DeerFlow 2.0：字节跳动开源的超级 Agent 框架
DeerFlow 2.0：字节跳动开源的超级 Agent 框架，GitHub 登顶 #1 的秘密
项目地址：https://github.com/bytedance/deer-flow
Stars：32,700+（2026年3月）
语言：Python + Node.js
许可证：MIT
官网：https://deerflow.tech
一、从深度研究到超级 Agent：一次彻底的重生
2026年2月28日，GitHub Trending 榜单上出现了一个熟悉又陌生的名字——DeerFlow 2.0。熟悉，是因为它的前身 DeerFlow 1.x 早已是 AI 研究领域的知名工具；陌生，是因为这次的 2.0 版本是一次从零开始的完全重写，与旧版本没有任何共享代码。
就在发布当天，DeerFlow 2.0 登上了 GitHub Trending 全球第一的位置。
这不是偶然。
DeerFlow 的全称是 Deep Exploration and Efficient Research Flow，由字节跳动（ByteDance）开源。它最初是一个深度研究框架，帮助用户自动化信息收集、分析和报告生成。但社区的使用方式远远超出了团队的预期——开发者们用它构建数据管道、生成 PPT 幻灯片、搭建仪表盘、自动化内容工作流……
这些意料之外的用法告诉团队一件事：DeerFlow 不只是一个研究工具，它是一个 Agent 运行时框架（Harness）——一个能让 AI Agent 真正完成工作的基础设施。
于是，他们决定重建它。
二、什么是"超级 Agent 框架"？
在理解 DeerFlow 2.0 之前，我们需要先厘清一个概念：Agent Harness（Agent 框架/运行时）。
传统的 AI 应用是"问答式"的：用户提问，模型回答，交互结束。而 Agent 系统则不同——它能够自主规划、调用工具、执行多步骤任务，甚至在任务过程中动态调整策略。
但即便是 Agent，也面临一个核心挑战：复杂任务的执行环境。一个 Agent 需要：
- 访问文件系统
- 执行代码
- 调用外部工具和 API
- 管理长期记忆
- 协调多个子任务并行执行
这就是 Harness 的价值所在——它不是 Agent 本身，而是让 Agent 能够高效运作的基础设施层。
DeerFlow 2.0 的定位正是如此：一个开箱即用、完全可扩展的超级 Agent 运行时框架，内置了 Agent 所需的一切：文件系统、记忆、技能（Skills）、沙箱执行环境，以及规划和生成子 Agent 的能力。
三、核心架构解析
3.1 技术栈选择
DeerFlow 2.0 构建在两个核心开源框架之上：
- LangGraph：负责多 Agent 编排，提供有状态的工作流管理
- LangChain：负责 LLM 交互和工具链集成
这个选择并非偶然。LangGraph 的图状态机模型非常适合处理复杂的多步骤任务，而 LangChain 的生态系统则提供了丰富的工具和模型集成。
整体架构分为前后端两部分：
- 后端：Python 3.12+，基于 LangGraph 的 Agent 服务器
- 前端：Node.js 22+，提供 Web UI 界面
- 访问地址：默认运行在
http://localhost:2026
3.2 Skills 系统：让 Agent 能做"几乎任何事"
DeerFlow 最具特色的设计之一是其 Skills（技能）系统。
一个标准的 Agent Skill 是一个结构化的能力模块——本质上是一个 Markdown 文件，定义了工作流程、最佳实践和支持资源的引用。这个设计看似简单，却极为强大：
/mnt/skills/public
├── research/SKILL.md
├── report-generation/SKILL.md
├── slide-creation/SKILL.md
├── web-page/SKILL.md
└── image-generation/SKILL.md
/mnt/skills/custom
└── your-custom-skill/SKILL.md ← 你的自定义技能
DeerFlow 内置了研究、报告生成、幻灯片创建、网页生成、图像和视频生成等核心技能。但真正的威力在于可扩展性：你可以添加自己的技能、替换内置技能，或将多个技能组合成复合工作流。
更重要的是，Skills 是按需加载的——只有当任务需要某个技能时才会加载，而不是一次性全部加载。这保持了上下文窗口的精简，使 DeerFlow 在对 Token 敏感的模型上也能良好运行。
3.3 Sub-Agents：并行处理复杂任务
复杂任务很少能在单次执行中完成。DeerFlow 的解决方案是子 Agent 系统。
主 Agent（Lead Agent）可以在运行时动态生成子 Agent，每个子 Agent 都有：
- 独立的上下文（与主 Agent 和其他子 Agent 隔离）
- 专属的工具集
- 明确的终止条件
子 Agent 在可能的情况下并行运行，将结构化结果汇报给主 Agent，由主 Agent 综合所有输出，生成最终结果。
这就是 DeerFlow 能处理"需要数分钟到数小时"任务的原因：一个研究任务可能会分裂成十几个子 Agent，每个探索不同的角度，最终汇聚成一份报告、一个网站，或者一套带有生成视觉内容的幻灯片。
一个框架，多双手。
3.4 沙箱执行环境：Agent 拥有自己的"电脑"
