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

10 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

AI的提示词专栏：多语言 Prompt，中文、英文、日文混写的实践

AI的提示词专栏：多语言 Prompt，中文、英文、日文混写的实践本文围绕多语言 Prompt（中文、英文、日文混写）展开全面实践探讨，先阐述其打破跨语言信息壁垒、提升专业场景精准度、适配多语言用户需求的核心价值，再分析中、英、日三种语言特性对 Prompt 编写的影响，接着提出语言标识清晰、核心需求统一、文化适配性的基础编写原则与语言切换逻辑设计、术语对齐、混合语言优先级设定的进阶技巧。文中结合跨境电商产品文案生成、国际学术论文摘要撰写、跨国企业会议纪要制作三大行业实战案例，展示多语言 Prompt 的应用方法，还针对模型语言混淆、术语翻译偏差、文化适配不当等常见问题给出解决方案，最后总结核心要点并展望自动化语言适配、多模态多语言融合等未来趋势，为全球化场景下多语言 Prompt 的使用提供全面指导。人工智能专栏介绍人工智能学习合集专栏是 AI 学习者的实用工具。它像一个全面的 AI 知识库，把提示词设计、AI 创作、智能绘图等多个细分领域的知识整合起来。

【程序员必备技能】：如何在VSCode中打造专属AI智能体？

第一章：VSCode中自定义AI智能体的核心概念在现代软件开发中，VSCode 已不仅是代码编辑器，更演变为可编程的开发环境。通过扩展机制与开放 API，开发者可在其中构建具备上下文理解、自动推理和交互能力的 AI 智能体。这类智能体并非独立运行，而是深度集成于编辑器生命周期中，响应用户操作、分析代码语义并提供智能化建议。智能体的基本构成一个典型的 VSCode AI 智能体由以下核心组件构成： * 命令注册系统：通过 package.json 中的 contributes.commands 注册可调用动作 * 语言服务器协议（LSP）客户端：连接本地或远程语言模型，实现语义解析 * 上下文感知引擎：读取当前文档、选区、工作区配置等环境信息 * 响应处理器：执行生成、重构、解释等任务，并将结果安全注入编辑器扩展配置示例 { "contributes": { "commands"

$19.99 订阅值不值？Google AI Pro 全面评测以及订阅会员权益功能解析详情

从单一工具到代理生态：Google AI Pro 深度评测报告写在前面：2025 年 11 月，这注定是 AI 发展史上的一个分水岭。当我们将目光聚焦在 Google 刚刚完成的消费者订阅服务重组时，会发现原来的 “Google One AI Premium” 已成历史，取而代之的是层级更分明、野心更大的 Google AI Pro 与 Google AI Ultra。这不只是改个名字那么简单。这代表了 Google 战略重心的根本性位移：从卖“聊天机器人”的访问权，转向构建一个由“智能代理（Agents）”驱动的生产力生态。本文将为你剥开营销术语的外衣，对 Google AI Pro（$19.99/月）

2026最新 Dify 私有化部署完整教程：从0到1搭建专属AI知识库平台

2026最新 Dify 私有化部署完整教程：从0到1搭建专属AI知识库平台本文适配 Dify 1.13.0+ 最新社区版，全程可复现，新手友好。覆盖国内服务器加速部署、外接已有MySQL/Redis（关键避坑）、云服务器DNS解析、Nginx反向代理+HTTPS、API对外提供全流程，解决部署过程中99%的坑。前言 Dify 是一款开源的大语言模型应用开发平台，凭借可视化编排、企业级RAG知识库、全链路LLMOps能力，让个人开发者和中小企业都能快速搭建专属AI应用、知识库问答系统，还能封装成API对外提供服务。本文基于国内云服务器环境（Ubuntu 22.04），全程使用国内加速源，重点解决了外接MySQL/Redis时的依赖报错、服务名解析失败等核心问题，最终实现生产级可用的私有化Dify平台。你能从本文学到 1. 零基础完成Dify私有化部署，适配国内服务器环境 2. 完美复用服务器已有MySQL/Redis，不启动冗余容器（核心避坑） 3.

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