字节跳动 DeerFlow 2.0 开源：构建能“动手做事”的超级智能体框架

规划器：研究路线设计师

规划器制定详细的研究计划，确定最佳信息获取途径，设计合理的研究步骤，预估每个环节所需时间，并能动态调整研究策略。在实际应用中，它会决定优先使用搜索引擎、爬取特定网站，还是调用已有数据库资源。

研究团队：信息处理专家

研究团队由多个专业角色组成，包括负责信息检索和初步分析的研究员、处理编程任务的编码员以及对收集数据进行深度挖掘的数据分析师。这些角色协同工作，如同专业的研究小组。

报告员：内容呈现专家

报告员将研究成果转化为易于理解的形式，自动生成结构化研究报告，创建图文并茂的演示文档，制作专业水准的播客内容，并根据用户偏好调整输出风格。

2.3 技术栈全景图

后端技术：

• Python 3.12+：核心运行环境
• FastAPI：高性能 Web 框架
• LangGraph：多智能体工作流编排
• LangChain：LLM 应用开发框架
• LiteLLM：统一 LLM API 接口

前端技术：

• Next.js 15：React 全栈框架
• TypeScript：类型安全的 JavaScript
• Tailwind CSS：实用优先的 CSS 框架

开发工具：

• uv：现代 Python 包管理器
• pnpm：高效的 Node.js 包管理器
• Docker：容器化部署

三、核心特性：让 AI 真正'动手做事'

3.1 技能系统：可插拔的能力模块

这是 DeerFlow 最核心的特点。技能是一个结构化的能力模块——一个 Markdown 文件，定义了工作流程、最佳实践和参考资源。

内置技能包括：

• 深度研究
• 数据分析
• 图表生成
• 音视频创作
• 报告生成
• 幻灯片创建

关键优势：

• 按需加载：只有任务需要时才加载，保持精简上下文窗口
• 可扩展：用户可添加自定义技能
• 可组合：多个技能可组合成复合工作流

3.2 子智能体：并行处理复杂任务

复杂任务很少能一次完成，DeerFlow 会把它们分解。主导智能体可以即时生成子智能体，每个都有自己的上下文、工具和终止条件。

例如，一个研究任务可能会派生出十几个子智能体，每个探索不同角度，尽可能并行运行，最后由主导智能体综合成连贯输出。

3.3 沙盒与文件系统：安全的执行环境

DeerFlow 有自己的'电脑'。每个任务都在独立 Docker 容器中运行，拥有完整文件系统：

• 技能目录：存放各种技能模块
• 工作空间：任务执行的主目录
• 上传目录：用户上传的文件
• 输出目录：生成的报告、图表等

三种运行模式：

• 本地模式：快速开发测试
• Docker 模式：隔离级别更高（采用字节开源的 AIO Sandbox）
• Kubernetes 模式：生产环境部署

3.4 多源搜索集成：信息收集无死角

DeerFlow 支持多种搜索引擎，包括专业的 AI 搜索 API（Tavily）、独立的搜索引擎（Brave Search）、学术论文搜索（Arxiv）以及字节 Plus 开发的智能搜索工具集（InfoQuest）。还能结合 Jina 爬虫做深度信息提取，支持多语言跨语言搜索。

四、快速部署：从零到一上手

4.1 环境要求

4.2 一键部署步骤

# 1. 克隆项目仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 使用 uv 自动安装所有 Python 依赖
uv sync

# 3. 复制配置文件
cp .env.example .env
cp conf.yaml.example conf.yaml

# 4. 配置 API 密钥（编辑.env 文件）
# 设置搜索引擎 API 密钥和大模型配置

# 5. 启动服务
# Linux/Mac 系统
./bootstrap.sh -d
# Windows 系统
bootstrap.bat -d

4.3 服务状态检查

# 检查 vllm 服务状态
cat /root/workspace/llm.log 
# 检查 DeerFlow 主服务状态
cat /root/workspace/bootstrap.log 

正常启动后，访问 http://localhost:3000 即可打开 Web 界面。

五、实战案例：真实应用场景

5.1 学术研究：自动生成文献综述

任务： 生成一篇关于'大语言模型在代码生成中的应用与挑战'的文献综述。

DeerFlow 工作流程：

1. 协调器接收任务，识别为学术研究类型。
2. 规划器制定研究计划：搜索 Arxiv、Google Scholar 等学术数据库，筛选最新论文，提取关键观点和数据。
3. 研究团队并行执行：研究员搜索并阅读 50+ 篇论文，编码员提取引用数据、生成统计图表。
4. 报告员整合信息，生成结构化综述。

