DeerFlow 2.0 发布时，其官网标语 "Do Anything" 引人注目。这标志着字节跳动将该项目彻底重写，从最初的深度研究框架转型为 Super Agent 调度框架。新版本在发布当天便登顶 GitHub Trending 第一名，这不仅是功能迭代，更是运行环境的根本性蜕变。
背景：从 v1 到 v2 的跨越
DeerFlow（Deep Exploration and Efficient Research Flow）最初专注于 AI 深度研究——输入问题，它负责搜索、整理并输出报告。但社区的实际用法远超预期，开发者用它搭建数据流水线、生成演示文稿、自动化内容生产甚至快速构建 Dashboard。这让团队意识到，DeerFlow 本质上是一个让 Agent 真正把事情做完的运行环境。
核心变化在于代码完全重写。旧版（Deep Research 框架）保留在 1.x 分支，主开发线已全面转向 2.0。
核心定位：Super Agent Harness
官方将其定位为 Super Agent Harness（超级 Agent 调度框架）。简单来说，如果把大模型（如 DeepSeek, Kimi, Doubao）比作发动机，DeerFlow 就是那台复杂的 F1 赛车底盘。它将 Sub-agents（子智能体）、Memory（记忆）、Sandbox（沙箱）和 Skills（技能）完美地挂载在一起。
对开发者而言，以往编写 Agent 需要处理繁琐的上下文管理、文件读写权限和多任务并行。DeerFlow 2.0 将这些基础设施标准化了，让开发者能更专注于业务逻辑。
五大核心特性解析
1. Skills — Agent 能力的'乐高积木'
Skills 是 DeerFlow 能完成几乎任何事情的关键。一个标准 Skill 通常就是一个 Markdown 文件，定义了工作流、最佳实践和参考资源。内置了研究、报告生成、演示文稿制作、网页生成等场景的 Skill。
关键设计是按需渐进加载：不会一次性把所有 Skill 塞进上下文，只有任务确实需要时才加载，有效控制 Token 消耗。
例如通过 claude-to-deerflow skill，可以直接在终端与 DeerFlow 实例交互。安装命令如下：
npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow
2. Sub-Agents — 并行执行复杂任务
传统 Agent 处理复杂任务往往是'一条线走到底'。DeerFlow 不同：Lead Agent 会先拆解任务，然后动态拉起多个 Sub-Agent，条件允许时并行运行，最后汇总成完整输出。
一个典型的研究任务可以被拆成十几个 Sub-Agent，分别探索不同方向，最终合并成报告、网站或带视觉内容的演示文稿。这也是 DeerFlow 能处理'从几分钟到几小时'长任务的原因。
3. Sandbox 文件系统 — Agent 有了自己的'电脑'
这是 DeerFlow 和'带工具的聊天机器人'之间最根本的差别：Agent 有一台真正的'电脑'。
每个任务运行在隔离的 Docker 容器里，内有完整文件系统（如 /mnt/user-data/）。Agent 可以读写编辑文件、执行 Bash 命令和代码、查看图片，全程在 Sandbox 内完成，可审计、隔离，不同 session 之间互不污染。
4. Context Engineering — 长任务不'忘事'
DeerFlow 在上下文管理上做了两件事：
- Sub-Agent 上下文隔离：每个 Sub-Agent 只看到自己的上下文，不会被主 Agent 或其他 Sub-Agent 的信息干扰，保持专注。
- 摘要压缩：在单个 session 内，主动总结已完成的子任务、把中间结果转存到文件系统、压缩暂时不重要的信息，在长链路任务里也能保持聚焦，不会轻易打爆上下文窗口。
5. 长期记忆 — 越用越了解你
大多数 Agent 结束对话后一切归零，DeerFlow 2.0 跨 session 会逐步积累关于你的持久记忆：个人偏好、知识背景、写作风格、技术栈、重复出现的工作流。记忆保存在本地，控制权始终在你手里。
多端接入：不只是终端工具
DeerFlow 2.0 支持通过 IM 应用直接下发任务，无需公网 IP。连接后，你可以在聊天窗口里使用 /new、/models、/memory 等命令和 DeerFlow 交互，普通消息则作为自然语言任务处理。
| 渠道 | 传输方式 | 上手难度 |
|---|---|---|
| Telegram Bot API | Long-polling | 简单 |
| Slack | Socket Mode | 中等 |
| 飞书 / Lark | WebSocket | 中等 |
快速上手：10 分钟跑起来
推荐使用 Docker 方式，最省心。
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config # 生成本地配置文件
# 编辑 config.yaml 配置模型
在 config.yaml 中配置模型信息，例如：
models:
- name: gpt-4
display_name: GPT-4
use: langchain_openai:ChatOpenAI
model: gpt-4
api_key: $OPENAI_API_KEY
max_tokens: 4096
temperature: 0.7
启动服务：
make docker-init # 首次拉取 sandbox 镜像
make docker-start # 启动服务
# 访问 http://localhost:2026
如果不想手动操作，也可以给 Coding Agent 发送指令让它帮你初始化环境，例如：'如果还没 clone DeerFlow，就先 clone，然后按照官方文档把它的本地开发环境初始化好'。
推荐使用的模型
DeerFlow 不绑定特定模型，只要实现了 OpenAI 兼容 API 即可接入。官方推荐以下几款表现较好的模型：
| 模型 | 特点 | 适用场景 |
|---|---|---|
| Doubao-Seed-2.0-Code | 字节自研，代码能力强 | 编程类任务 |
| DeepSeek v3.2 | 推理能力强，长上下文 | 深度研究、复杂拆解 |
| Kimi 2.5 | 长上下文、多模态 | 文档分析、多模态任务 |
优先考虑具备以下能力的模型：100k+ tokens 长上下文窗口、强推理能力、稳定的 Tool Use 支持，以及多模态输入理解。
Python SDK 内嵌使用
不想启动完整 HTTP 服务？DeerFlow 也可以作为 Python 库直接使用。
from deerflow.client import DeerFlowClient
client = DeerFlowClient()
# 普通对话
response = client.chat("帮我分析这篇论文", thread_id="my-thread")
# 流式输出
for event in client.stream("最新的 AI Agent 趋势"):
if event.type == "messages-tuple" and event.data.get("type") == "ai":
print(event.data["content"])
# 管理能力
models = client.list_models()
skills = client.list_skills()
client.upload_files("thread-1", ["./report.pdf"])
DeerFlow 具备系统指令执行、文件读写等高权限能力，默认仅建议在本地可信环境（127.0.0.1）部署。若需跨设备访问，务必配置 IP 白名单、前置身份验证（Nginx 反向代理）或网络隔离（VLAN）等安全措施。
总结
DeerFlow 2.0 真正有趣的地方，不在于它能做什么，而在于它如何把'做事'这件事本身系统化了。大多数 Agent 项目解决的是'用 LLM 完成任务'的问题，而 DeerFlow 解决的是更底层的问题：如何给 Agent 一个真实可靠的运行环境，让它有文件系统、有记忆、有工具、有并行执行能力，最终真正把复杂的、需要小时级才能完成的任务落地。
这是从 ChatBot 到 Agent 的本质跃迁，而 DeerFlow 2.0，是目前开源社区里走得最彻底的那个。