这是 DeerFlow 与众多 Agent 框架最本质的区别之一。
DeerFlow 不只是"谈论"做事——它真的在做事。
每个任务都在一个隔离的 Docker 容器中运行，拥有完整的文件系统：
/mnt/user-data/
├── uploads/ ← 你的文件
├── workspace/ ← Agent 的工作目录
└── outputs/ ← 最终交付物
Agent 可以读写文件、执行 Bash 命令、编写和运行代码、查看图像。所有操作都在沙箱中进行，会话之间零污染，完全可审计。
这就是**聊天机器人（有工具访问权限）和真正的 Agent（有实际执行环境）**之间的本质区别。
沙箱支持三种模式：
- 本地执行：直接在宿主机上运行沙箱代码
- Docker 执行：在隔离的 Docker 容器中运行
- Docker + Kubernetes：通过 Provisioner 服务在 Kubernetes Pod 中运行
3.5 上下文工程：在长任务中保持"清醒"
长任务最大的挑战之一是上下文窗口管理。随着任务推进，上下文不断累积，最终可能超出模型的处理能力。
DeerFlow 通过两种机制解决这个问题：
隔离的子 Agent 上下文：每个子 Agent 在独立的上下文中运行，无法看到主 Agent 或其他子 Agent 的上下文。这确保了子 Agent 能专注于当前任务，不被无关信息干扰。
主动摘要压缩：在会话内，DeerFlow 会主动管理上下文——对已完成的子任务进行摘要、将中间结果卸载到文件系统、压缩不再立即相关的内容。这让它在长达数小时的多步骤任务中依然保持高效。
3.6 长期记忆：越用越懂你
大多数 Agent 在对话结束后就"忘记"了一切。DeerFlow 不同。
跨会话，DeerFlow 会构建关于用户的持久记忆：个人偏好、技术栈、常用工作流。使用越多，它对你的了解就越深——你的写作风格、技术背景、重复出现的工作模式。
记忆存储在本地，完全由用户控制。
值得一提的是，DeerFlow 2.0 还修复了一个常见问题：记忆更新时会跳过重复的事实条目，避免相同的偏好和上下文在多次会话后无限累积。
四、即时通讯集成：从聊天 App 直接调度 Agent
DeerFlow 支持从主流即时通讯应用接收任务，且无需公网 IP：
| 渠道 | 传输方式 | 难度 |
|---|---|---|
| Telegram | Bot API（长轮询） | 简单 |
| Slack | Socket Mode | 中等 |
| 飞书 / Lark | WebSocket | 中等 |
配置完成后，你可以直接在聊天 App 中使用以下命令：
| 命令 | 功能 |
|---|---|
/new | 开始新对话 |
/status | 查看当前线程信息 |
/models | 列出可用模型 |
/memory | 查看记忆 |
/help | 显示帮助 |
没有命令前缀的消息会被视为普通对话——DeerFlow 会创建一个线程并进行对话式响应。
五、Claude Code 集成：从终端直接控制 DeerFlow
DeerFlow 提供了一个专门的 claude-to-deerflow 技能，让你可以直接从 Claude Code 终端与运行中的 DeerFlow 实例交互：
npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow
安装后，在 Claude Code 中使用 /claude-to-deerflow 命令，你可以：
- 向 DeerFlow 发送研究任务并获取流式响应
- 选择执行模式：flash（快速）、standard（标准）、pro（规划）、ultra（子 Agent）
- 检查 DeerFlow 健康状态、列出模型/技能/Agent
- 管理线程和对话历史
- 上传文件进行分析
六、嵌入式 Python 客户端：无需 HTTP 服务
DeerFlow 还可以作为嵌入式 Python 库使用，无需运行完整的 HTTP 服务：
from deerflow.client import DeerFlowClient
client = DeerFlowClient()
# 普通对话
response = client.chat("帮我分析这篇论文", thread_id="my-thread")
# 流式输出（LangGraph SSE 协议）
for event in client.stream("你好"):
if event.type == "messages-tuple" and event.data.get("type") == "ai":
print(event.data["content"])
# 配置和管理
models = client.list_models() # {"models": [...]}
skills = client.list_skills() # {"skills": [...]}
client.update_skill("web-search", enabled=True)
client.upload_files("thread-1", ["./report.pdf"])
所有返回字典的方法都在 CI 中通过 Gateway Pydantic 响应模型进行验证，确保嵌入式客户端与 HTTP API 保持同步。
七、快速上手
方式一：Docker（推荐）
# 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
# 生成配置文件
make config
