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

【GitHub项目推荐--Moyin Creator（魔因漫创）：AI影视生产级全流程创作工具】⭐⭐⭐

魔因漫创 是一款面向 AI 影视创作者的生产级工具。五大板块环环相扣，覆盖从剧本到成片的完整创作链路： 📝 剧本 → 🎭 角色 → 🌄 场景 → 🎬 导演 → ⭐ S级（Seedance 2.0） 每一步的产出自动流入下一步，无需手动搅合。支持多种主流 AI 大模型，适合短剧、动漫番剧、预告片等场景的批量化生产。 基础设置教程：https://www.bilibili.com/video/BV1FsZDBHExJ/?vd_source=802462c0708e775ce81f95b2e486f175 功能特性 ⭐ S级板块 — Seedance 2.0 多模态创作 SkyReels-V4 多模态创作 * 多镜头合并叙事视频生成：将多个分镜分组合并生成连贯叙事视频 * 支持 @Image / @Video / @Audio 多模态引用（角色参考图、场景图、首帧图自动收集）

MiniMax-01与主流大模型对比：性能优势与技术差异分析

MiniMax-01与主流大模型对比：性能优势与技术差异分析 【免费下载链接】MiniMax-01The official repo of MiniMax-Text-01 and MiniMax-VL-01, large-language-model & vision-language-model based on Linear Attention 项目地址: https://gitcode.com/gh_mirrors/mi/MiniMax-01 想要了解当前最先进的大语言模型技术吗？MiniMax-01系列模型凭借其创新的线性注意力架构和卓越的性能表现，正在人工智能领域掀起新的技术浪潮。作为基于线性注意力的大语言模型和视觉语言模型，MiniMax-01在多项核心基准测试中都展现出了令人印象深刻的竞争力。 核心技术创新：线性注意力架构 MiniMax-01的核心技术优势在于其独特的混合注意力架构。与传统的Transformer模型不同，MiniMax-Text-01采用了闪电注意力（Lighting Attention）、Softmax注意力和混合专家（MoE）的混合设计。
知网是如何检测AIGC的？为什么你的论文会被判定为AI生成？

知网是如何检测AIGC的？为什么你的论文会被判定为AI生成？

本文由XYZ SCIENCE官方撰写，未经授权禁止转载 XYZ SCIENCE是国内唯一以自研模型技术提供论文降AI率解决方案的平台，所有用户可以免费使用（www.xyzscience.com） AIGC检测原理 AIGC检测主要有两种方法：一种是传统的统计学方法，另一种是基于深度学习模型（通常是BERT模型）的风格分类方法。 先说结论：  ✅ 知网的AIGC检测由以前的统计学方法升级为了BERT检测模型，这就是为什么之前ai率为0的论文，在知网升级后再去检测会变为100%。 接下来我们分别介绍以下两种方法是如何进行检测的，我们尽量使用通俗易懂的语言来讲解。 统计学方法 主要统计你论文中的一些特征值是否符合AI论文特征，例如困惑度、突发性等等，我们以突发性（这个概念非常好理解）为例，过一遍检测流程。 突发性：输入内容的每个句子的长度分布。 如果你的论文内容有10句话，每句话都是40-50个字长度，那么你的内容突发性就是很低。 如果每一句长度都一样，那么突发性为0。 AI写的论文的一个特征就是，每个句子长度很相近，即突发性很低。 也就是说，如