diff --git a/DEPLOYMENT_GUIDE.md b/DEPLOYMENT_GUIDE.md
new file mode 100644
index 00000000..54a6abd2
--- /dev/null
+++ b/DEPLOYMENT_GUIDE.md
@@ -0,0 +1,330 @@
+# DeepAnalyze 部署教程
+
+这份文档将引导你如何在本地部署 DeepAnalyze-8B 模型并启动完整的对话系统。
+
+## 概述
+
+DeepAnalyze 是一个自动化数据科学分析工具。本教程展示如何：
+1. 启动后端 API 和前端界面
+2. 下载并配置 DeepAnalyze-8B 模型
+3. 通过 LM Studio 启动模型服务
+4. 在浏览器中与 DeepAnalyze 进行交互
+
+**⚠️ 重要提示：** 必须先启动服务（第一步），再去 LM Studio 中配置和加载模型（第二步及之后）。否则在启动服务时可能会杀掉模型的进程，导致部署失败！
+
+**注意：** 本教程中的截图展示的是核心流程的关键步骤，不一定是完全按顺序截取的，但都是部署过程中会遇到的重要界面。
+
+---
+
+## 第一步：启动完整服务系统
+
+### ⚠️ 这是最重要的一步！必须先做！
+
+在配置 LM Studio 模型之前，你需要先启动后端服务和前端界面。这样可以避免启动时的进程冲突。
+
+### 1.1 获取项目代码
+
+如果还没有克隆 DeepAnalyze 项目，请先从 GitHub 获取项目代码：
+
+**📥 项目地址：** https://github.com/ruc-datalab/DeepAnalyze.git
+
+```bash
+# 克隆项目到本地
+git clone https://github.com/ruc-datalab/DeepAnalyze.git
+
+# 进入项目目录
+cd DeepAnalyze
+```
+
+### 1.2 准备项目环境
+
+进入项目后，需要根据需要配置开发环境。为了保持环境的干净和稳定，**强烈建议使用以下官方推荐的方案之一**：
+
+#### 方案 A：使用 Docker（推荐）
+Docker 能完全隔离环境，避免与系统其他工具的冲突。请参考项目的 Docker 部署指南。
+
+#### 方案 B：使用 Conda
+如果你已经有 Conda 环境，可以创建一个新的虚拟环境来运行 DeepAnalyze，保证环境隔离：
+
+```bash
+# 创建新的 conda 环境
+conda create -n deepanalyze python=3.12 -y
+conda activate deepanalyze
+
+# 安装依赖
+pip install -r requirements.txt
+```
+
+### 1.3 启动所有服务
+
+进入 `demo` 目录并启动所有服务：
+
+```bash
+# 进入 demo 目录
+cd demo
+
+# 启动所有服务
+sh start.sh
+```
+
+![Step 9: 启动服务](./assets/demo/9.png)
+
+**启动输出说明：**
+
+```
+Starting Chat System
+===========================
+Cleaning old processes...
+Port 8000 is already in use, terminating process...
+Cleanup completed.
+
+Starting backend API...
+Backend PID: 39042
+API running on: http://localhost:8200
+File service running on: http://localhost:8100
+
+Starting React frontend...
+Frontend PID: 39052
+Frontend running on: http://localhost:4000
+
+All services started successfully.
+
+Service URLs:
+  Mock API:     http://localhost:8000    ← 模型API地址
+  Backend API:  http://localhost:8200    ← 后端 API
+  Frontend:     http://localhost:4000    ← 用户界面
+```
+
+**各服务说明：**
+| 服务 | 端口 | 用途 |
+|------|------|------|
+| 模型 API | 8000 | 模型推理服务 |
+| Backend API | 8200 | 后端应用接口 |
+| File Service | 8100 | 文件上传下载服务 |
+| Frontend | 4000 | 前端用户界面 |
+
+### 1.4 常见启动错误与解决方案
+
+启动时可能会遇到一些 Python 模块缺失的错误。这些是正常的，按照错误提示安装对应的包即可。
+
+**常见错误示例：**
+
+#### 错误 1：缺少 `fastapi` 模块
+```
+ModuleNotFoundError: No module named 'fastapi'
+```
+**解决方案：**
+
+```bash
+pip install fastapi uvicorn
+```
+
+#### 错误 2：缺少 `transformers` 模块
+```
+ModuleNotFoundError: No module named 'transformers'
+```
+**解决方案：**
+
+```bash
+pip install transformers
+```
+
+**一般规则：** 如果启动脚本报错说缺少某个模块，直接运行：
+```bash
+pip install <模块名>
+```
+
+例如，如果显示缺少 `PIL`，就运行 `pip install Pillow`（PIL 的包名是 Pillow）。
+
+### 1.5 验证服务启动成功
+
+启动成功后，你应该看到：
+- ✅ 三个 PID 信息（Backend PID、Frontend PID）
+- ✅ 所有服务 URL 已列出
+- ✅ 消息"All services started successfully"
+
+如果启动成功，保持这个终端窗口打开，然后进行第二步。
+
+---
+
+## 第二步：验证服务状态
+
+### 2.1 检查服务日志
+
+启动成功后，你可以在 `demo/logs/` 目录中查看各个服务的日志文件。
+
+![Step 10: 查看日志](./assets/demo/10.png)
+
+**日志文件说明：**
+- `backend.log`: 后端 API 的运行日志
+- `backend.pid`: 后端进程 ID
+- `frontend.log`: 前端应用的运行日志
+- `frontend.pid`: 前端进程 ID
+
+**正常启动日志示例：**
+```
+INFO:     Started server process [39042]
+INFO:     Waiting for application startup.