# 拉取沙箱镜像（仅需一次）
make docker-init
# 启动服务
make docker-start
访问 http://localhost:2026 即可使用。
方式二：本地开发
# 检查前置条件（Node.js 22+, pnpm, uv, nginx）
make check
# 安装依赖
make install
# 启动服务
make dev
模型配置
DeerFlow 是模型无关的，支持任何实现 OpenAI 兼容 API 的 LLM。在 config.yaml 中配置：
models:
- name: gpt-4
display_name: GPT-4
use: langchain_openai:ChatOpenAI
model: gpt-4
api_key: $OPENAI_API_KEY
max_tokens: 4096
temperature: 0.7
# 使用 OpenRouter 接入 Gemini
- name: openrouter-gemini-2.5-flash
display_name: Gemini 2.5 Flash (OpenRouter)
use: langchain_openai:ChatOpenAI
model: google/gemini-2.5-flash-preview
api_key: $OPENAI_API_KEY
base_url: https://openrouter.ai/api/v1
字节跳动官方推荐使用以下模型获得最佳效果：
- Doubao-Seed-2.0-Code（字节自研）
- DeepSeek v3.2
- Kimi 2.5
八、与同类项目的对比
| 特性 | DeerFlow 2.0 | AutoGPT | CrewAI | Manus |
|---|---|---|---|---|
| 沙箱执行环境 | ✅ Docker 隔离 | ❌ | ❌ | ✅ |
| 子 Agent 并行 | ✅ | 有限 | ✅ | ✅ |
| 长期记忆 | ✅ 本地持久化 | 有限 | ❌ | ✅ |
| Skills 系统 | ✅ Markdown 定义 | ❌ | ✅ | ❌ |
| IM 集成 | ✅ 多平台 | ❌ | ❌ | ❌ |
| 嵌入式客户端 | ✅ | ❌ | ❌ | ❌ |
| 开源 | ✅ MIT | ✅ MIT | ✅ MIT | ❌ |
| 本地部署 | ✅ | ✅ | ✅ | ❌ |
DeerFlow 的核心优势在于完整的执行环境——它不只是一个 Agent 编排框架，而是一个包含沙箱、记忆、技能系统的完整运行时。这使它更接近于一个"能真正干活的 AI 工作站"，而不仅仅是一个"能规划任务的 AI 助手"。
九、InfoQuest：字节跳动的智能搜索工具集成
DeerFlow 2.0 还集成了字节跳动旗下 BytePlus 独立开发的智能搜索和爬取工具集——InfoQuest。
InfoQuest 支持免费在线体验，为 DeerFlow 提供了更强大的信息获取能力，特别是在需要大规模网络信息收集和分析的场景下。
十、为什么 DeerFlow 2.0 能登顶 GitHub Trending？
回顾 DeerFlow 2.0 的成功，有几个关键因素值得关注：
1. 时机恰当：2026年初，AI Agent 领域正处于从"概念验证"到"实际落地"的关键转折点。开发者们迫切需要一个能真正处理复杂任务的框架，而不只是演示用的 Demo。
2. 完整的执行环境：沙箱 + 文件系统 + 代码执行，这三者的组合让 DeerFlow 能处理真实世界的任务，而不只是简单的信息查询。
3. 字节跳动的背书：作为全球顶级科技公司，字节跳动的开源项目天然具有可信度和关注度。
4. 社区驱动的演进：DeerFlow 2.0 的诞生本身就是社区反馈的产物——用户的实际使用方式推动了框架的根本性重设计。
5. 开放的生态：MIT 许可证 + 完全可扩展的 Skills 系统 + 多模型支持，降低了采用门槛，鼓励了社区贡献。
十一、适用场景
DeerFlow 2.0 特别适合以下场景：
- 深度研究与报告生成：自动收集、分析、综合多源信息，生成结构化报告
- 数据管道构建：自动化数据获取、处理、分析和可视化
- 内容创作工作流：从研究到写作到发布的全流程自动化
- 代码生成与分析：结合沙箱执行环境，进行复杂的代码任务
- 多步骤业务自动化：需要多个工具协作、跨越多个步骤的复杂业务流程
十二、总结
DeerFlow 2.0 代表了 AI Agent 框架发展的一个重要方向：从"能规划"到"能执行"。
它不满足于成为一个优雅的编排框架，而是提供了一个完整的执行环境——沙箱、记忆、技能、子 Agent——让 AI 真正拥有"做事"的能力，而不只是"说事"的能力。
字节跳动选择将这样一个强大的工具以 MIT 许可证开源，对整个 AI 社区来说是一份厚礼。无论你是在构建企业级 AI 应用，还是在探索 Agent 技术的边界，DeerFlow 2.0 都值得深入研究。
GitHub 地址：https://github.com/bytedance/deer-flow
官方网站：https://deerflow.tech
当前 Stars：32,700+（仍在快速增长）
本文基于 DeerFlow 2.0 官方 README 及 GitHub 项目信息整理，发布于 2026年3月22日。
Comments