字节开源 DeerFlow 2.0：从深度研究到 Super Agent 基础设施

/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：

1. 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。
2. 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，你可以直接在聊天窗口里使用 /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。

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：

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

DOCKER 启动（推荐）：

make docker-init # 首次拉取 sandbox 镜像
make docker-start # 启动服务
# 访问 http://localhost:2026

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：

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：Super Agent 时代的基础设施

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。