1. DeerFlow의 본질: 단순한 글쓰기 도구를 넘어선 연구 파트너
급한 업무가 들어왔다고 가정해보자. "3일 안에 생성형 AI의 의료 영상 진단 적용 현황에 대한 심층 보고서를 작성하라." 기술 원리, 임상 검증 데이터, 주요 업체 솔루션 비교, 규제 동향, 현장 도입 장애요인까지 모두 포함해야 한다.
기존 방식이라면 수십 개의 논문 초록과 산업 보고서를 지고, 원 뉴스를 수집하며 복사-붙여넣기와 데이터 교차 검증에 몇 시간을 아부어야 했다. 결과물에는 종종 시효가 지난 FDA 승인 현황이 섞여 있기 마련이다.
DeerFlow는 이 과정을 근본적으로 바꾼다. 단순히 "AI가 대단하다"는 식의 맥뿔 없는 문장을 생성하는 것이 아니라, 구체적이고 검증 가능한 정보를 제시한다. 예를 들어: "2025년 6월 기준 FDA는 확산 모델 기반 유방 촬영 보조진단 시스템 3건을 승인했으며, DeepMind Health의 Spectrum-Med는 다기관 임상시험에서 조기 미세석회화 검출률을 19.3% 개선했으나, 기초 원 샘플에서 가양성률이 12.7%로 상승했다. 이는 학습 데이터 내 상급종합병원 영상 비중이 85%를 초과한 데 기인한다."
DeerFlow의 핵심은 연구 에이전트 팀이다. 기획 에이전트가 과제를 분해하고, 조사 에이전트가 정보를 수집하며, 코드 에이전트가 데이터 검증을 실행하고, 편집 에이전트가 최종 보고서를 완성한다. 모든 과정은 투명하게 추적 가능하며, 출처와 검증 경로가 명확하게 남는다.
이제 실제로 15분 내에 전문 리서치 보고서 초안을 생성하는 방법을 살펴다.
2. 실행 준비: 로그 확인부터 첫 번째 문까지
DeerFlow 이미지에는 Qwen3-4B 모델, vLLM 추론 서비스, Tavily 검색 엔진, Python 실행 환경, 화산엔진 TTS 등 모든 의존성이 사전 구성되어 있다. 두 가지 핵심 서비스의 실행 상태만 확인하면 된다.
2.1 대모델 서비스 상태 점검
내장된 Qwen3-4B-Instruct 모델이 vLLM을 통해 정상 배포되었는지 확인한다:
cat /root/workspace/llm.log
로그 끝부분에 Uvicorn running on http://0.0.0.0:8000와 Application startup complete. 메시지가 보이면 대모델 서비스가 정상이다.
2.2 DeerFlow 메인 프로그램 상태 점검
cat /root/workspace/bootstrap.log
Coordinator started, Planner initialized, Researcher agent ready 등의 키워드가 확인되면 다중 에이전트 시스템이 정상 대기 중인 것이다.
실무 팁: GUI는 네트워크나 캐시 문제로 잘못된 상태를 표시할 수 있으나, 로그는 거짓말을 하지 않는다. 문제 해결 시 로그를 먼저 확인하는 습관을 들이면 불필요한 디버깅 시간을 크게 줄일 수 있다.
2.3 웹 인터페이스 접속 및 첫 연구 과제 시작
콘의 WebUI 버튼을 클릭하면 DeerFlow 프론트엔드가 새 탭에서 열린다. 화면 중앙의 "Start New Research" 버튼을 누르고 다음과 같이 질문한다:
"2024-2025년 글로벌 대모델 학습 데이터 저작권 분쟁 관련 주요 사법 판례를 정리해줘. 미국, EU, 중국 3개 법역을 중심으로, 사건명, 심 쟁점, 법원 판결 요지, AI 기업에 미치는 영향을 포함해야 해."
입력 후 실시간으로 변화하는 연구 워크플로우를 확인할 수 있다:
- 기획 단계: 시스템이 주요 과제를 "미국 판례 검색", "EU 판례 검색", "중국 판례 검색", "대비 분석" 등 하위 작업으로 세분화
- 조사 단계: 조사 에이전트가 Tavily 검색을 호출하고 court.gov.uk, curia.europa.eu, pbcourt.gov.cn 등 권위 출처의 링크를 수집
- 분석 단계: 코드 에이전트가 Python 스크립트를 실행해 판결문 핵심 구절을 추출하고 구조화
- 작성 단계: 편집 에이전트가 구조화된 데이터를 바탕으로 "핵심 쟁점" 장을 초안 작성
3. 질문 설계: 보고서 품질을 결정하는 핵심 변수
초기 질문의 질이 최종 산출물을 좌우한다. DeerFlow를 학술 협업자로 대하고, 질문을 프로젝 기획안 수준으로 구체화해야 한다.
3.1 시공간 좌표 명시
| 모호한 질문 | 구체화된 질문 |
|---|---|
| "AI 안전에는 어떤 위험이 있나요?" | "2025년 상반기, 오픈소스 대모델(Qwen, Llama 계열)이 금융 리스크 관리에서 프롬프트 주입 공격으로 인해 고객 신용평가에 편향을 초래한 사례를 분석하라. 구체적 모델 버전, 공격 기법 재현 절차, 향 수치(FPR 변화값), 수정 방안을 포함할 것." |
시간錨정(2025년 상반기), 공간錨정(금융 리스크 관리), 대상錨정(Qwen/Llama)을 명시하면 에이전트가 관련성 높은 정보를 정확히 수집한다.
