DeerFlow 工具集成指南：搜索、知识库、MCP、代码执行 4 类能力一步到位

DeerFlow 工具集成指南搜索、知识库、MCP、代码执行 4 类能力一步到位【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flowDeerFlow 是一个开源的长任务 Agent 框架SuperAgent harness目标是让 AI 自己完成研究、写代码、做创作任务跨度可以从几分钟拉到几小时。它靠的不是更大的模型而是给 LLM 装上了手脚——沙箱、记忆、子代理、消息网关以及本指南要讲的工具集成层。工具接得对不对直接决定你的 Agent 是只会聊天的嘴还是真能干活的工人。一份调研报告为什么装不进一个提示词想象一个真实需求你要做一份跨数据源的行业调研报告。它要求最新的市场动态得查公开网页、公司过去两年的内部产品文档躺在 RAG 服务里模型没训练过、还要对一份 CSV 做统计和画图纯 LLM 算数不靠谱。这三类信息没有任何一个模型上下文能同时装下也没有任何一次提示词能凭空回忆出来。Agent 需要的不是更长的窗口而是随时可以伸手去拿搜一下、查一下、跑一段代码。DeerFlow 的工具集成层就是为此设计的——它把四类外部能力统一挂到 Agent 的工具列表里由模型在运行时自己决定何时调哪个。上面这种调研 统计 出图的交付物就是四类工具配合的产物。接下来先花 30 秒把地图看清再逐个走选型 → 配置 → 验证。4 类能力一张图看懂能力解决的问题典型场景配置入口搜索引擎拿最新公开信息行业动态、新闻、论文检索config.yaml选引擎 API Key 环境变量私有知识库RAG拿模型没见过的内部文档企业知识库、产品手册、法规条文rag://资源标识 RAG 服务环境变量MCP 协议接入任意第三方工具内部 API、SaaS 数据、自建服务mcp_settings.servers配置块Python REPL让 Agent 自己算、自己验证统计计算、算法验证、画图表ENABLE_PYTHON_REPL环境变量四条支线最终汇入同一个工具层模型按任务需要取用。想直观感受这种会话里直接驱动工具的效果仓库里留了实测截图地图看完从上手最快的搜索引擎开始。三步配好你的第一个搜索引擎先选引擎DeerFlow 在 backend/packages/harness/deerflow/community/ 下内置了一排搜索实现选哪个主要看你要什么引擎特点需要 Key适合TavilyAI 原生可带原始网页内容和图片是通用深研默认推荐Brave Search结果干净、注重隐私是要高质量 SERP 时Arxiv学术库带完整元数据否论文调研DuckDuckGo / SearXNG免费可自建否零成本起步最小配置与验证这一步只改一行配置。把仓库根目录的config.example.yaml复制为config.yaml在搜索段里指定引擎要限定搜索范围到几个域名时就在同一块里加include_domainsSEARCH_ENGINE: selected: tavily include_domains: [] exclude_domains: []API Key 走环境变量TAVILY_API_KEY或BRAVE_SEARCH_API_KEY启动前导出即可不用写进 YAML。验证是否生效给 Agent 一句查一下 X 的最新进展列出来源看执行轨迹里是否出现了web_search工具调用、返回结果是否带标题/URL/摘要。踩坑的话大概率是环境变量没在当前进程里生效——重启服务再看一眼。公开信息解决了一半另一半在私有文档里。私有知识库RAGFlow 与同类服务怎么接DeerFlow 对知识库的抽象是一个Retriever接口只约定两件事query_relevant_documents给问题还文档和list_resources列出可用资源。具体接哪家实现就放在 provider 后面换掉上层 Agent 完全无感。目前内置了 RAGFlow 和 VikingDB 两个 providerbackend/docs/CONFIGURATION.md 里有完整的字段说明。资源怎么用 URI 指跨 provider 的统一约定是资源 URI格式为rag://dataset/{resource_id}[#{document_id}]。resource_id指知识库dataset可选的document_id把范围收窄到单篇文档。好处是 Agent 侧拿到的引用永远长一个样你换底层引擎不用改提示词。