字节开源 DeerFlow 2.0：重构 Super Agent 运行时基础设施

4. Context Engineering — 长任务不'忘事'

在上下文管理上做了两件事：

• Sub-Agent 上下文隔离：每个子智能体只看到自己的上下文，保持专注。
• 摘要压缩：主动总结已完成子任务，将中间结果转存到文件系统，压缩暂时不重要的信息，避免打爆上下文窗口。

5. 长期记忆 — 越用越了解你

大多数 Agent 结束对话后归零，DeerFlow 2.0 跨 session 会逐步积累持久记忆：个人偏好、知识背景、写作风格、技术栈等。记忆保存在本地，控制权始终在你手里。

多端接入与快速上手

DeerFlow 2.0 支持通过 IM 应用直接下发任务，无需公网 IP。连接后可直接在聊天窗口使用 /new、/models、/memory 等命令交互。

推荐使用 Docker 方式部署，最省心。

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

如果你在使用 Claude Code、Cursor 或 Codex，也可以直接发送指令让 Coding Agent 帮你完成安装：

"如果还没 clone DeerFlow，就先 clone，然后按照 https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.md 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：

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、前置身份验证或网络隔离等安全措施。

总结：Super Agent 时代的基础设施

DeerFlow 2.0 的真正价值在于它把'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'，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。