快速上手
🚀
本指南介绍如何在 Python 中通过 create_deerflow_agent
创建并运行一个 DeerFlow Agent。
理解 DeerFlow Harness 的最快方式，是直接在代码里创建一个 Agent。本快速上手指南将带你完成模型初始化、Agent 创建，以及响应流式输出。
前置条件
DeerFlow Harness 需要 Python 3.12 或更高版本。该包是 deerflow 代码库的一部分，位于 backend/packages/harness 下。
如果你从仓库克隆开始：
cd backend
uv sync你还需要准备一个来自对应 LangChain Provider 包的聊天模型实例。
创建第一个 Agent
导入工厂函数与模型类
from deerflow.agents import create_deerflow_agent
from langchain_openai import ChatOpenAI创建模型
model = ChatOpenAI(
model="gpt-4o",
api_key="YOUR_OPENAI_API_KEY",
)创建 Agent
agent = create_deerflow_agent(model)这会返回一个已经编译好的 LangGraph Agent，并带有 DeerFlow 默认的中间件链。
流式获取响应
for event in agent.stream(
{"messages": [{"role": "user", "content": "解释一下 DeerFlow Harness 是什么。"}]},
stream_mode=["messages", "values"],
):
print(event)添加工具或行为
你可以通过传入工具、系统提示词、运行时特性、中间件或 checkpointer 来自定义 Agent。
from deerflow.agents import RuntimeFeatures, create_deerflow_agent
agent = create_deerflow_agent(
model,
system_prompt="你是一个简洁的研究助手。",
features=RuntimeFeatures(subagent=True, memory=False),
plan_mode=True,
name="research-agent",
)常用参数：
| 参数 | 说明 |
|---|---|
tools | 提供给 Agent 的额外工具 |
system_prompt | 自定义系统提示词 |
features | 启用或替换内置运行时能力 |
extra_middleware | 将自定义中间件插入默认链路 |
plan_mode | 启用 Todo 风格的任务跟踪 |
checkpointer | 为多轮运行持久化状态 |
name | Agent 的逻辑名称 |
什么时候使用 DeerFlowClient
如果你想直接操作底层的编译后 Agent 图，使用 create_deerflow_agent()。
如果你想使用更高层的嵌入式应用接口，则应使用 DeerFlowClient，例如：
- 面向线程的对话封装，
- 模型 / 技能 / 记忆管理 API，
- 文件上传与 artifacts，
- 与 Gateway 一致的返回格式。