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 13:26:31 +08:00
Code Issues Packages Projects Releases Wiki Activity
deer-flow/README_de.md
XingLiu0923 b85a7592dc
feat(trace): add langsmith tracing (#126)
2025-05-14 10:12:50 +08:00

22 KiB
Raw Blame History

🦌 DeerFlow

Python 3.12+ License: MIT DeepWiki

English | 简体中文 | 日本語 | Deutsch

Aus Open Source entstanden, an Open Source zurückgeben.

DeerFlow (Deep Exploration and Efficient Research Flow) ist ein Community-getriebenes Framework für tiefgehende Recherche, das auf der großartigen Arbeit der Open-Source-Community aufbaut. Unser Ziel ist es, Sprachmodelle mit spezialisierten Werkzeugen für Aufgaben wie Websuche, Crawling und Python-Code-Ausführung zu kombinieren und gleichzeitig der Community, die dies möglich gemacht hat, etwas zurückzugeben.

Besuchen Sie unsere offizielle Website für weitere Details.

Demo

Video

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

In dieser Demo zeigen wir, wie man DeerFlow nutzt, um:

  • Nahtlos mit MCP-Diensten zu integrieren
  • Den Prozess der tiefgehenden Recherche durchzuführen und einen umfassenden Bericht mit Bildern zu erstellen
  • Podcast-Audio basierend auf dem generierten Bericht zu erstellen

Wiedergaben

📑 Inhaltsverzeichnis

Schnellstart

DeerFlow ist in Python entwickelt und kommt mit einer in Node.js geschriebenen Web-UI. Um einen reibungslosen Einrichtungsprozess zu gewährleisten, empfehlen wir die Verwendung der folgenden Tools:

Empfohlene Tools

  • uv: Vereinfacht die Verwaltung von Python-Umgebungen und Abhängigkeiten. uv erstellt automatisch eine virtuelle Umgebung im Stammverzeichnis und installiert alle erforderlichen Pakete für Sie—keine manuelle Installation von Python-Umgebungen notwendig.

  • nvm: Verwalten Sie mühelos mehrere Versionen der Node.js-Laufzeit.

  • pnpm: Installieren und verwalten Sie Abhängigkeiten des Node.js-Projekts.

Umgebungsanforderungen

Stellen Sie sicher, dass Ihr System die folgenden Mindestanforderungen erfüllt:

Installation

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

# Abhängigkeiten installieren, uv kümmert sich um den Python-Interpreter und die Erstellung der venv sowie die Installation der erforderlichen Pakete
uv sync

# Konfigurieren Sie .env mit Ihren API-Schlüsseln
# Tavily: https://app.tavily.com/home
# Brave_SEARCH: https://brave.com/search/api/
# volcengine TTS: Fügen Sie Ihre TTS-Anmeldedaten hinzu, falls vorhanden
cp .env.example .env

# Siehe die Abschnitte 'Unterstützte Suchmaschinen' und 'Text-zu-Sprache-Integration' unten für alle verfügbaren Optionen

# Konfigurieren Sie conf.yaml für Ihr LLM-Modell und API-Schlüssel
# Weitere Details finden Sie unter 'docs/configuration_guide.md'
cp conf.yaml.example conf.yaml

# Installieren Sie marp für PPT-Generierung
# https://github.com/marp-team/marp-cli?tab=readme-ov-file#use-package-manager
brew install marp-cli

Optional können Sie Web-UI-Abhängigkeiten über pnpm installieren:

cd deer-flow/web
pnpm install

Konfigurationen

Weitere Informationen finden Sie im Konfigurationsleitfaden.

[!HINWEIS] Lesen Sie den Leitfaden sorgfältig, bevor Sie das Projekt starten, und aktualisieren Sie die Konfigurationen entsprechend Ihren spezifischen Einstellungen und Anforderungen.

Konsolen-UI

Der schnellste Weg, um das Projekt auszuführen, ist die Verwendung der Konsolen-UI.

# Führen Sie das Projekt in einer bash-ähnlichen Shell aus
uv run main.py

Web-UI

Dieses Projekt enthält auch eine Web-UI, die ein dynamischeres und ansprechenderes interaktives Erlebnis bietet.

