DeerFlow 2.0 开源超级 Agent 框架技术解析

DeerFlow 2.0 开源超级 Agent 框架技术解析

项目介绍

DeerFlow（Deep Exploration and Efficient Research Flow）是一款超级 Agent 框架。DeerFlow 2.0 发布后迅速获得关注，目前已有近 40,000 颗星。

与传统的 AI 框架不同，DeerFlow 不仅仅是一个聊天机器人，它是一个真正能干活的 Agent 运行环境。它拥有自己的文件系统、沙箱执行环境、长期记忆系统，可以自主规划任务并调度多个子 Agent 协同工作。

主要特性

1. 架构先进：基于 LangGraph 和 LangChain 构建，设计优雅
2. 功能完整：开箱即用的文件系统、记忆系统、沙箱执行
3. 高度可扩展：支持自定义技能、工具、MCP 服务器
4. 多模型支持：兼容 OpenAI API 格式的所有大模型

核心功能

1. 技能系统（Skills）

DeerFlow 的核心是技能系统。每个技能是一个结构化的能力模块，包含工作流程、最佳实践和相关资源引用。

内置技能包括：

• 🔍 深度研究（Research）
• 📝 报告生成（Report Generation）
• 📊 PPT 制作（Slide Creation）
• 🌐 网页生成（Web Page）
• 🎨 图片/视频生成（Image/Video Generation）

技能按需加载，不会一次性占用大量上下文，这对 Token 敏感的模型非常友好。

/mnt/skills/public ├── research/SKILL.md ├── report-generation/SKILL.md ├── slide-creation/SKILL.md ├── web-page/SKILL.md └── image-generation/SKILL.md 

2. 子 Agent 系统（Sub-Agents）

复杂任务很少能一次完成。DeerFlow 可以将任务分解，动态生成多个子 Agent 并行执行。

• 每个子 Agent 有独立的作用域上下文
• 子 Agent 可以并行执行，提高效率
• 主 Agent 负责汇总所有结果，生成最终输出

例如：一个研究任务可以分解为十多个子 Agent，每个探索不同角度，最终汇聚成一份完整报告。

3. 沙箱执行环境（Sandbox）

DeerFlow 不只是说说而已，它有自己的电脑——每个任务在独立的 Docker 容器中运行：

• ✅ 完整的文件系统
• ✅ Bash 命令执行
• ✅ 代码运行能力
• ✅ 图片查看能力
• ✅ 会话隔离，零污染

/mnt/user-data/ ├── uploads/ # 用户上传的文件 ├── workspace/ # Agent 工作目录 └── outputs/ # 最终交付物 

4. 长期记忆（Long-Term Memory）

大多数 Agent 在对话结束后就忘记一切。DeerFlow 会记住：

• 用户画像和偏好
• 技术栈信息
• 重复的工作流程
• 历史交互经验

记忆本地存储，完全由用户控制。系统会自动去重，避免重复信息无限累积。

5. 多通道集成（IM Channels）

DeerFlow 支持多种即时通讯工具接入：

通道	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

无需公网 IP，所有通道配置后即可自动启动。

6. Claude Code 集成

通过 claude-to-deerflow 技能，可以直接在 Claude Code 中与 DeerFlow 交互：

npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow 

支持的功能：

• 发送任务并获取流式响应
• 选择执行模式：flash/fast/standard/pro/ultra
• 查看健康状态、模型、技能列表
• 管理对话线程和历史
• 上传文件进行分析

使用方法

快速开始

1. 克隆项目

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

2. 生成配置文件

make config

这会基于模板创建本地配置文件。

3. 配置模型

编辑 config.yaml，配置至少一个模型：

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
- 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

4. 设置 API Key

推荐方式：编辑项目根目录的 .env 文件

TAVILY_API_KEY=your-tavily-api-key
OPENAI_API_KEY=your-openai-api-key
INFOQUEST_API_KEY=your-infoquest-api-key

5. 启动服务

Docker 方式（推荐）：

make docker-init # 拉取沙箱镜像（只需一次）
make docker-start # 启动服务

本地开发方式：

make check # 检查依赖
make install # 安装依赖
make dev # 启动服务

访问：http://localhost:2026

推荐模型

DeerFlow 官方推荐使用以下模型以获得最佳体验：

• Doubao-Seed-2.0-Code
• DeepSeek v3.2
• Kimi 2.5

这些模型支持：

• 长上下文（100k+ tokens）
• 强大的推理能力
• 多模态输入
• 可靠的工具调用

飞书/钉钉集成示例

在 config.yaml 中配置：

channels:
  feishu:
    enabled: true
    app_id: $FEISHU_APP_ID
    app_secret: $FEISHU_APP_SECRET
  slack:
    enabled: true
    bot_token: $SLACK_BOT_TOKEN
    app_token: $SLACK_APP_TOKEN

在 .env 中设置对应的密钥即可。

技术架构

DeerFlow 2.0 是完全重写的版本，与 1.x 没有任何代码共享。核心架构：

┌─────────────────────────────────────────┐
│ Gateway (API Gateway) │
├─────────────────────────────────────────┤
│ LangGraph Agent Server │
├──────────────┬──────────────┬───────────┤
│ Skills │ Tools │ Memory │
├──────────────┴──────────────┴───────────┤
│ Sandbox (Docker/K8s) │
└─────────────────────────────────────────┘

• Gateway：统一 API 入口，处理认证、路由、会话管理
• LangGraph Server：Agent 编排引擎
• Skills/Tools：可扩展的能力模块
• Memory：长期记忆存储
• Sandbox：隔离执行环境

实际应用场景

DeerFlow 已经超越最初的研究工具定位，社区开发者用它实现了：

• 📊 数据管道自动化
• 📽️ PPT/幻灯片自动生成
• 📈 数据看板搭建
• 📝 内容工作流自动化
• 🔍 深度市场调研
• 💻 代码生成和审查

总结

DeerFlow 2.0 代表了一个重要趋势：AI Agent 正在从聊天走向干活。

它不是又一个聊天机器人包装器，而是一个真正能让 AI 执行复杂任务的运行环境。通过沙箱隔离、多 Agent 协作、长期记忆等设计，DeerFlow 解决了传统 Agent 框架的几个关键痛点：

1. 上下文限制：通过子 Agent 分解和上下文摘要
2. 执行能力：通过沙箱提供真实的执行环境
3. 记忆缺失：通过长期记忆系统跨会话学习
4. 扩展困难：通过技能和 MCP 服务器轻松扩展

如果你正在构建 AI 应用，或者想让 AI 帮你完成实际工作，DeerFlow 绝对值得关注。