo

  • 🎙️ Geração de Podcast e apresentação

    • Script de geração de podcast e síntese de áudio movido por IA
    • Criação automatizada de apresentações PowerPoint simples
    • Templates customizáveis para conteúdo personalizado

Arquitetura

DeerFlow implementa uma arquitetura de sistema multi-agente modular designada para pesquisa e análise de código automatizada. O sistema é construído em LangGraph, possibilitando um fluxo de trabalho flexível baseado-em-estado onde os componentes se comunicam através de um sistema de transmissão de mensagens bem-definido.

Diagrama de Arquitetura

Veja ao vivo em deerflow.tech

O sistema emprega um fluxo de trabalho simplificado com os seguintes componentes:

  1. Coordenador: O ponto de entrada que gerencia o ciclo de vida do fluxo de trabalho

    • Inicia o processo de pesquisa baseado na entrada do usuário
    • Delega tarefas so planejador quando apropriado
    • Atua como a interface primária entre o usuário e o sistema

  2. Planejador: Componente estratégico para a decomposição e planejamento

    • Analisa objetivos de pesquisa e cria planos de execução estruturados
    • Determina se há contexto suficiente disponível ou se mais pesquisa é necessária
    • Gerencia o fluxo de pesquisa e decide quando gerar o relatório final

  3. Time de Pesquisa: Uma coleção de agentes especializados que executam o plano:

    • Pesquisador: Conduz buscas web e coleta informações utilizando ferramentas como mecanismos de busca web, crawling e mesmo serviços MCP.
    • Programador: Lida com a análise de código, execução e tarefas técnicas como usar a ferramenta Python REPL. Cada agente tem acesso à ferramentas específicas otimizadas para seu papel e opera dentro do fluxo de trabalho LangGraph.

  4. Repórter: Estágio final do processador de estágio para saídas de pesquisa

    • Resultados agregados do time de pesquisa
    • Processa e estrutura as informações coletadas
    • Gera relatórios abrangentes de pesquisas

Texto-para-Fala Integração

DeerFlow agora inclui uma funcionalidade Texto-para-Fala (TTS) que permite que você converta relatórios de busca para voz. Essa funcionalidade usa o mecanismo de voz da API TTS para gerar áudio de alta qualidade a partir do texto. Funcionalidades como velocidade, volume e tom também são customizáveis.

Usando a API TTS

Você pode acessar a funcionalidade TTS através do endpoint /api/tts:

# Exemplo de chamada da API usando curl
curl --location 'http://localhost:8000/api/tts' \
--header 'Content-Type: application/json' \
--data '{
    "text": "This is a test of the text-to-speech functionality.",
    "speed_ratio": 1.0,
    "volume_ratio": 1.0,
    "pitch_ratio": 1.0
}' \
--output speech.mp3

Desenvolvimento

Testando

Rode o conjunto de testes:

# Roda todos os testes
make test

# Roda um arquivo de teste específico
pytest tests/integration/test_workflow.py

# Roda com coverage
make coverage

Qualidade de Código

# Roda o linting
make lint

# Formata de código
make format

Debugando com o LangGraph Studio

DeerFlow usa LangGraph para sua arquitetura de fluxo de trabalho. Nós podemos usar o LangGraph Studio para debugar e visualizar o fluxo de trabalho em tempo real.

Rodando o LangGraph Studio Localmente

DeerFlow inclui um arquivo de configuração langgraph.json que define a estrutura do grafo e dependências para o LangGraph Studio. Esse arquivo aponta para o grafo do fluxo de trabalho definido no projeto e automaticamente carrega as variáveis de ambiente do arquivo .env.

Mac
# Instala o gerenciador de pacote uv caso você não o possua
curl -LsSf https://astral.sh/uv/install.sh | sh

# Instala as dependências e inicia o servidor LangGraph
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking
Windows / Linux
# Instala as dependências
pip install -e .
pip install -U "langgraph-cli[inmem]"

# Inicia o servidor LangGraph
langgraph dev

Após iniciar o servidor LangGraph, você verá diversas URLs no seu terminal:

Abra o link do Studio UI no seu navegador para acessar a interface de depuração.