[!HINWEIS] Sie müssen zuerst die Abhängigkeiten der Web-UI installieren.

# Führen Sie sowohl den Backend- als auch den Frontend-Server im Entwicklungsmodus aus
# Unter macOS/Linux
./bootstrap.sh -d

# Unter Windows
bootstrap.bat -d

Öffnen Sie Ihren Browser und besuchen Sie http://localhost:3000, um die Web-UI zu erkunden.

Weitere Details finden Sie im Verzeichnis web.

Unterstützte Suchmaschinen

DeerFlow unterstützt mehrere Suchmaschinen, die in Ihrer .env-Datei über die Variable SEARCH_API konfiguriert werden können:

  • Tavily (Standard): Eine spezialisierte Such-API für KI-Anwendungen

  • DuckDuckGo: Datenschutzorientierte Suchmaschine

    • Kein API-Schlüssel erforderlich

  • Brave Search: Datenschutzorientierte Suchmaschine mit erweiterten Funktionen

  • Arxiv: Wissenschaftliche Papiersuche für akademische Forschung

    • Kein API-Schlüssel erforderlich
    • Spezialisiert auf wissenschaftliche und akademische Papiere

Um Ihre bevorzugte Suchmaschine zu konfigurieren, setzen Sie die Variable SEARCH_API in Ihrer .env-Datei:

# Wählen Sie eine: tavily, duckduckgo, brave_search, arxiv
SEARCH_API=tavily

Funktionen

Kernfähigkeiten

  • 🤖 LLM-Integration
    • Unterstützt die Integration der meisten Modelle über litellm.
    • Unterstützung für Open-Source-Modelle wie Qwen
    • OpenAI-kompatible API-Schnittstelle
    • Mehrstufiges LLM-System für unterschiedliche Aufgabenkomplexitäten

Tools und MCP-Integrationen

  • 🔍 Suche und Abruf

    • Websuche über Tavily, Brave Search und mehr
    • Crawling mit Jina
    • Fortgeschrittene Inhaltsextraktion

  • 🔗 MCP Nahtlose Integration

    • Erweiterte Fähigkeiten für privaten Domänenzugriff, Wissensgraphen, Webbrowsing und mehr
    • Erleichtert die Integration verschiedener Forschungswerkzeuge und -methoden

Menschliche Zusammenarbeit

  • 🧠 Mensch-in-der-Schleife

    • Unterstützt interaktive Modifikation von Forschungsplänen mit natürlicher Sprache
    • Unterstützt automatische Akzeptanz von Forschungsplänen

  • 📝 Bericht-Nachbearbeitung

    • Unterstützt Notion-ähnliche Blockbearbeitung
    • Ermöglicht KI-Verfeinerungen, einschließlich KI-unterstützter Polierung, Satzkürzung und -erweiterung
    • Angetrieben von tiptap

Inhaltserstellung

  • 🎙️ Podcast- und Präsentationserstellung
    • KI-gestützte Podcast-Skripterstellung und Audiosynthese
    • Automatisierte Erstellung einfacher PowerPoint-Präsentationen
    • Anpassbare Vorlagen für maßgeschneiderte Inhalte

Architektur

DeerFlow implementiert eine modulare Multi-Agenten-Systemarchitektur, die für automatisierte Forschung und Codeanalyse konzipiert ist. Das System basiert auf LangGraph und ermöglicht einen flexiblen zustandsbasierten Workflow, bei dem Komponenten über ein klar definiertes Nachrichtenübermittlungssystem kommunizieren.

