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

— 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？

  1. 大厂背书：字节跳动出品，经过真实业务场景验证
  2. 架构先进：基于 LangGraph 和 LangChain 构建，设计优雅
  3. 功能完整：开箱即用的文件系统、记忆系统、沙箱执行
  4. 高度可扩展：支持自定义技能、工具、MCP 服务器
  5. 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
TelegramBot API (长轮询)简单
SlackSocket Mode中等
飞书/LarkWebSocket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

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: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：

  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。

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

Read more

爆火的OpenClaw到底是个啥？一文看透这只“AI龙虾”的真面目与暗坑

爆火的OpenClaw到底是个啥？一文看透这只“AI龙虾”的真面目与暗坑

目录 前言 一、OpenClaw是什么？——它不是“最强大脑”，而是一双“手” 二、它能干什么？为什么让这么多人兴奋？ 2.1 拥有“全局记忆”，它能越来越懂你 2.2 从“被动回答”到“主动干活” 2.3 深度的本地控制权 三、滤镜碎裂：这只“龙虾”背后的四个深坑 3.1 第一个坑：灾难级的安全隐患（最致命） 3.2 第二个坑：极不稳定的“办事能力” 3.3 第三个坑：令人咋舌的“烧钱”速度 3.4 第四个坑：大厂为什么不做？
医疗AI场景下算法编程的深度解析（2026新生培训讲稿）（总结）

医疗AI场景下算法编程的深度解析（2026新生培训讲稿）（总结）

项目总结与完整Python程序 通过本书的学习，我们从医疗AI的基础知识出发，系统掌握了经典机器学习算法的原理与医疗应用，深入探讨了数据处理、特征工程、模型评估、可解释性、不平衡问题处理、模型融合等进阶技术，并在第16章中以ICU败血症早期预警系统为例，完整演示了从问题定义到模型部署的全流程。现在，我们将所有这些知识整合为一个统一的Python程序，实现败血症预测的端到端流程，包括： * 模拟生成符合MIMIC-III分布的数据集 * 数据预处理与特征工程 * 多模型训练（逻辑回归、随机森林、XGBoost） * 模型融合（Stacking） * 超参数调优与不平衡处理 * 模型评估（AUC、PR AUC、分类报告、混淆矩阵） * 可解释性分析（SHAP） * 阈值选择与决策曲线 * 模型保存与简单API示例 该程序可直接运行（需要安装相关库），可作为医疗AI项目的模板。 完整Python程序 # -*- coding: utf-8 -*-
零基础玩转 Ollama：2026年本地AI大模型部署完整指南

零基础玩转 Ollama：2026年本地AI大模型部署完整指南

这是一篇专为纯新手打造的本地大模型部署教程。不用写代码、不用懂复杂配置、不用买服务器，只要你有一台普通电脑，跟着步骤走，30分钟内就能让强大的AI模型在你电脑上跑起来！ 📋 目录 1. 为什么需要本地部署大模型？ 2. 什么是 Ollama？ 3. 系统要求与前置准备 4. Ollama 安装教程（Windows/Mac/Linux） 5. 常用命令详解 6. 2026年热门模型推荐 7. 实战案例：打造你的私人AI助手 8. 进阶配置：可视化界面与API调用 9. 常见问题与解决方案 10. 总结与资源 一、为什么需要本地部署大模型？ 在 AI 越来越普及的今天，ChatGPT、Claude 等云端 AI 工具虽然好用，但总面临以下问题： 问题说明🔒 数据隐私公司代码、文档不敢随便传到云上，怕有泄露风险�
零基础也能学！Python+AI入门完整指南

零基础也能学！Python+AI入门完整指南

欢迎文末添加好友交流，共同进步！ “ 俺はモンキー・D・ルフィ。海贼王になる男だ！” * 📖 前言 * 🎯 为什么选择Python学习AI？ * Python在AI领域的优势 * 🗺️ Python+AI学习路线图 * 📚 第一阶段：Python基础入门（1-2个月） * 1.1 环境搭建 * 1.2 Python基础语法 * 第一个Python程序 * 条件语句与循环 * 函数与模块 * 📊 第二阶段：数据科学基础（2-3个月） * 2.1 NumPy - 数值计算基础 * 2.2 Pandas - 数据处理利器 * 2.3 Matplotlib - 数据可视化 * 🤖 第三阶段：机器学习入门（3-4个月） * 3.1 Scikit-learn安装与导入 * 3.2 第一个机器学习模型