+INFO:     Application startup complete.
+INFO:     Uvicorn running on http://0.0.0.0:8200
+```
+
+---
+
+## 第三步：准备 LM Studio 环境
+
+在开始配置 LM Studio 之前，请确保你已经安装了 LM Studio 应用。
+
+### 3.0 安装 LM Studio
+
+如果还没有安装 LM Studio，请前往官方网站下载：
+
+**📥 下载链接：** https://lmstudio.ai/
+
+根据你的操作系统选择相应的版本：
+- **macOS**：Apple Silicon 版本或 Intel 版本
+- **Windows**：Windows 10/11 版本
+- **Linux**：支持各主流 Linux 发行版
+
+下载并安装后，启动 LM Studio 应用，准备进行后续配置。
+
+**📚 更多信息：**
+- 官方服务器文档：https://lmstudio.ai/docs/developer/core/server
+- 该文档详细说明了如何配置和启动 LM Studio 的本地服务器，包括 API 使用方法
+
+### 3.1 打开 LM Studio 并进入开发模式
+
+首先启动 LM Studio 应用。在右下角点击设置图标，进入应用设置。
+
+![Step 1: LM Studio 设置](./assets/demo/1.png)
+
+**具体操作：**
+- 点击右下角的设置图标 ①
+- 进入设置菜单后，点击"Settings"标签 ②
+- 在左侧菜单找到"General"选项 ③
+- 将语言切换为中文（简体中文 Beta）④
+
+### 3.2 切换语言后返回主界面
+
+切换完语言后，返回主界面。你需要手动点击顶部的"选择要加载的模型"按钮来搜索模型。
+
+![Step 2: 准备搜索模型](./assets/demo/2.png)
+
+---
+
+## 第四步：下载 DeepAnalyze-8B 模型
+
+### 4.1 搜索并选择模型
+
+点击顶部的"选择要加载的模型"按钮，搜索框中输入 **deepanalyze-8b**。
+
+![Step 3: 搜索模型](./assets/demo/3.png)
+
+**模型选择：**
+- 在搜索框中输入 `deepanalyze-8b`
+- 选择第一个结果：**DeepAnalyze-8B-Q8_0-GGUF**（来自 Mazenz）
+- 这是量化版本，大小为 8.71 GB，适合在本地运行
+- 点击下方的绿色"Download"按钮开始下载 ✓
+
+![Step 4: 下载模型](./assets/demo/4.png)
+
+**注意：** 模型文件较大（8.71 GB），下载时间取决于网络速度。请耐心等待。
+
+### 4.2 进入开发模式
+
+下载过程中，需要进入开发模式来启动本地服务接口。点击左下角的设置 > 选择 **Developer** 模式。
+
+![Step 5: 进入开发模式](./assets/demo/4-dev.png)
+
+---
+
+## 第五步：配置 LM Studio 服务器
+
+### 5.1 打开服务器设置
+
+模型下载完成后，点击 **Server Settings** 按钮配置服务器参数。
+
+![Step 5: 服务器设置](./assets/demo/5.png)
+
+**配置步骤：**
+- 点击左侧的服务器管理图标 ①
+- 点击"Server Settings"按钮 ②
+- **关键设置**：将 **Server Port** 从默认的 **1234** 改成 **8000** ③
+
+其他配置保持默认即可：
+- Allow per-request MCPs: ✓ (已启用)
+- Enable CORS: ✓ (已启用)
+- JIT (即时) 模型加载: ✓ (已启用)
+
+### 5.2 启动服务器
+
+完成配置后，点击启动按钮启动 LM Studio 服务器。
+
+![Step 6: 服务器启动完成](./assets/demo/6.png)
+
+**启动状态：**
+- 当你看到 **Status: Running** 和绿色开关时，说明服务器已成功启动 ✓
+- 可达地址：`http://127.0.0.1:8000`
+
+---
+
+## 第六步：模型加载与准备
+
+### 6.1 模型加载状态
+
+点击"选择要加载的模型"按钮，选择已下载的 **DeepAnalyze-8B** 模型进行加载。
+
+![Step 7: 选择加载模型](./assets/demo/7.png)
+
+**加载完成标志：**
+- 当模型状态显示为 **READY** 时，说明模型已加载完毕
+- 可以看到模型信息面板：
+  - 模型名称：`Mazenz/DeepAnalyze-8B-Q8_0-GGUF`
+  - 文件格式：GGUF
+  - 量化版本：8_0
+  - 磁盘大小：8.71 GB
+
+### 6.2 模型加载中
+