Usando o LangGraph Studio

No Studio UI, você pode:

  1. Visualizar o grafo do fluxo de trabalho e como seus componentes se conectam
  2. Rastrear a execução em tempo-real e ver como os dados fluem através do sistema
  3. Inspecionar o estado de cada passo do fluxo de trabalho
  4. Depurar problemas ao examinar entradas e saídas de cada componente
  5. Coletar feedback durante a fase de planejamento para refinar os planos de pesquisa

Quando você envia um tópico de pesquisa ao Studio UI, você será capaz de ver toda a execução do fluxo de trabalho, incluindo:

  • A fase de planejamento onde o plano de pesquisa foi criado
  • O processo de feedback onde você pode modificar o plano
  • As fases de pesquisa e escrita de cada seção
  • A geração do relatório final

Docker

Você também pode executar esse projeto via Docker.

Primeiro, voce deve ler a configuração below. Make sure .env, .conf.yaml files are ready.

Segundo, para fazer o build de sua imagem docker em seu próprio servidor:

docker build -t deer-flow-api .

E por fim, inicie um container docker rodando o servidor web:

# substitua deer-flow-api-app com seu nome de container preferido
docker run -d -t -p 8000:8000 --env-file .env --name deer-flow-api-app deer-flow-api

# pare o servidor
docker stop deer-flow-api-app

Docker Compose (inclui ambos backend e frontend)

DeerFlow fornece uma estrutura docker-compose para facilmente executar ambos o backend e frontend juntos:

# building docker image
docker compose build

# start the server
docker compose up

Exemplos:

Os seguintes exemplos demonstram as capacidades do DeerFlow:

Relatórios de Pesquisa

  1. Relatório OpenAI Sora - Análise da ferramenta Sora da OpenAI

  2. Relatório Protocolo Agent-to-Agent do Google - Visão geral do protocolo Agent-to-Agent (A2A) do Google

    • Discute o seu papel na comunicação de Agente de IA e seu relacionamento com o Protocolo de Contexto de Modelo ( MCP ) da Anthropic
    • Veja o relatório completo

  3. O que é MCP? - Uma análise abrangente to termo "MCP" através de múltiplos contextos

    • Explora o Protocolo de Contexto de Modelo em IA, Fosfato Monocálcio em Química, e placa de microcanal em eletrônica
    • Veja o relatório completo

  4. Bitcoin Price Fluctuations - Análise das recentes movimentações de preço do Bitcoin

    • Examina tendências de mercado, influências regulatórias, e indicadores técnicos
    • Fornece recomendações baseadas nos dados históricos
    • Veja o relatório completo

  5. O que é LLM? - Uma exploração em profundidade de Large Language Models

  6. Como usar Claude para Pesquisa Aprofundada? - Melhores práticas e fluxos de trabalho para usar Claude em pesquisa aprofundada

  7. Adoção de IA na Área da Saúde: Fatores de Influência - Análise dos fatores que levam à adoção de IA na área da saúde

    • Discute tecnologias de IA, qualidade de dados, considerações éticas, avaliações econômicas, prontidão organizacional, e infraestrutura digital
    • Veja o relatório completo

  8. Impacto da Computação Quântica em Criptografia - Análise dos impactos da computação quântica em criptografia

    • Discture vulnerabilidades da criptografia clássica, criptografia pós-quântica, e soluções criptográficas de resistência-quântica
    • Veja o relatório completo

  9. Destaques da Performance do Cristiano Ronaldo - Análise dos destaques da performance do Cristiano Ronaldo

Para executar esses exemplos ou criar seus próprios relatórios de pesquisa, você deve utilizar os seguintes comandos:

# Executa com uma consulta específica
uv run main.py "Quais fatores estão influenciando a adoção de IA na área da saúde?"