结果： 几小时内完成传统方式需要数天的工作量，质量达到发表标准。

5.2 商业分析：竞品报告与投资建议

任务： 分析新能源汽车行业竞争格局，提供投资建议。

DeerFlow 能力展现：

• 自动收集行业宏观数据
• 分析头部企业财报
• 对比产品技术路线
• 评估市场机会
• 生成可视化图表
• 输出结构化商业分析报告

优势： 信息全面、数据准确、逻辑清晰，为决策提供有力支撑。

5.3 内容创作：从研究到播客的全流程

任务： 制作一期关于'AI 如何改变内容创作'的播客节目。

DeerFlow 执行过程：

1. 深度研究主题，收集最新行业动态。
2. 提取权威数据和生动案例。
3. 组织成适合音频表达的脚本。
4. 调用 TTS 服务生成自然语音。
5. 输出可直接播放的播客文件。

创新点： 从提出问题到生成播客，全流程自动化，极大提升内容创作效率。

六、开发者视角：为什么值得关注

6.1 技术创新点

1. 中间件架构设计 DeerFlow 的中间件链包含 11 个功能模块，按执行顺序依次为 ThreadDataMiddleware、UploadsMiddleware、SandboxMiddleware 等。这种设计使得功能扩展变得简单，开发者可以轻松添加新处理步骤。

2. 状态管理机制 ThreadState 是核心数据结构，扩展自 LangGraph 的 AgentState：

class ThreadState(AgentState):
    messages: list[BaseMessage]  # DeerFlow 扩展字段
    sandbox: dict                # 沙箱环境信息
    artifacts: list[str]         # 生成文件路径
    # ... 更多自定义字段

3. 多模型支持 通过 LiteLLM 支持集成多种模型，如 OpenAI GPT 系列、Claude 系列、豆包系列、DeepSeek 系列及 Kimi 系列。

6.2 开发者友好的设计

完善的调试支持：

• LangSmith 追踪功能
• LangGraph Studio 实时调试和可视化
• 详细的日志输出

灵活的部署选项：

• 本地开发模式
• Docker 容器化部署
• Kubernetes 生产环境
• 火山引擎 FaaS 一键部署

丰富的文档和示例：

• 官方网站提供详细文档
• 多个真实案例演示
• 活跃的社区支持

七、与其他框架的对比

DeerFlow 的独特优势：

• 开箱即用的完整解决方案
• 企业级架构设计
• 强大的工具集成能力
• 安全的沙箱执行环境

八、未来展望与社区生态

8.1 发展路线图

DeerFlow 团队计划在未来版本中支持更多 LLM 模型，增强多模态能力（图像、视频处理），优化性能和资源消耗，扩展技能市场，并加强企业级功能。

8.2 社区生态

活跃的开源社区：

• GitHub 上持续更新
• 定期发布新功能和修复
• 活跃的 Issue 讨论
• 丰富的第三方贡献

中文优化版本： 社区已推出 DeerFlow-CN，专为中文用户优化，包括全面汉化界面、优化中文语言模型支持、集成 SearXNG 等本地化工具。

九、总结

DeerFlow 2.0 的出现，标志着 AI 研究助手进入了一个新纪元。它不再是一个简单的问答工具，而是一个能够真正'动手做事'的智能体框架。

核心价值：

1. 效率革命：传统需要数天的研究工作，现在几小时完成
2. 质量保证：多源验证、深度分析、结构化输出
3. 灵活扩展：技能系统让定制化变得简单
4. 安全可控：沙箱环境、人机协同机制

适用人群：

• 技术研究者
• 产品经理
• 内容创作者
• 数据分析师
• 学术工作者
• 企业决策者

GitHub 地址： https://github.com/bytedance/deer-flow