配置、调用、验证以 RAGFlow 为例三个环境变量起步export RAG_PROVIDERragflow export RAGFLOW_API_URLhttp://localhost:9388 export RAGFLOW_API_KEYragflow-xxx代码侧的最小入口只有几行provider 的选择由build_retriever按配置自动完成from src.rag.builder import build_retriever retriever build_retriever() resources retriever.list_resources(技术文档) docs retriever.query_relevant_documents(模型优化, resources[:1])验证方式比搜索引擎更直接问一个只有内部文档能回答的问题看 Agent 的引用来源里是否出现rag://开头的资源标识。VikingDB 那边多一步——它用 AK/SK 做 HMAC-SHA256 请求签名配置项从VIKINGDB_KNOWLEDGE_BASE_API_*开始其余流程一致。私有库接好后你可能会发现还缺一块某个 SaaS 或内部系统模型想查就得有对应工具。这时候轮到 MCP 出场。 MCP 协议把任意第三方工具插进来MCPModel Context Protocol的价值在于工具由别人写你只写配置。DeerFlow 默认关闭 MCP 以免生产环境意外暴露接口显式打开开关后才加载export ENABLE_MCP_SERVER_CONFIGURATIONtrue三种传输方式怎么选传输接什么关键配置典型例子stdio本地命令commandargsuvx mcp-github-trendingsse需要实时推送的 Web 服务urlheadershttp://localhost:3000/ssestreamable_http常规 HTTP 流式服务urlhttp://localhost:3000/mcp经验法则能在本机跑成命令的优先 stdio无网络依赖、调试简单对方给的是常驻服务按它文档的端点选后两者。写进配置即可{ mcp_settings: { servers: { github-trending: { transport: stdio, command: uvx, args: [mcp-github-trending], enabled_tools: [get_github_trending_repositories], add_to_agents: [researcher] } } } }enabled_tools和add_to_agents是两个容易忽略的旋钮前者白名单式限定只加载哪些工具后者控制工具只对哪些 Agent 可见——工具多了以后这层粒度控制能省掉不少上下文开销。会话建立和工具列举默认 60 秒超时首次拉uvx包超了就把 timeout 调大。验证重启后问 Agent列一下本周 GitHub 趋势看它是否调用了外部工具而不是硬答。外部工具补齐了查还有最后一类任务它做不了精确计算。Python REPL让 Agent 自己动手算前面几类工具都是取信息而调研里还有一步是验信息算个均值、验个假设、画张图。DeerFlow 提供了 Python REPL 工具把代码执行封装成标准工具调用并且默认是关的。默认关闭的原因很实际执行任意代码天然有风险不该在没人要求的情况下可用。你要的是显式开启export ENABLE_PYTHON_REPLtrue工具内部的防线也不只这一道非字符串输入直接拒掉执行异常被捕获后连同出错代码一起返回给模型让它有机会自我修正成功则捕获标准输出回填进上下文。所以一次典型流程是——搜索工具拿回原始数据REPL 做统计和绘图产出直接进最终报告生产环境建议保持默认关闭、按需临时开启要常开的话配合沙箱部署Docker/K8s 那套 compose 配置把执行环境隔离开。 这套架构还能往哪扩四类能力其实共享同一个扩展逻辑新增工具 实现一个接口 加一行选择逻辑不碰 Agent 主流程。想接新的知识库引擎继承Retriever实现两个方法在 builder 里加一个分支想接新的搜索供应商community/目录下的实现可以当模板照着抄而 MCP 更彻底——连代码都不用写发个新 server 就能被现有配置加载。工具数量上去之后tool_search这类机制负责帮模型在几百个工具里找到对的那个这也是把工具集成和工具堆砌区分开的地方。下一步你可以去把仓库拉下来git clone https://gitcode.com/GitHub_Trending/de/deer-flow先只开 Tavily 和 REPL 两个开关跑一个调研任务再打开 MCP 看看你的 Agent 一夜之间能多调用哪些工具。【免费下载链接】deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.项目地址: https://gitcode.com/GitHub_Trending/de/deer-flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考