DeerFlow 2.0：字节跳动开源的超级 Agent 框架，46000+ Star 登顶 GitHub Trending

从深度研究到超级 Agent 运行时，一个能做"几乎任何事"的开源框架。

写在前面

2026 年 2 月 28 日，DeerFlow 2.0 发布当天就登顶 GitHub Trending 第一名，46000+ stars。

这不是一个普通的 AI Agent 框架。

大多数 Agent 框架只是把 LLM 包装一下，加几个工具调用接口，就说自己是"Agent"。但 DeerFlow 不一样——它是一个完整的超级 Agent 运行时（Super Agent Harness）。

什么意思？

想象一下：你给 Agent 分配一个复杂任务，比如"研究某个技术领域，生成一份深度报告，配上数据可视化图表，最后做成 PPT"。

普通 Agent 会卡在第一步，或者给你一堆半成品。

DeerFlow 会：

1. 自动拆解任务，生成执行计划
2. 并行启动多个子 Agent，各自负责不同部分
3. 在隔离的沙箱环境里执行代码、生成图表
4. 把所有结果汇总，生成最终交付物
5. 记住整个过程，下次做类似任务更快

这才是真正的"Agent"——不是聊天机器人，是能干活的数字员工。

核心亮点

1. 完整的执行环境：不只是聊天，是真的能干活

大多数 Agent 只能"说"，DeerFlow 能"做"。

每个任务运行在独立的 Docker 沙箱里，有完整的文件系统：

/mnt/user-data/
├── uploads/          # 你上传的文件
├── workspace/        # Agent 的工作目录
└── outputs/          # 最终交付物

Agent 可以：

• 读写文件
• 执行 bash 命令
• 运行 Python 代码
• 查看图片
• 生成可视化图表

所有操作都在沙箱里，互相隔离，不会污染宿主机。

这就是 DeerFlow 和聊天机器人的本质区别：它有自己的电脑。

2. 子 Agent 编排：复杂任务自动拆解并行执行

复杂任务很少能一次完成。DeerFlow 的解决方案是：自动拆解 + 并行执行。

主 Agent 可以动态生成子 Agent，每个子 Agent：

• 有独立的上下文和工具
• 并行执行（能并行的就并行）
• 完成后返回结构化结果
• 主 Agent 汇总所有结果

举个例子：

任务：“研究 AI Agent 领域的最新进展，生成深度报告”

DeerFlow 的执行流程：

1. 主 Agent 制定计划：需要调研学术论文、开源项目、行业动态
2. 并行启动 3 个子 Agent：
   • 子 Agent A：搜索 arXiv 最新论文
   • 子 Agent B：爬取 GitHub Trending
   • 子 Agent C：分析行业报告
3. 每个子 Agent 独立工作，互不干扰
4. 主 Agent 收集所有结果，生成最终报告

这种架构让 DeerFlow 能处理"需要几分钟到几小时"的长时任务。

3. 技能系统（Skills）：可扩展的能力模块

DeerFlow 的"技能"不是简单的函数调用，而是结构化的能力模块。

每个技能是一个 Markdown 文件，定义了：

• 工作流程
• 最佳实践
• 相关资源引用

内置技能：

• 深度研究（research）
• 报告生成（report-generation）
• PPT 制作（slide-creation）
• 网页生成（web-page）
• 图片生成（image-generation）
• 视频生成（video-generation）

技能是按需加载的——只有任务需要时才加载，不会一次性塞满上下文窗口。

更重要的是，你可以：

• 添加自定义技能
• 替换内置技能
• 组合多个技能形成复合工作流

/mnt/skills/public/
├── research/SKILL.md
├── report-generation/SKILL.md
└── slide-creation/SKILL.md

/mnt/skills/custom/
└── your-custom-skill/SKILL.md  ← 你的技能

4. 长期记忆：跨会话的持久化知识

大多数 Agent 每次对话结束就失忆了。DeerFlow 会记住。

它会持久化存储：

• 你的个人资料和偏好
• 技术栈和工作流程
• 写作风格和表达习惯
• 历史任务的经验

用得越多，它越懂你。

而且，记忆存储在本地，完全由你控制。

5. 多渠道接入：Telegram、Slack、飞书

DeerFlow 不只是个 Web 应用，还支持通过消息应用直接使用：

• Telegram：Bot API 长轮询，配置最简单
• Slack：Socket Mode，无需公网 IP
• 飞书/Lark：WebSocket 连接

在聊天软件里直接发任务，DeerFlow 自动创建线程并执行。

支持的命令：

• /new - 开始新对话
• /status - 查看当前线程状态
• /models - 列出可用模型
• /memory - 查看记忆
• /help - 帮助信息