Architekturdiagramm

Sehen Sie es live auf deerflow.tech

Das System verwendet einen optimierten Workflow mit den folgenden Komponenten:

  1. Koordinator: Der Einstiegspunkt, der den Workflow-Lebenszyklus verwaltet

    • Initiiert den Forschungsprozess basierend auf Benutzereingaben
    • Delegiert Aufgaben bei Bedarf an den Planer
    • Fungiert als primäre Schnittstelle zwischen dem Benutzer und dem System

  2. Planer: Strategische Komponente für Aufgabenzerlegung und -planung

    • Analysiert Forschungsziele und erstellt strukturierte Ausführungspläne
    • Bestimmt, ob ausreichend Kontext verfügbar ist oder ob weitere Forschung benötigt wird
    • Verwaltet den Forschungsablauf und entscheidet, wann der endgültige Bericht erstellt wird

  3. Forschungsteam: Eine Sammlung spezialisierter Agenten, die den Plan ausführen:

    • Forscher: Führt Websuchen und Informationssammlung mit Tools wie Websuchmaschinen, Crawling und sogar MCP-Diensten durch.
    • Codierer: Behandelt Codeanalyse, -ausführung und technische Aufgaben mit dem Python REPL Tool. Jeder Agent hat Zugriff auf spezifische Tools, die für seine Rolle optimiert sind, und operiert innerhalb des LangGraph-Frameworks

  4. Reporter: Endphasenprozessor für Forschungsergebnisse

    • Aggregiert Erkenntnisse vom Forschungsteam
    • Verarbeitet und strukturiert die gesammelten Informationen
    • Erstellt umfassende Forschungsberichte

Text-zu-Sprache-Integration

DeerFlow enthält jetzt eine Text-zu-Sprache (TTS)-Funktion, mit der Sie Forschungsberichte in Sprache umwandeln können. Diese Funktion verwendet die volcengine TTS API, um hochwertige Audios aus Text zu generieren. Funktionen wie Geschwindigkeit, Lautstärke und Tonhöhe können ebenfalls angepasst werden.

Verwendung der TTS API

Sie können auf die TTS-Funktionalität über den Endpunkt /api/tts zugreifen:

# Beispiel API-Aufruf mit curl
curl --location 'http://localhost:8000/api/tts' \
--header 'Content-Type: application/json' \
--data '{
    "text": "Dies ist ein Test der Text-zu-Sprache-Funktionalität.",
    "speed_ratio": 1.0,
    "volume_ratio": 1.0,
    "pitch_ratio": 1.0
}' \
--output speech.mp3

Entwicklung

Testen

Führen Sie die Testsuite aus:

# Alle Tests ausführen
make test

# Spezifische Testdatei ausführen
pytest tests/integration/test_workflow.py

# Mit Abdeckung ausführen
make coverage

Codequalität

# Lint ausführen
make lint

# Code formatieren
make format

Debugging mit LangGraph Studio

DeerFlow verwendet LangGraph für seine Workflow-Architektur. Sie können LangGraph Studio verwenden, um den Workflow in Echtzeit zu debuggen und zu visualisieren.

LangGraph Studio lokal ausführen

DeerFlow enthält eine langgraph.json-Konfigurationsdatei, die die Graphstruktur und Abhängigkeiten für das LangGraph Studio definiert. Diese Datei verweist auf die im Projekt definierten Workflow-Graphen und lädt automatisch Umgebungsvariablen aus der .env-Datei.

Mac
# Installieren Sie den uv-Paketmanager, wenn Sie ihn noch nicht haben
curl -LsSf https://astral.sh/uv/install.sh | sh

# Installieren Sie Abhängigkeiten und starten Sie den LangGraph-Server
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking
Windows / Linux
# Abhängigkeiten installieren
pip install -e .
pip install -U "langgraph-cli[inmem]"

# LangGraph-Server starten
langgraph dev

Nach dem Start des LangGraph-Servers sehen Sie mehrere URLs im Terminal:

Öffnen Sie den Studio UI-Link in Ihrem Browser, um auf die Debugging-Schnittstelle zuzugreifen.