+如果看到加载进度条，表示模型正在加载。
+
+![Step 8: 模型加载中](./assets/demo/8.png)
+
+**加载进度：**
+- 系统正在将模型张量加载到内存中
+- 这个过程可能需要几分钟，取决于你的硬件配置
+- 继续等待至加载完成（显示 READY）
+
+---
+
+## 第七步：访问 DeepAnalyze 界面
+
+### 7.1 打开浏览器访问前端
+
+所有服务启动完成后，打开浏览器并访问：
+
+```
+http://localhost:4000
+```
+
+![Step 11: 前端界面](./assets/demo/11.png)
+
+**界面功能：**
+- 点击"+"按钮可以创建新对话
+- 文件上传区域：拖拽或点击上传数据文件
+- DeepAnalyze-8B 助手会自动识别并分析你的数据
+
+### 7.2 与 DeepAnalyze 交互
+
+上传数据后，你可以向 DeepAnalyze 提出任何数据分析问题。
+
+![Step 12: 数据分析](./assets/demo/12.png)
+
+**使用示例：**
+- 上传 Excel 或 CSV 文件
+- 输入分析需求：例如"请分析这份数据并生成报告"
+- DeepAnalyze 会自动：
+  1. 理解数据结构
+  2. 进行数据清洗和分析
+  3. 生成数据可视化
+  4. 输出分析报告
diff --git a/PR_TEMPLATE.md b/PR_TEMPLATE.md
new file mode 100644
index 00000000..d4e3a78a
--- /dev/null
+++ b/PR_TEMPLATE.md
@@ -0,0 +1,118 @@
+# PR: 添加 DeepAnalyze 详细部署教程文档
+
+## 📋 提交内容
+
+添加了一份详细的 DeepAnalyze 部署教程文档，用清晰的图文并茂的方式指导用户如何在本地部署 DeepAnalyze-8B 模型并启动完整的对话系统。
+
+### 包含文件
+- `DEPLOYMENT_GUIDE.md` - 详细的部署教程文档（新增）
+
+---
+
+## 📝 文档内容说明
+
+### 文档目的
+为希望本地部署 DeepAnalyze 的用户提供详细、易懂的部署步骤和常见问题解决方案。
+
+### 核心内容结构
+
+#### 第一步：启动完整服务系统
+- 激活 conda 环境并启动后端 API、文件服务、前端界面
+- 包含常见的 Python 模块缺失错误及解决方案（numpy、pandas、fastapi、transformers、torch 等）
+- 验证服务启动是否成功的检查清单
+
+#### 第二步：验证服务状态
+- 检查 `demo/logs/` 目录中的日志文件
+- 查看正常启动日志示例
+- 确保所有服务正常运行
+
+#### 第三步-第七步：配置和部署 LM Studio
+- 进行 LM Studio 基础设置（语言切换、开发模式）
+- 搜索并下载 DeepAnalyze-8B-Q8_0-GGUF 模型（8.71 GB）
+- 配置服务器端口（1234 → 8000）
+- 加载模型并验证状态
+- 访问前端界面并与 DeepAnalyze 交互
+
+### 重要特性
+
+✅ **核心流程清晰** - 7 个循序渐进的步骤，每步都有对应的截图
+✅ **常见错误处理** - 列举 5 种常见 Python 模块缺失错误及解决方案
+✅ **强调部署顺序** - 醒目标记"必须先启动服务再配置模型"，避免进程冲突
+✅ **详细的日志说明** - 解释每个服务的日志文件含义
+✅ **故障排除章节** - 包含 3 个常见问题及解决方案
+✅ **扩展配置说明** - 说明如何配置自定义 IP 和端口
+
+---
+
+## 🎯 使用场景
+
+1. **新用户快速上手** - 完整的步骤指导，无需额外搜索
+2. **问题排查参考** - 常见错误和故障排除章节
+3. **项目文档完善** - 补充了原 README 中缺失的详细部署步骤
+
+---
+
+## 📸 使用的示例材料
+
+文档使用了 12 张精心标注的截图（位于 `assets/demo/` 目录），展示：
+- LM Studio 设置界面
+- 模型搜索和下载流程
+- 服务器配置页面
+- 模型加载状态
+- 服务启动输出
+- 日志文件查看
+- 前端界面和数据分析展示
+
+---
+
+## ✨ 改进亮点
+
+相比原 README 中的快速开始部分：
+
+| 方面 | 原 README | 本文档 |
+|------|---------|--------|
+| 步骤详细度 | 基础 4 行命令 | 详细 7 个步骤 + 截图 |
+| 错误处理 | 无 | 5 种常见错误 + 解决方案 |
+| 日志说明 | 无 | 详细的日志文件说明 |
+| 故障排除 | 无 | 3 个常见问题 |
+| 视觉效果 | 文字为主 | 图文并茂 |
+| 扩展配置 | 有简要说明 | 详细代码示例 |
+
+---
+
+## 🔄 建议的测试步骤
+
