DeerFlow Web UI体验：可视化操作AI研究全流程

DeerFlow Web UI体验：可视化操作AI研究全流程

1. 这不是另一个聊天框，而是一个会思考的研究搭档

你有没有过这样的经历：想快速了解一个新领域，比如“2025年具身智能在制造业的应用现状”，结果打开搜索引擎，翻了二十页才找到几篇靠谱的综述；再想整理成报告，又得手动复制粘贴、查证来源、调整格式……整个过程耗时三小时，产出却像拼凑的笔记。

DeerFlow Web UI 就是为解决这个问题而生的。它不卖“一键生成”的幻觉，而是提供一套可观察、可干预、可追溯的深度研究工作流。当你在输入框里敲下问题，看到的不是瞬间弹出的答案，而是一份正在生成的调研计划——它会告诉你接下来要搜索什么、调用哪些工具、由谁来分析、最终如何组织结论。整个过程像看着一位经验丰富的研究员在你面前铺开白板，边思考边执行。

这不是把大模型当搜索引擎用，而是把它变成你研究团队里的协调员、规划师、数据分析师和文案编辑。更关键的是，所有环节都发生在浏览器里，无需写一行代码，也不用反复切换终端和网页。

本文将带你完整走一遍 DeerFlow Web UI 的真实使用路径：从界面初识、提问设计、计划干预，到报告生成与播客导出。所有操作均基于镜像预置环境，跳过部署烦恼，直奔核心价值。

2. 界面初探：三个区域，讲清整个研究逻辑

2.1 主界面布局：左中右三分天下

打开 Web UI 后，你会看到清晰的三栏式布局，每一栏都承担明确角色：

• 左侧边栏（Research Panel）：你的“研究控制台”。这里显示当前任务状态（空闲/规划中/执行中）、可选的研究模式（Investigation Mode / Academic Mode）、写作风格偏好（如学术严谨型、简洁摘要型、技术报告型），以及历史任务列表。它不喧宾夺主，但始终在你需要时提供上下文。

• 中央主区（Chat Interface）：这是你和系统对话的主战场。但它不是传统聊天窗口——输入问题后，首先返回的是一份结构化调研计划（Plan），而非答案。你可以直接点击“Execute Plan”启动，也可以在执行前修改任何步骤。每轮交互都保留完整上下文，支持随时回溯。

• 右侧面板（Report & Output Panel）：研究执行过程中，这里实时滚动展示各环节输出：搜索关键词、爬取的网页摘要、代码执行结果、数据图表、段落草稿……最终，一份完整的 Markdown 报告会在这里生成并支持块级编辑（类似 Notion 的拖拽式排版）。你还能一键导出为 PDF、PPTX，或触发播客生成流程。

这种布局设计背后，是 DeerFlow 对“人机协作”的深刻理解：人负责定义问题、校验方向、把控质量；机器负责执行细节、整合信息、生成初稿。界面没有隐藏逻辑，每一步都透明可见。

2.2 启动即用：镜像已为你配好一切

本镜像（DeerFlow）已预装所有依赖，无需手动配置 API 密钥或模型服务。关键组件已就绪：

• 内置 vLLM 托管的 Qwen3-4B-Instruct-2507 模型，响应稳定，推理速度快；
• 集成 Tavily 搜索引擎（API 已预置），覆盖最新网络信息；
• 后端 FastAPI 服务与前端 Next.js 应用均已启动，端口映射完成；
• VolcEngine TTS 文本转语音服务已接入，播客生成链路畅通。

你只需点击镜像管理界面中的“WebUI”按钮，浏览器自动打开http://localhost:3000，即可开始研究。真正的“开箱即用”，连.env文件都不用碰。

3. 第一次提问：从模糊想法到结构化计划

3.1 提问不是输入，而是启动研究的指令

在中央输入框里输入：“帮我分析最近三个月比特币价格波动的主要驱动因素，并对比2023年同期情况。”

注意，这不是向 ChatGPT 提问，而是在向一个研究团队下达任务指令。DeerFlow 的 Planner 智能体立刻开始工作：

1. 问题拆解：识别核心实体（比特币、价格、驱动因素、时间范围）、隐含需求（对比分析、归因判断）；
2. 工具调度：决定调用 Tavily 搜索近期财经报道、链上数据平台（如 Glassnode）API、美联储政策公告；
3. 计划生成：输出一份带编号的执行步骤，例如：
   • 步骤1：搜索“比特币价格 2025年4月 波动原因”相关报道（Tavily）
   • 步骤2：检索“Glassnode 比特币交易所净流入”近90天数据（Python 调用 API）
   • 步骤3：提取2023年同期价格走势与关键事件（Tavily + 时间过滤）
   • 步骤4：对比分析两期数据，识别共性与差异点（LLM 推理）
   • 步骤5：撰写结构化报告，包含数据图表与归因结论（Report Agent）

这份计划会以清晰列表形式呈现在中央区域，每项都标注了预计耗时与所需工具。你作为研究负责人，可以：

• 直接点击“Execute Plan”全速推进；
• 点击某一步骤旁的铅笔图标，修改搜索关键词或调整参数；
• ❌ 删除不相关步骤（如发现某数据源不可用）；
• ➕ 添加新步骤（如要求补充监管政策影响分析）。

这就是“human-in-the-loop”的真实体现——系统不替你思考，而是放大你的思考。

3.2 计划执行：后台在跑，你在看板上盯进度

点击执行后，右侧面板立即激活，开始实时刷新：

• 首先显示 Tavily 返回的10条高相关网页摘要，每条附带来源链接与发布时间；
• 接着 Python REPL 输出 Glassnode API 调用结果：一张包含价格曲线与交易所净流入量的双Y轴图表；
• 然后 Planner 对比两期数据，生成初步归因假设（如“2025年波动更多受ETF资金流驱动，而2023年受宏观利率主导”）；
• 最终，Report Agent 整合所有素材，生成一份带标题、章节、图表嵌入、参考文献的 Markdown 报告。