3.2 산출물 형태 사전 규정
질문 마지막에 출력 형식을 명시하면 즉시 활용 가능한 문서를 얻는다:
"최종 보고서는 Markdown 형식으로 출력하되, 다음 4개의 2차 제목을 포함할 것: 【판례 개요】(표 형식, 열: 가, 사번호, 원고/피고, 판결일), 【핵심 점】(사건별 100자 내외), 【판결 요지】(원판결 핵심 구절 인용), 【산업 영향】(AI 개발자를 위한 실무 제안 3가지)"
3.3 인간 개입 지점 설정
"분석 과정에서 판결 원문이 공식 데이터베이스에 수록되지 않은 경우, 중단하고 PDF 파일 업로드를 요청하라. '공정이용' 정의에 대한 법역 간 근본적 돌이 발견되면 【산업 영향】에 【법역 충돌 경고】 하위 장을 별도로 설치하고 인용 블록으로 표시하라."
이는 연구 프로세스 내 검증 게이트를 설치하는 것과 같다. 핵심 단 시점에 전문가의 결정권이 보장되는 구조다.
4. 고급 활용: 텍스트를 넘어선 연구 확장
4.1 코드 기반 결론 검증
보고서 내 수치의 신뢰성을 직접 검증할 수 있다:
"Hugging Face의 'medical-nli' 데이터셋 최신 벤치마크 결과를 조사한 후, 다음 코드로 논문의 정확도를 재현하라:
from datasets import load_dataset from transformers import AutoModelForSequenceClassification, AutoTokenizer # 데이터셋 및 모델 로드 eval_data = load_dataset('medical-nli', split='test') classifier = AutoModelForSequenceClassification.from_pretrained('bert-medical-nli') tokenizer = AutoTokenizer.from_pretrained('bert-medical-nli') # 정확도 계산 hits = 0 sample_size = 100 for idx in range(sample_size): item = eval_data[idx] encoded = tokenizer(item['premise'], item['hypothesis'], return_tensors='pt', truncation=True) output = classifier(**encoded).logits predicted = output.argmax(dim=-1).item() hits += (predicted == item['label']) print(f'재현 정확도: {hits / sample_size:.3f}')재현 결과를 논문 원본과 비교하고 차이 원인을 분석하라."
DeerFlow는 샌드박스 환경에서 코드를 실행하고 결과, 환경 설정, 오류 메시지를 모두 보고서에 포함한다.
4.2 다중 출처 교차 검증
"Tavily와 Brave Search를 각각 활용해 '2025년 2분기 글로벌 AI 반도체 출하량'을 검색하라. 양측 결과를 병렬 제시하고 데이터 출처(IDC 보고서, Mercury Research 브리프, 업체 실적 발표)를 명시하라. 수치 차이가 5%를 초과하면 원인(통계 기준, 대상 업체 범위 등)을 분석하라."
4.3 팟캐스트 자동 생성
보고서 완성 후 "Generate Podcast" 버튼을 클릭하면:
- 핵심 점과 논리 전개가 자동 추출됨
- 화산엔진 TTS를 통해 전문적 음성으로 변환
- 핵심 수치에 적절한 강조와 식이 입됨
- MP3 파일로 내내기 가능
5. 문제 해결: 빈번한 장애 대응
5.1 "기획 단계에서 진행 중단"
원인: 외부 API 접근 제한
해결:
curl -I https://api.tavily.com로 연결 확인- 타임아웃 시 443 포트 방화벽 규칙 확인
- 임시 대응: 질문 시작에 "*최신 데이터 필요 시에만联网 시도, 우선 로컬 지식베이스 활용*" 추가
5.2 "존재하지 않는 논문 인용 또는 무효 링크"
대모형 환각 현상이다. DeerFlow는 모든 출처를 보고서 하단 Sources에 공개하므로 직접 확인 가능하다. 링크 무효 시 "Re-search this source" 버튼으로 재검색할 수 있다.
5.3 "팟캐스트 성이 기계적"
TTS 품질은 텍스트의 "낭독성"에 의존한다. 질문에 다음을 추가하라:
"팟캐스트 대본에 구어체 전환어('살펴면', '주목할 점은', '다시 말해')를 추가하고 복문을 15자 내외 단문으로 분할하라."
6.典範轉換: 정보 노동에서 지식 기획으로
DeerFlow는 단순히 보고서를 자동화하는 것이 아니라 업무 패러다임을 전환한다. 수 시간의 정보 검색과 데이터 정리를 정밀한 질문 하나로 압축하고, 전문 분야의 심층 분석을 비전문가도 수행할 수 있게 하며, 개인의 판단 기준과 전문 감각을 디지털로 확장·축적한다.
이제 WebUI를 열고, 진정으로 궁금한 문제를 입력하라. 투명하고 검증 가능하며 통찰력 있는 연구 과정이 펼쳐질 것이다.