+为确保文档准确性，建议新用户按照以下步骤验证：
+
+1. 在新机器或虚拟环境中完全按照文档步骤部署
+2. 记录是否遇到任何未列出的问题
+3. 验证所有 7 个步骤是否清晰易懂
+4. 检查截图是否与实际界面相符
+
+---
+
+## 📚 后续改进建议
+
+本文档可在以下方面进一步优化：
+- 针对不同操作系统（Windows/Linux）的特定说明
+- GPU 显存需求的详细说明
+- Docker 部署选项
+- 云服务器部署指南
+- 性能优化建议
+
+---
+
+## 🙏 说明
+
+本文档作为补充资料，致力于：
+- 帮助新用户快速部署 DeepAnalyze
+- 减少常见部署问题的发生
+- 提升用户体验和项目文档质量
+
+欢迎社区反馈和改进建议！
+
+---
+
+**文档版本**: 1.0
+**最后更新**: 2025-11-05
+**相关文件**: `DEPLOYMENT_GUIDE.md`
diff --git a/assets/demo/1.png b/assets/demo/1.png
new file mode 100644
index 00000000..cb64e2f9
Binary files /dev/null and b/assets/demo/1.png differ
diff --git a/assets/demo/10.png b/assets/demo/10.png
new file mode 100644
index 00000000..f897bb4b
Binary files /dev/null and b/assets/demo/10.png differ
diff --git a/assets/demo/11.png b/assets/demo/11.png
new file mode 100644
index 00000000..0d6deb93
Binary files /dev/null and b/assets/demo/11.png differ
diff --git a/assets/demo/12.png b/assets/demo/12.png
new file mode 100644
index 00000000..89b27adb
Binary files /dev/null and b/assets/demo/12.png differ
diff --git a/assets/demo/2.png b/assets/demo/2.png
new file mode 100644
index 00000000..77a18647
Binary files /dev/null and b/assets/demo/2.png differ
diff --git a/assets/demo/3.png b/assets/demo/3.png
new file mode 100644
index 00000000..e53122a0
Binary files /dev/null and b/assets/demo/3.png differ
diff --git a/assets/demo/4.png b/assets/demo/4.png
new file mode 100644
index 00000000..f3b7f699
Binary files /dev/null and b/assets/demo/4.png differ
diff --git a/assets/demo/5.png b/assets/demo/5.png
new file mode 100644
index 00000000..5ee937f5
Binary files /dev/null and b/assets/demo/5.png differ
diff --git a/assets/demo/6.png b/assets/demo/6.png
new file mode 100644
index 00000000..fce80cea
Binary files /dev/null and b/assets/demo/6.png differ
diff --git a/assets/demo/7.png b/assets/demo/7.png
new file mode 100644
index 00000000..be1e8e35
Binary files /dev/null and b/assets/demo/7.png differ
diff --git a/assets/demo/8.png b/assets/demo/8.png
new file mode 100644
index 00000000..30c59d23
Binary files /dev/null and b/assets/demo/8.png differ
diff --git a/assets/demo/9.png b/assets/demo/9.png
new file mode 100644
index 00000000..89faa85a
Binary files /dev/null and b/assets/demo/9.png differ