技术架构

基于 LangGraph + LangChain

DeerFlow 2.0 是完全重写的版本，基于：

• LangGraph：多 Agent 编排
• LangChain：LLM 交互和工具链

这意味着：

• 成熟稳定的底层框架
• 丰富的生态系统
• 易于扩展和定制

沙箱执行模式

支持三种沙箱模式：

1. 本地执行：直接在宿主机运行（开发测试用）
2. Docker 执行：隔离的 Docker 容器（推荐）
3. Kubernetes 执行：通过 provisioner 服务在 K8s Pod 中运行（生产环境）

MCP 服务器支持

DeerFlow 支持 MCP（Model Context Protocol）服务器扩展能力。

对于 HTTP/SSE 类型的 MCP 服务器，还支持 OAuth token 流程（client_credentials、refresh_token）。

快速开始

1. 克隆仓库

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

2. 生成配置文件

make config

3. 配置模型

编辑 config.yaml，至少配置一个模型：

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

支持的模型：

• OpenAI（GPT-4、GPT-5）
• Anthropic Claude（通过 Claude Code OAuth）
• OpenRouter（Gemini、Claude 等）
• 字节豆包（Doubao-Seed-2.0-Code）
• DeepSeek v3.2
• Kimi 2.5

4. 设置 API Key

编辑 .env 文件：

OPENAI_API_KEY=your-openai-api-key
TAVILY_API_KEY=your-tavily-api-key

5. 启动服务

Docker 方式（推荐）：

make docker-init    # 拉取沙箱镜像（首次运行）
make docker-start   # 启动服务

本地开发方式：

make check    # 检查依赖（Node.js 22+, pnpm, uv, nginx）
make install  # 安装依赖
make dev      # 启动服务

访问：http://localhost:2026

嵌入式 Python 客户端

DeerFlow 还提供了嵌入式 Python 客户端，不需要启动 HTTP 服务也能使用：

from deerflow.client import DeerFlowClient

client = DeerFlowClient()

# 聊天
response = client.chat("帮我分析这篇论文", thread_id="my-thread")

# 流式输出
for event in client.stream("你好"):
    if event.type == "messages-tuple" and event.data.get("type") == "ai":
        print(event.data["content"])

# 管理
models = client.list_models()
skills = client.list_skills()
client.upload_files("thread-1", ["./report.pdf"])

非常适合集成到现有的 Python 应用中。

从 v1 到 v2：不是升级，是重写

DeerFlow 2.0 与 v1 没有任何共享代码，是完全从零重写的版本。

v1 是一个深度研究框架（Deep Research），社区把它用到了远超预期的场景——数据管道、PPT 生成、Dashboard 搭建、内容自动化工作流。

这让团队意识到：DeerFlow 不只是一个研究工具，它是一个运行时——一个让 Agent 真正做事的基础设施。

于是有了 v2：从研究框架到超级 Agent 运行时的蜕变。

Claude Code 集成

DeerFlow 还提供了 claude-to-deerflow 技能，可以在 Claude Code 中直接使用 DeerFlow：

npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow

在 Claude Code 里你可以：

• 发送任务给 DeerFlow 并获取流式响应
• 选择执行模式：flash（快速）、standard、pro（规划）、ultra（子 Agent）
• 检查健康状态、列出模型/技能/Agent
• 管理线程和历史
• 上传文件进行分析

写在最后

DeerFlow 代表了 AI Agent 框架的下一个阶段。

第一代 Agent 框架是工具调用——给 LLM 挂几个 API，就叫 Agent。

第二代是编排——多 Agent 协作，任务分解。

DeerFlow 是第三代：完整的执行运行时。它有文件系统，有沙箱，有记忆，有技能系统，有子 Agent 编排，有多渠道接入。

它不只是让 AI"思考"，还让 AI"行动"。

对于正在构建 AI 应用的开发者来说，DeerFlow 解决了一个核心问题：从 Demo 到生产的最后一公里。你不需要自己搭建沙箱、自己实现记忆系统、自己编写任务编排逻辑。DeerFlow 全部帮你做好了。

---

项目地址：https://github.com/bytedance/deer-flow
官方网站：https://deerflow.tech
Star 数量：46000+
开源协议：MIT

快速开始：

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config && make docker-init && make docker-start

---

你觉得 DeerFlow 最有价值的特性是什么？是沙箱执行、子 Agent 编排，还是技能系统？欢迎在评论区分享你的想法。