整个过程约2分30秒（取决于网络与计算负载），你全程在浏览器内见证信息如何被采集、验证、分析、组织。没有黑箱，只有流水线。

4. 报告生成与增强：不止于文字，更懂交付场景

4.1 交互式报告编辑：像编辑文档一样编辑AI产出

生成的报告并非静态PDF。它在右侧面板以 TipTap 编辑器呈现，支持：

• 块级操作：点击任意段落，可拖拽调整顺序；选中图表，可替换为其他数据视图；
• 内容微调：双击文字直接修改措辞，系统会基于上下文保持风格一致；
• 引用溯源：每个数据点或结论旁有小图标，点击展开其原始来源（网页快照或API响应）；
• 多格式导出：顶部工具栏一键生成 PDF（适合阅读）、PPTX（自动分页为幻灯片）、Markdown（便于二次加工）。

这解决了AI写作最痛的痛点：初稿可用，但改稿费劲。DeerFlow 把“生成”和“编辑”无缝衔接，让AI真正成为你的写作协作者，而非替代者。

4.2 播客生成：把研究报告变成可听内容

报告完成后，点击右上角“Generate Podcast”按钮。系统自动：

1. 提取报告核心观点与逻辑脉络；
2. 用 VolcEngine TTS 合成自然语音（当前默认女声，语速适中，停顿合理）；
3. 加入轻量背景音乐与章节过渡音效；
4. 生成 MP3 文件供下载。

试听效果：语音清晰无机械感，专业术语发音准确（如“ETF”、“哈希率”），段落间有呼吸感。对于需要快速消化长报告的用户，或想将研究成果分享给非技术听众的场景，这是极其实用的增强能力。

5. 进阶能力：超越单次提问的持续研究支持

5.1 多轮研究串联：构建你的个人知识图谱

DeerFlow 支持跨任务关联。例如：

• 完成“比特币价格分析”后，你可紧接着提问：“基于上述分析，预测未来6个月价格区间，并给出风险提示。”
• 系统自动调用上一任务的报告与数据缓存，无需重复搜索；
• Planner 会明确标注“复用步骤2的Glassnode数据”，并新增蒙特卡洛模拟步骤。

这种能力让 DeerFlow 不再是单次问答工具，而成为你长期研究的“记忆中枢”。每次提问都在加固你的专属知识网络。

5.2 LangGraph Studio 调试：透视AI大脑的工作流

虽然 Web UI 已足够易用，但开发者或深度用户可通过 LangGraph Studio 深入底层：

• 在镜像终端运行langgraph dev，启动本地调试服务；
• 浏览器访问https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024；
• 这里能看到 DeerFlow 的完整工作流图：Coordinator 如何分发任务、Planner 如何生成子计划、Researcher 如何调用工具、ReportAgent 如何聚合输出；
• 每个节点可查看实时输入/输出、执行耗时、错误日志。

这对理解多智能体协作机制、排查特定环节瓶颈、或定制化扩展功能（如接入私有数据库）至关重要。它把抽象的“AI思考”变成了可触摸、可分析的图形化流程。

6. 实战建议：让 DeerFlow 成为你研究效率的倍增器

6.1 提问技巧：少即是多，具体胜于宽泛

• ❌ 避免：“告诉我关于人工智能的一切。”（范围过大，无法生成有效计划）
• 推荐：“对比 Llama 4 和 Qwen3 在中文长文本推理任务上的公开评测数据，列出Top3指标差异及可能原因。”（明确对象、任务、输出要求）

好的提问应包含：研究对象 + 具体动作 + 交付标准。系统会据此生成精准计划，减少无效步骤。

6.2 人机协作黄金法则

• 计划阶段必审：不要跳过计划直接执行。花30秒检查步骤是否合理、工具是否匹配，能避免80%的返工；
• 执行中善用暂停：当右侧面板显示某步耗时过长（如爬虫超时），可手动终止并调整参数；
• 报告阶段重在整合：AI生成的初稿是骨架，你的专业判断是血肉。重点审核数据来源可靠性、逻辑链条完整性、结论表述准确性。

6.3 镜像使用注意事项

• 日志查看：如遇异常，优先检查/root/workspace/llm.log（vLLM服务）和/root/workspace/bootstrap.log（DeerFlow主服务）；
• 搜索限制：Tavily 免费额度有限，复杂任务建议聚焦核心问题，避免过度发散；
• 播客生成：首次使用需等待TTS服务初始化，后续请求响应迅速。

7. 总结：当研究变成一场清晰可见的协作

DeerFlow Web UI 的价值，不在于它能生成多么惊艳的答案，而在于它把原本混沌、隐性、高度依赖个人经验的研究过程，显性化、模块化、可协作化。

它让你看清：

• 一个问题如何被拆解为可执行步骤；
• 信息如何从海量网页中被精准捕获与验证；
• 数据如何被转化为图表与洞见；
• 报告如何从零散片段成长为结构化叙事；
• 甚至，文字如何被赋予声音，延伸至新的传播维度。

这不再是“提问-回答”的单点交互，而是“定义-规划-执行-验证-交付”的完整研究闭环。对于科研人员、行业分析师、产品经理、内容创作者而言，DeerFlow 不是替代你思考的工具，而是把你多年积累的研究方法论，封装成一套开箱即用的数字工作流。

研究本该如此：有迹可循，有据可依，有人可协。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。