DeerFlow技能使用全解析：从聊天对话到功能扩展的实战指南

1次阅读

共计 1819 个字符，预计需要花费 5 分钟才能阅读完成。

很多开发者在初次接触 DeerFlow 时，往往只看到它作为聊天工具的一面。这主要是因为默认安装后，系统会自带基础的对话功能，导致用户误以为这就是它的全部能力。实际上，DeerFlow 的强大之处在于它的 Skill（技能）系统，通过这个系统可以扩展各种功能。

误解原因 ：默认 UI 侧重对话交互，Skill 需要主动配置才会显示
Skill 定位 ：相当于功能插件，每个 Skill 处理特定类型的任务
核心价值 ：将聊天界面转化为各种业务功能的统一入口

DeerFlow 采用微内核 + 插件化架构，核心系统只负责消息路由和基础服务，具体功能都由 Skill 实现。

graph LR
    A[用户输入] --> B(核心路由)
    B --> C{Intent 识别}
    C -->| 匹配 | D[对应 Skill]
    D --> E[业务处理]
    E --> F[返回结果]
    C -->| 未匹配 | G[默认对话]

关键组件交互流程：

消息总线：所有用户输入都通过统一消息队列分发
技能注册：每个 Skill 需要声明自己能处理的 intent 类型
上下文管理：跨 Skill 的会话状态维护机制

下面以开发一个天气查询 Skill 为例，展示完整开发流程：

# 导入 SDK 基础类
from deerflow.skill import BaseSkill, register_intent

class WeatherSkill(BaseSkill):
    """天气查询技能示例"""

    # 声明技能元数据
    def metadata(self):
        return {
            'name': 'weather',
            'description': '提供城市天气查询功能'
        }

    # 注册要处理的意图
    @register_intent('query_weather')
    def handle_weather_query(self, request):
        # 从请求中提取参数
        city = request.params.get('city')

        # 调用天气 API（示例用伪代码）weather_data = call_weather_api(city)

        # 构造响应
        return {'text': f'{city} 天气：{weather_data["condition"]}',
            'data': weather_data
        }

# 技能入口函数
def create_skill():
    return WeatherSkill()

关键开发要点：

必须继承 BaseSkill 基类
通过 @register_intent 装饰器声明处理哪些用户意图
请求对象包含完整的上下文信息
响应支持结构化数据 + 自然语言组合

完成开发后，需要将 Skill 集成到运行中的 DeerFlow 实例：

将代码打包为标准的 Python 包
在配置文件中添加技能路径
执行热加载命令

具体操作步骤：

# 1. 创建 setup.py
cat > setup.py <<EOF
from setuptools import setup

setup(
    name='weather_skill',
    version='0.1',
    py_modules=['weather'],
    entry_points={
        'deerflow.skills': ['weather = weather:create_skill']
    }
)
EOF

# 2. 安装到环境
pip install -e .

# 3. 修改 DeerFlow 配置
vim config.yml  # 添加 skills 路径

# 4. 触发重新加载
curl -X POST http://localhost:8000/_reload

开发过程中常见问题及解决方法：