Verwendung von LangGraph Studio

In der Studio UI können Sie:

  1. Den Workflow-Graphen visualisieren und sehen, wie Komponenten verbunden sind
  2. Die Ausführung in Echtzeit verfolgen, um zu sehen, wie Daten durch das System fließen
  3. Den Zustand in jedem Schritt des Workflows inspizieren
  4. Probleme durch Untersuchung von Ein- und Ausgaben jeder Komponente debuggen
  5. Feedback während der Planungsphase geben, um Forschungspläne zu verfeinern

Wenn Sie ein Forschungsthema in der Studio UI einreichen, können Sie die gesamte Workflow-Ausführung sehen, einschließlich:

  • Die Planungsphase, in der der Forschungsplan erstellt wird
  • Die Feedback-Schleife, in der Sie den Plan ändern können
  • Die Forschungs- und Schreibphasen für jeden Abschnitt
  • Die Erstellung des endgültigen Berichts

Aktivieren von LangSmith-Tracing

DeerFlow unterstützt LangSmith-Tracing, um Ihnen beim Debuggen und Überwachen Ihrer Workflows zu helfen. Um LangSmith-Tracing zu aktivieren:

  1. Stellen Sie sicher, dass Ihre .env-Datei die folgenden Konfigurationen enthält (siehe .env.example):

    LANGSMITH_TRACING=true
LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
LANGSMITH_API_KEY="xxx"
LANGSMITH_PROJECT="xxx"

  2. Starten Sie das Tracing mit LangSmith lokal, indem Sie folgenden Befehl ausführen:

    langgraph dev

Dies aktiviert die Trace-Visualisierung in LangGraph Studio und sendet Ihre Traces zur Überwachung und Analyse an LangSmith.

Beispiele

Die folgenden Beispiele demonstrieren die Fähigkeiten von DeerFlow:

Forschungsberichte

  1. OpenAI Sora Bericht - Analyse von OpenAIs Sora KI-Tool

  2. Googles Agent-to-Agent-Protokoll Bericht - Überblick über Googles Agent-to-Agent (A2A)-Protokoll

    • Diskutiert seine Rolle in der KI-Agentenkommunikation und seine Beziehung zum Model Context Protocol (MCP) von Anthropic
    • Vollständigen Bericht ansehen

  3. Was ist MCP? - Eine umfassende Analyse des Begriffs "MCP" in mehreren Kontexten

  4. Bitcoin-Preisschwankungen - Analyse der jüngsten Bitcoin-Preisbewegungen

    • Untersucht Markttrends, regulatorische Einflüsse und technische Indikatoren
    • Bietet Empfehlungen basierend auf historischen Daten
    • Vollständigen Bericht ansehen

  5. Was ist LLM? - Eine eingehende Erforschung großer Sprachmodelle

  6. Wie nutzt man Claude für tiefgehende Recherche? - Best Practices und Workflows für die Verwendung von Claude in der tiefgehenden Forschung

  7. KI-Adoption im Gesundheitswesen: Einflussfaktoren - Analyse der Faktoren, die die KI-Adoption im Gesundheitswesen vorantreiben

    • Diskutiert KI-Technologien, Datenqualität, ethische Überlegungen, wirtschaftliche Bewertungen, organisatorische Bereitschaft und digitale Infrastruktur
    • Vollständigen Bericht ansehen

  8. Auswirkungen des Quantencomputing auf die Kryptographie - Analyse der Auswirkungen des Quantencomputing auf die Kryptographie

    • Diskutiert Schwachstellen der klassischen Kryptographie, Post-Quanten-Kryptographie und quantenresistente kryptographische Lösungen
    • Vollständigen Bericht ansehen

  9. Cristiano Ronaldos Leistungshöhepunkte - Analyse der Leistungshöhepunkte von Cristiano Ronaldo

Um diese Beispiele auszuführen oder Ihre eigenen Forschungsberichte zu erstellen, können Sie die folgenden Befehle verwenden:

# Mit einer spezifischen Anfrage ausführen
uv run main.py "Welche Faktoren beeinflussen die KI-Adoption im Gesundheitswesen?"

# Mit benutzerdefinierten Planungsparametern ausführen
uv run main.py --max_plan_iterations 3 "Wie wirkt sich Quantencomputing auf die Kryptographie aus?"