# Executa com parâmetros de planejamento customizados
uv run main.py --max_plan_iterations 3 "Como a computação quântica impacta na criptografia?"

# Executa em modo interativo com questões embutidas
uv run main.py --interactive

# Ou executa com um prompt interativo básico
uv run main.py

# Vê todas as opções disponíveis
uv run main.py --help

Modo Interativo

A aplicação agora suporta um modo interativo com questões embutidas tanto em Inglês quanto Chinês:

  1. Inicie o modo interativo:

    uv run main.py --interactive

  2. Selecione sua linguagem de preferência (English or 中文)

  3. Escolha uma das questões embutidas da lista ou selecione a opção para perguntar sua própria questão

  4. O sistema irá processar sua questão e gerar um relatório abrangente de pesquisa

Humano no processo

DeerFlow inclue um mecanismo de humano no processo que permite a você revisar, editar e aprovar planos de pesquisa antes que estes sejam executados:

  1. Revisão de Plano: Quando o humano no processo está habilitado, o sistema irá apresentar o plano de pesquisa gerado para sua revisão antes da execução

  2. Fornecimento de Feedback: Você pode:

    • Aceitar o plano respondendo com [ACCEPTED]
    • Edite o plano fornecendo feedback (e.g., [EDIT PLAN] Adicione mais passos sobre a implementação técnica)
    • O sistema irá incorporar seu feedback e gerar um plano revisado

  3. Auto-aceite: Você pode habilitar o auto-aceite ou pular o processo de revisão:

    • Via API: Defina auto_accepted_plan: true na sua requisição

  4. Integração de API: Quanto usar a API, você pode fornecer um feedback através do parâmetro feedback:

   {
     "messages": [{ "role": "user", "content": "O que é computação quântica?" }],
     "thread_id": "my_thread_id",
     "auto_accepted_plan": false,
     "feedback": "[EDIT PLAN] Inclua mais sobre algoritmos quânticos"
   }

Argumentos via Linha de Comando

A aplicação suporta diversos argumentos via linha de comando para customizar o seu comportamento:

  • consulta: A consulta de pesquisa a ser processada (podem ser múltiplas palavras)
  • --interativo: Roda no modo interativo com questões embutidas
  • --max_plan_iterations: Número máximo de ciclos de planejamento (padrão: 1)
  • --max_step_num: Número máximo de passos em um plano de pesquisa (padrão: 3)
  • --debug: Habilita Enable um log de depuração detalhado

FAQ

Por favor consulte a FAQ.md para maiores detalhes.

Licença

Esse projeto é open source e disponível sob a MIT License.

Agradecimentos

DeerFlow é construído através do incrível trabalho da comunidade open-source. Nós somos profundamente gratos a todos os projetos e contribuidores cujos esforços tornaram o DeerFlow possível. Realmente, nós estamos apoiados nos ombros de gigantes.

Nós gostaríamos de extender nossos sinceros agradecimentos aos seguintes projetos por suas invaloráveis contribuições:

  • LangChain: O framework excepcional deles empodera nossas interações via LLM e correntes, permitindo uma integração perfeita e funcional.
  • LangGraph: A abordagem inovativa para orquestração multi-agente deles tem sido foi fundamental em permitir o acesso dos fluxos de trabalho sofisticados do DeerFlow.

Esses projetos exemplificam o poder transformador da colaboração open-source, e nós temos orgulho de construir baseado em suas fundações.

Contribuidores-Chave

Um sincero muito obrigado vai para os principais autores do DeerFlow, cuja visão, paixão, e dedicação trouxe esse projeto à vida:

O seu compromisso inabalável e experiência tem sido a força por trás do sucesso do DeerFlow. Nós estamos honrados em tê-los no comando dessa trajetória.

Histórico-Estrelas

Gráfico do Histórico de Estrelas