--- title: 快速上手 description: 学习如何使用 create_deerflow_agent 创建并运行 DeerFlow Agent，从模型初始化到流式响应。 --- import { Callout, Steps } from "nextra/components"; # 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： ```bash 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 ```python from deerflow.agents import create_deerflow_agent from langchain_openai import ChatOpenAI ``` ### 创建模型 ```python model = ChatOpenAI( model="gpt-4o", api_key="YOUR_OPENAI_API_KEY", ) ``` ### 创建 Agent ```python 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 ```python 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。 ```python 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。