# Im interaktiven Modus mit eingebauten Fragen ausführen
uv run main.py --interactive

# Oder mit grundlegendem interaktiven Prompt ausführen
uv run main.py

# Alle verfügbaren Optionen anzeigen
uv run main.py --help

Interaktiver Modus

Die Anwendung unterstützt jetzt einen interaktiven Modus mit eingebauten Fragen in Englisch und Chinesisch:

  1. Starten Sie den interaktiven Modus:

    uv run main.py --interactive

  2. Wählen Sie Ihre bevorzugte Sprache (English oder 中文)

  3. Wählen Sie aus einer Liste von eingebauten Fragen oder wählen Sie die Option, Ihre eigene Frage zu stellen

  4. Das System wird Ihre Frage verarbeiten und einen umfassenden Forschungsbericht generieren

Mensch-in-der-Schleife

DeerFlow enthält einen Mensch-in-der-Schleife-Mechanismus, der es Ihnen ermöglicht, Forschungspläne vor ihrer Ausführung zu überprüfen, zu bearbeiten und zu genehmigen:

  1. Planüberprüfung: Wenn Mensch-in-der-Schleife aktiviert ist, präsentiert das System den generierten Forschungsplan zur Überprüfung vor der Ausführung

  2. Feedback geben: Sie können:

    • Den Plan akzeptieren, indem Sie mit [ACCEPTED] antworten
    • Den Plan bearbeiten, indem Sie Feedback geben (z.B., [EDIT PLAN] Fügen Sie mehr Schritte zur technischen Implementierung hinzu)
    • Das System wird Ihr Feedback einarbeiten und einen überarbeiteten Plan generieren

  3. Automatische Akzeptanz: Sie können die automatische Akzeptanz aktivieren, um den Überprüfungsprozess zu überspringen:

    • Über API: Setzen Sie auto_accepted_plan: true in Ihrer Anfrage

  4. API-Integration: Bei Verwendung der API können Sie Feedback über den Parameter feedback geben:

    {
  "messages": [{"role": "user", "content": "Was ist Quantencomputing?"}],
  "thread_id": "my_thread_id",
  "auto_accepted_plan": false,
  "feedback": "[EDIT PLAN] Mehr über Quantenalgorithmen aufnehmen"
}

Kommandozeilenargumente

Die Anwendung unterstützt mehrere Kommandozeilenargumente, um ihr Verhalten anzupassen:

  • query: Die zu verarbeitende Forschungsanfrage (kann mehrere Wörter umfassen)
  • --interactive: Im interaktiven Modus mit eingebauten Fragen ausführen
  • --max_plan_iterations: Maximale Anzahl von Planungszyklen (Standard: 1)
  • --max_step_num: Maximale Anzahl von Schritten in einem Forschungsplan (Standard: 3)
  • --debug: Detaillierte Debug-Protokollierung aktivieren

FAQ

Weitere Informationen finden Sie in der FAQ.md.

Lizenz

Dieses Projekt ist Open Source und unter der MIT-Lizenz verfügbar.

Danksagungen

DeerFlow baut auf der unglaublichen Arbeit der Open-Source-Community auf. Wir sind allen Projekten und Mitwirkenden zutiefst dankbar, deren Bemühungen DeerFlow möglich gemacht haben. Wahrhaftig stehen wir auf den Schultern von Riesen.

Wir möchten unsere aufrichtige Wertschätzung den folgenden Projekten für ihre unschätzbaren Beiträge aussprechen:

  • LangChain: Ihr außergewöhnliches Framework unterstützt unsere LLM-Interaktionen und -Ketten und ermöglicht nahtlose Integration und Funktionalität.
  • LangGraph: Ihr innovativer Ansatz zur Multi-Agenten-Orchestrierung war maßgeblich für die Ermöglichung der ausgeklügelten Workflows von DeerFlow.

Diese Projekte veranschaulichen die transformative Kraft der Open-Source-Zusammenarbeit, und wir sind stolz darauf, auf ihren Grundlagen aufzubauen.

Hauptmitwirkende

Ein herzliches Dankeschön geht an die Hauptautoren von DeerFlow, deren Vision, Leidenschaft und Engagement dieses Projekt zum Leben erweckt haben:

Ihr unerschütterliches Engagement und Fachwissen waren die treibende Kraft hinter dem Erfolg von DeerFlow. Wir fühlen uns geehrt, Sie an der Spitze dieser Reise zu haben.

Star-Verlauf

Star History Chart