用户浏览器 / IM 客户端        │        ▼┌─────────────────────────────────────────┐│          Nginx（端口 2026）              ││          统一反向代理入口                │└──────────────┬──────────────────────────┘               │       ┌───────┴───────┐       ▼               ▼┌─────────────┐  ┌─────────────────┐│ LangGraph   │  │  Gateway API    ││ Server      │  │  (FastAPI)      ││ (端口 2024) │  │  (端口 8001)    ││             │  │                 ││ Agent 运行时│  │ 模型/MCP/技能/  ││ 工作流执行  │  │ 记忆/文件上传   │└─────────────┘  └─────────────────┘       │       ▼┌─────────────┐│  Sandbox    ││  (Docker)   ││  隔离执行   │└─────────────┘

/mnt/skills/public/├── research/SKILL.md         # 深度研究技能├── report-generation/SKILL.md # 报告生成技能├── slide-creation/SKILL.md   # 演示文稿制作技能├── web-page/SKILL.md         # 网页生成技能└── image-generation/SKILL.md # 图像生成技能/mnt/skills/custom/           # 你的自定义技能目录

summarization:  enabled: true  trigger:    - type: tokens      value: 15564  keep:    type: messages    value: 10

memory:  enabled: true  storage_path: memory.json  debounce_seconds: 30       # 等待 30 秒后处理队列中的更新  max_facts: 100             # 最多存储 100 条事实  fact_confidence_threshold: 0.7  # 置信度阈值  max_injection_tokens: 2000 # 注入到提示词的最大 Token 数

{  "mcpServers": {    "github": {      "enabled": true,      "type": "stdio",      "command": "npx",      "args": ["-y", "@modelcontextprotocol/server-github"],      "env": {"GITHUB_TOKEN": "$GITHUB_TOKEN"}    }  }}

# 在 .env 中开启 LangSmith 追踪LANGSMITH_TRACING=trueLANGSMITH_API_KEY=lsv2_pt_xxxxxxxxLANGSMITH_PROJECT=my-deerflow-project

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

make config# 此命令会基于 config.example.yaml 生成 config.yaml

models:  - name: gpt-4o    display_name: GPT-4o    use: langchain_openai:ChatOpenAI    model: gpt-4o    api_key: $OPENAI_API_KEY    request_timeout: 600.0    max_retries: 2    supports_vision: true

# 模型 API KeyOPENAI_API_KEY=sk-your-openai-key# 搜索工具 API Key（至少配置一个）TAVILY_API_KEY=tvly-your-tavily-key

make docker-init    # 首次运行，拉取 AIO Sandbox 镜像make docker-start   # 启动所有服务

make check          # 检查依赖环境make install        # 安装依赖make dev            # 启动服务

# config.yamlsandbox:  use: deerflow.community.aio_sandbox:AioSandboxProvider  image: enterprise-public-cn-beijing.cr.volces.com/vefaas-public/all-in-one-sandbox:latest  replicas: 3  # 最多同时运行 3 个沙箱容器

models:  - name: claude-sonnet-4-6    display_name: Claude Sonnet 4.6    use: deerflow.models.claude_provider:ClaudeChatModel    model: claude-sonnet-4-6    supports_thinking: true    when_thinking_enabled:      thinking:        type: enabled

---name: data-analystdescription: 专业的数据分析与可视化技能allowed_tools: ["bash", "read_file", "write_file", "ls"]---# 数据分析专家指南## 工作流程1. 首先使用 read_file 读取数据文件，了解数据结构2. 使用 bash 执行 Python 脚本进行数据清洗和分析3. 使用 matplotlib 或 plotly 生成可视化图表4. 将最终报告和图表输出到 /mnt/user-data/outputs/## 最佳实践- 始终先检查数据质量（缺失值、异常值）- 图表使用中文标签，确保可读性- 输出 PDF 格式的最终报告

from deerflow.client import DeerFlowClientclient = DeerFlowClient()# 普通对话response = client.chat(    "帮我分析一下 Python 异步编程的最佳实践",    thread_id="my-thread-001")# 流式响应for event in client.stream("生成一份 AI 行业研究报告"):    if event.type == "messages-tuple" and event.data.get("type") == "ai":        print(event.data["content"], end="", flush=True)# 管理功能models = client.list_models()    # 列出可用模型skills = client.list_skills()    # 列出可用技能client.upload_files("thread-001", ["./data.csv"])  # 上传文件

# 使用内置白名单模式（零依赖）guardrails:  enabled: true  provider:    use: deerflow.guardrails.builtin:AllowlistProvider    config:      denied_tools: ["bash", "write_file"]  # 禁止执行 Bash 和写文件

circuit_breaker:  failure_threshold: 5    # 连续失败 5 次后熔断  recovery_timeout_sec: 60 # 60 秒后尝试恢复

models:  - name: qwen3-local    display_name: Qwen3 32B (本地)    use: langchain_ollama:ChatOllama    model: qwen3:32b    base_url: http://localhost:11434    num_predict: 8192    temperature: 0.7    reasoning: true    supports_thinking: true