DeerFlow 2.0：字节开源的超级 Agent 框架，让 AI 真正干活

优质文章学习记录

09 Apr 2026 — 6 min read

DeerFlow 2.0：字节开源的超级 Agent 框架，让 AI 真正干活

作者：madprinter
日期：2026-03-24
项目地址：https://github.com/bytedance/deer-flow

项目介绍

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动开源的一款超级 Agent 框架。2026 年 2 月 28 日，DeerFlow 2.0 正式发布后迅速登顶 GitHub Trending 榜首，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。

为什么 DeerFlow 值得关注？

大厂背书：字节跳动出品，经过真实业务场景验证
架构先进：基于 LangGraph 和 LangChain 构建，设计优雅
功能完整：开箱即用的文件系统、记忆系统、沙箱执行
高度可扩展：支持自定义技能、工具、MCP 服务器
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-4display_name: GPT-4use: langchain_openai:ChatOpenAI model: gpt-4api_key: $OPENAI_API_KEY max_tokens:4096temperature: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makeinstall# 安装依赖make dev # 启动服务

访问：http://localhost:2026

飞书/钉钉集成示例

在 config.yaml 中配置：

channels:feishu:enabled:trueapp_id: $FEISHU_APP_ID app_secret: $FEISHU_APP_SECRET slack:enabled:truebot_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：

上下文限制：通过子 Agent 分解和上下文摘要
执行能力：通过沙箱提供真实的执行环境
记忆缺失：通过长期记忆系统跨会话学习
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。

相关资源：

项目地址：https://github.com/bytedance/deer-flow
官方网站：https://deerflow.tech
中文文档：https://github.com/bytedance/deer-flow/blob/main/README_zh.md
InfoQuest 搜索工具：https://docs.byteplus.com/en/docs/InfoQuest/What_is_Info_Quest

OpenClaw接入企业微信全攻略：从0到1打通企业AI协作通道

摘要：本文详细介绍了将OpenClaw AI框架接入企业微信的完整方案。通过两种主流接入方式（API模式机器人和自建应用），企业可以快速实现智能问答、流程自动化等AI能力落地。文章重点讲解了从前期准备、核心接入流程到生产环境部署的全套实操步骤，包括权限配置、网络设置、参数对接等关键环节。同时提供了进阶优化建议，如后台守护、HTTPS加固、权限管控等企业级功能配置，以及常见问题排查方法。该方案能有效解决企业信息孤岛问题，将AI能力无缝嵌入员工日常办公场景，在保障数据安全的同时显著提升工作效率。目录一、前言：为什么要将OpenClaw接入企业微信？二、接入前置准备 OpenClaw介绍接入准备工作三、核心接入流程（两种方案任选）方案一：API模式机器人接入（新手首选，快速上手）步骤1：企业微信后台创建API模式机器人步骤2：OpenClaw安装企微插件并配置参数步骤3：完成机器人创建并测试联调方案二：企业微信自建应用接入（企业级进阶方案）步骤1：企业微信创建自建应用并获取核心凭证步骤2：OpenClaw配置自建应用核心参数步骤3：启用应

用飞算 JavaAI 开发高校设备管理系统！从需求到上线，毕业设计 3 天搞定

前言在高校教学与科研活动中，大型实验设备是重要的资源支撑，但传统人工管理模式常面临设备信息不透明、预约流程繁琐、使用记录难追溯等问题。为解决这一痛点，我以“高校大型实验设备管理与预约信息系统”作为毕业设计主题，借助飞算JavaAI工具完成系统开发。本文将详细记录从需求分析到代码生成、优化调试的全过程，分享飞算JavaAI在实际开发中的应用体验。一、需求分析与规划 1. 功能需求高校大型实验设备管理与预约信息系统需满足三类用户（管理员、教师、学生）的核心需求，具体拆解如下： * 管理员端：设备信息管理（新增、编辑、删除设备型号、规格、存放位置、故障状态等）、用户管理（新增教师/学生账号、分配权限）、预约审核（审核教师/学生的设备预约申请）、使用统计（按设备类型、时间段统计使用频次、预约成功率）； * 教师端：设备查询（按设备名称、类型、可用状态筛选）、预约申请（选择设备、

从安装到实战：Topaz Gigapixel AI 8.2.3汉化版完整使用指南（含模型迁移教程）

从零精通AI图像放大：Topaz Gigapixel AI 8.2.3深度实战与模型迁移全解析你是否曾面对一张珍贵的低分辨率老照片，渴望将其放大打印，却担心画质会变得模糊不堪？或者，作为一名电商设计师，需要将商品主图放大到巨幅广告尺寸，却苦于细节丢失、边缘锯齿？在数字内容创作日益精细化的今天，图像的分辨率往往直接决定了作品的最终呈现效果和商业价值。传统插值放大技术早已捉襟见肘，而基于深度学习的人工智能图像放大，正悄然改变着游戏规则。 Topaz Gigapixel AI 正是这一领域的佼佼者。它不仅仅是一个“放大”工具，更是一个能够理解图像内容、智能重建细节的“数字艺术家”。其核心在于利用经过海量图像训练的神经网络，在放大过程中主动“创造”出符合视觉逻辑的纹理和细节，而非简单粗暴地拉伸像素。对于摄影师、设计师、电商从业者、档案修复工作者乃至普通爱好者而言，掌握这样一款工具，意味着拥有了将有限像素转化为无限可能的钥匙。本文将带你深入Topaz Gigapixel AI 8.2.3的世界，不仅涵盖从软件获取、安装配置到汉化使用的完整流程，更将重点剖析其核心的AI模型机制，

2026年GitHub第一项目OpenClaw全攻略：手把手教你打造私人AI管家

"当你还在用微信机器人聊天，极客们早已让AI接管了整个数字生活" 🌟 导语：时间来到2026，如果你还没听过OpenClaw 当GitHub统计页面刷新的那一刻，整个技术圈沸腾了——OpenClaw（曾用名ClawdBot）以6.8万Star登顶年度第一，超越了Linux和React等传奇项目。这不是又一个聊天机器人，而是真正能"行动"的AI系统：它能整理你的文件、管理日程、分析数据，甚至为你预订机票。区别在于：普通AI只能"说"，而OpenClaw能"做"。今天，我将从零开始，带你安装这个改变生产力的工具，并分享那些让同行羡慕的高级玩法。不需要你是技术大牛，只要肯花30分钟，你也能拥有自己的"贾维斯"。 🔍 一、OpenClaw vs 普通AI：为什么它能颠覆工作流？你可能听过MCP和Skills这些概念，但它们到底意味着什么？

DeerFlow 2.0：字节开源的超级 Agent 框架，让 AI 真正干活

优质文章学习记录