安装基础软件

确保你的电脑已安装：1. Git。2. Python (3.10+)。3. Docker Desktop (推荐) 或 Docker Engine。

如果选择本地开发模式，Docker不是必须的，但Docker模式是官方推荐且最一致的体验方式。

克隆项目并浏览结构

使用 `git clone https://github.com/bytedance/deer-flow.git` 克隆项目到本地。打开项目文件夹，快速浏览README和目录结构，了解核心文件如 `config.yaml`, `.env.example`, `docker-compose.yml`。

注意README中关于2.0版本是重写的说明，确保你学习的是最新版本。

生成配置文件

在项目根目录运行命令（根据README），从模板生成本地配置文件 `config.yaml` 和 `.env`。

通常命令类似 `cp .env.example .env` 和 `cp config.example.yaml config.yaml`，请以README为准。

配置LLM模型和API密钥

1. 编辑 `config.yaml`，在 `models` 部分至少配置一个你拥有的LLM（如OpenAI GPT-4o， Anthropic Claude等）。2. 编辑 `.env` 文件，填入对应模型的API密钥。这是项目运行的关键。

强烈建议使用 `.env` 文件管理密钥，不要直接写在 `config.yaml` 中。先从配置一个模型开始。

使用Docker一键启动

在项目根目录运行 `make docker-start` 或 `docker-compose up`（根据README指示）。等待所有服务（后端、前端、可能需要的provisioner）启动完成。

首次运行会拉取镜像，需要一些时间。观察终端日志，确保没有报错。

访问Web界面

打开浏览器，访问 `http://localhost:2026`。如果看到DeerFlow的Web界面，恭喜你，环境搭建成功！

如果无法访问，检查Docker容器是否全部正常运行，端口2026是否被占用。

理解核心概念

阅读README的“Core Features”部分，重点理解：1. **Skills & Tools**：智能体能做什么。2. **Sub-Agents**：任务如何分解。3. **Sandbox & File System**：代码在哪里安全执行。4. **Context & Memory**：如何管理信息。

可以对照官方网站（deerflow.tech）的演示，直观感受这些概念如何运作。

运行第一个简单任务

在Web界面中，尝试输入一个简单的任务，例如：“请用中文介绍一下你自己”或“总结今天的主要科技新闻”。观察智能体如何规划、调用工具（如搜索）、并返回结果。

初次任务可能较慢，耐心等待。关注界面中任务分解和执行的步骤展示。

探索沙箱与文件系统

尝试一个涉及文件操作或代码执行的任务，例如：“创建一个名为hello.txt的文件，并写入‘Hello DeerFlow’，然后列出当前目录文件”。在Web界面中查看生成的文件和命令执行结果。

这能让你直观感受DeerFlow与普通聊天机器人的区别——它拥有一个可交互的隔离执行环境。

查看内置技能(Skills)

在项目代码中查找 `skills/` 目录，浏览里面的 `.md` 文件。了解一个技能如何定义工作流、使用工具和最佳实践。例如，查看 `research.md` 或 `generate_report.md`。

技能是Markdown文件，易于阅读。这是理解智能体如何被“教导”完成特定任务的关键。

修改配置体验不同模式

根据“Sandbox Mode”指南，尝试修改 `config.yaml` 中的 `sandbox.mode` 设置（例如从 `docker` 改为 `local`，需谨慎），理解不同执行模式的区别。修改后需重启服务。

在Docker模式下修改为local可能因权限问题失败，此步骤主要为学习配置项，生产环境建议保持Docker模式。

尝试一个复杂任务

输入一个更复杂的多步骤任务，如：“研究一下大语言模型在2024年的主要进展，并生成一份包含关键点和引用的简短Markdown报告”。观察主智能体如何创建子智能体分工合作，并最终合成报告。

复杂任务耗时较长，可以清晰展示Sub-Agents的协同和Context Engineering的价值。