DeerFlow 2.0 开源
从研究工具到超级智能体
DeerFlow 最初是一个深度研究框架，后被开发者扩展用于构建数据管道、生成幻灯片、搭建仪表盘及自动化内容工作流。团队意识到其不仅是工具，更是一个让智能体真正能够完成工作的运行环境，因此从零重写推出了 DeerFlow 2.0。
什么是 DeerFlow？
DeerFlow 是一个超级智能体套件，通过编排子智能体、记忆系统和沙盒环境，处理复杂任务。基于 LangGraph 和 LangChain 构建，它开箱即用地提供了文件系统、记忆、技能、沙盒执行环境，以及规划和生成子智能体的能力。
核心特性
技能系统
技能是结构化的能力模块（Markdown 文件），定义工作流程、最佳实践和参考资源。内置研究、报告生成、网页开发等技能，支持自定义添加、替换或组合。技能按需加载，保持精简的上下文窗口。
子智能体
主导智能体将复杂任务分解为子智能体，每个拥有独立的上下文、工具和终止条件。子智能体并行运行并报告结构化结果，由主导智能体综合输出。例如，一个研究任务可派生出多个子智能体探索不同角度，最终汇聚成报告或网站。
沙盒与文件系统
每个任务在独立的 Docker 容器中运行，拥有完整的文件系统（技能、工作空间、上传、输出）。智能体可读写文件、执行命令和代码、查看图像。全部沙盒化且可审计，会话间零污染。
上下文工程
对上下文管理采取激进策略：总结已完成的子任务，将中间结果卸载到文件系统，压缩不再立即相关的内容，确保长多步骤任务中不撑爆上下文窗口。
长期记忆
在会话之间建立关于用户档案、偏好和积累知识的持久记忆。记忆存储在本地，完全由用户控制。
技术架构
DeerFlow 2.0 从零重写，与 v1 无共享代码。基于 LangGraph 和 LangChain，支持多种沙盒执行模式：
- 本地执行：直接在主机上运行沙盒代码
- Docker 执行：在独立的 Docker 容器中运行
- Kubernetes 执行：通过 provisioner 服务在 Kubernetes pod 中运行
快速开始
推荐使用 Docker 方式：
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config
# 编辑 config.yaml 配置你的模型，至少配置一个模型（如 GPT-4）
make docker-init # 拉取沙盒镜像（只需一次）
make docker-start # 启动服务
# 访问 http://localhost:2026
也支持本地开发模式：
make check # 检查前置条件
make dev # 启动开发服务
推荐模型
DeerFlow 是模型无关的，适用于任何实现 OpenAI 兼容 API 的 LLM。表现最佳的模型需支持以下功能：
- 长上下文窗口（100k+ tokens）用于深度研究和多步骤任务
- 推理能力用于自适应规划和复杂分解
- 多模态输入用于图像理解和视频理解
- 强大的工具使用用于可靠的函数调用和结构化输出
