字节开源 DeerFlow 2.0:重构 Super Agent 运行时基础设施
DeerFlow 2.0 发布当天便登顶 GitHub Trending,这不仅是版本更新,更是架构层面的蜕变。它从最初的'深度研究框架'进化为'Super Agent 运行时基础设施',旨在让 Agent 真正具备把事情做完的能力。
背景:从 v1 到 v2 的演进
DeerFlow(Deep Exploration and Efficient Research Flow)最初专注于 AI 深度研究——输入问题,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。
团队意识到,DeerFlow 本质上是一个让 Agent 落地运行的环境。因此,2.0 版本与 v1 没有共用任何代码,是一次彻底重写。旧版保留在 1.x 分支,主开发线全面转向 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)。如果把大模型(如 DeepSeek, Kimi)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)完美挂载在一起。
以往开发 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。

五大核心特性解析
1. Skills — Agent 能力的'乐高积木'
Skills 是 DeerFlow 能完成各种任务的关键。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。内置场景包括研究、报告生成、演示文稿制作、网页生成及多媒体处理等。
设计上是按需渐进加载:只有任务确实需要时才加载对应 Skill,有效控制 Token 消耗。此外,支持 Claude Code 深度集成,通过 claude-to-deerflow skill,可以直接在终端里和运行中的 DeerFlow 实例交互。
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 往往单线程处理,DeerFlow 则采用 Lead Agent 拆解任务,动态拉起多个 Sub-Agent 并行运行,最后汇总输出。一个典型的研究任务可拆成十几个子任务,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。这也是它能处理长链路任务的原因。
3. Sandbox 文件系统 — Agent 的'电脑'
这是 DeerFlow 区别于普通聊天机器人的根本点。每个任务运行在隔离的 Docker 容器内,拥有完整的文件系统(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,可审计且互不污染。






