DeerFlow 2.0 架构解析
DeerFlow 是一个基于 LangGraph 和 LangChain 重构的开源超级智能体编排框架。如果说 LLM 是一个绝顶聪明但被关在小黑屋里的大脑，那么 DeerFlow 就是给这个大脑配备了手脚（工具与技能）、独立办公室（沙盒环境）、团队（子代理）以及备忘录（长期记忆）。它能接管那些需要耗费数分钟甚至数小时的复杂任务：从全网搜集资料写出一份深度研报，到自动编写代码并运行测试，甚至直接帮你生成精美的幻灯片和可视化图表。你只需要下达目标，剩下的统统交给它。
核心能力
DeerFlow 之所以能在 AI 开源圈脱颖而出，靠的是硬核的底层设计：
- 影分身般的'子代理（Sub-Agents）'机制：面对复杂庞大的任务，主代理会化身项目经理，动态生成多个子代理并行工作。它们各自带着独立的上下文和工具去探索不同的方向，最后再由主代理汇总成一份完美的交付物。
- 绝对安全的'独立办公室（Sandbox）'：DeerFlow 不只是'纸上谈兵'。它为每次任务分配一个完全隔离的 Docker 容器沙盒。AI 可以在里面自由地读写文件、执行 Bash 命令、运行 Python 代码，甚至查看图片，任务结束即刻销毁，既强大又安全。
- 过目不忘的'长期记忆（Long-Term Memory）'：大多数 AI 聊完即忘，但 DeerFlow 会在多次会话中悄悄记住你的偏好、写作风格和常用技术栈。你用得越久，它就越懂你。
- 无限扩展的'技能树（Skills & Tools）'：内置了包括网页搜索（集成了火山引擎强大的 InfoQuest）、网页抓取、文件操作等核心工具。更绝的是，它支持通过 Markdown 文件定义标准化的工作流技能，甚至无缝接入 MCP 服务器和 Claude Code。
应用场景
有了这些能力，DeerFlow 的玩法几乎没有上限：
- 全自动投研分析师：丢给它一个行业关键词，它能自动分裂出多个子代理，分别去搜集财报、爬取新闻、分析竞品，最后在沙盒里用 Python 画好数据图表，生成一份带有详尽引用的 Markdown 研报。
- 不知疲倦的研发助理：接入飞书、Slack 或 Telegram 后，你可以直接在工作群里艾特它。让它帮你重构某段代码、编写测试用例，它会在后台默默拉起 Docker 跑通测试，然后把结果优雅地扔回群里。
- 内容与生产力流水线：无论是根据长文自动生成 PPT（Slide creation），还是根据一句话需求搭建一个包含前端和后端的完整网页（Web-page skill），它都能在几分钟内端出成品。
部署配置
想要把这位超级员工'招'进电脑，其实非常简单。得益于完善的 Makefile 脚本，启动只需几步：
- 拉取源码：在终端执行
git clone https://github.com/bytedance/deer-flow.git并进入目录。 - 生成配置：运行
make config，项目会自动根据模板生成本地配置文件。 - 配置大脑：打开
config.yaml，填入你心仪的模型。DeerFlow 是模型不可知的，强烈建议配置支持长上下文和推理能力的模型（如 DeepSeek v3.2、GPT-4、Claude 3.5 Sonnet 或 Kimi 2.5）。并在.env文件中填入对应的 API Key。 - 一键启动：强烈推荐使用 Docker 模式。只需运行
make docker-init拉取沙盒镜像，接着make docker-start即可唤醒你的数字员工。打开http://localhost:2026，享受魔法吧！
常用命令
为了让你更优雅地使唤它，这里整理了一套高频操作指令：
部署与服务命令：
make dev：本地开发环境启动（需预装 Node/Python 环境）。make up/make down：生产环境的 Docker 容器构建与销毁。make check：一键检查本地依赖环境是否达标。
IM/聊天界面交互指令：
