超过 33,000 颗星，4,000 个 fork，1,635 次提交。2025年5月首次开源，2026年2月28日发布全面重写的 V2 版本后，直接冲上了 GitHub Trending 第一名。

它的名字叫 DeerFlow，全称 Deep Exploration and Efficient Research Flow。MIT 协议，完全开源。出品方——字节跳动。

而它做的事情，比你想象的要大得多。

. . . . .

DeerFlow 是什么

DeerFlow 官网：deerflow.tech

一句话概括：DeerFlow 不是一个聊天机器人，也不是一个简单的 Agent 工具链。它是一个 Super Agent Harness（超级 Agent 运行架）——它的工作是为 AI Agent 提供完整的运行基础设施，让一群 Agent 像一支真正的团队一样协作完成复杂任务。

你给它一个任务，它会自动拆解计划、分配子任务、调用研究员去搜索信息、让程序员写代码、在沙箱里执行验证，最后把结果汇总交给你。整个过程中，你可以随时介入给反馈。

它能生成什么？研究报告、代码、PPT 演示文稿、网页，还可通过自定义 Skill 扩展到视频和播客。

这已经不是「AI 助手」的范畴了——这是一个完整的 AI 工作流引擎。

. . . . .

为什么 DeerFlow 值得注意

市面上的 Agent 框架已经很多了——AutoGPT、CrewAI、MetaGPT……DeerFlow 凭什么脱颖而出？

答案在于一个关键差异：DeerFlow 给了 Agent 一台真正的「计算机」。

大多数 Agent 框架的执行能力是受限的——Agent 只能调用 API、读写文件、跑跑脚本。但 DeerFlow 通过 Docker 容器为每个任务提供了完全隔离的沙箱环境，Agent 拥有独立的文件系统、可以执行任意 Bash 命令、运行代码，就像坐在一台真实的电脑前一样。

这意味着 Agent 不仅能「想」，还能真正地「做」——而且做的过程是安全、可控、可审计的。

. . . . .

核心架构：Lead Agent + Sub-Agents

DeerFlow V2 采用了全新的 Lead Agent + Sub-Agents 架构设计：

DeerFlow V2 多 Agent 协作架构

Lead Agent（主 Agent）

整个系统的中枢。它负责理解你的意图，判断任务复杂度，然后决定是直接回答简单问题，还是生成子 Agent 去处理复杂任务。它通过一套 10+ 个中间件（处理沙箱、摘要、记忆、标题等）来协调整个工作流。

Sub-Agents（子 Agent）

按需动态生成的执行者。每个子 Agent 拥有独立的上下文、工具集和终止条件，可以并行工作。多个子 Agent 同时执行不同的子任务，完成后将结果汇报给 Lead Agent 进行综合。

Human-in-the-loop（人类反馈）

你自己也是这个团队的一员。DeerFlow 通过 ask_clarification 工具在关键决策点暂停，征求你的意见，确保 Agent 的工作方向始终符合你的预期。

. . . . .

Docker 沙箱：安全执行的护城河

DeerFlow 最令人印象深刻的设计之一，就是它的 Docker 沙箱执行环境。

当 Agent 需要执行代码时，它不是在你的本地机器上裸跑——而是在一个完全隔离的 Docker 容器中运行。支持 Local、Docker、Docker + Kubernetes 三种沙箱模式：

● 文件系统隔离 —— Agent 操作的文件不会影响你的本地环境，即使出了错也不会搞坏你的系统

● 命令执行隔离 —— Bash 命令在容器内执行，没有权限逃逸到宿主机

● 完整审计追踪 —— 每一步操作都有记录，你可以事后回溯 Agent 到底做了什么

● 可重复性 —— 相同的任务在相同的容器配置下，得到相同的结果

这解决了 AI Agent 领域最大的信任问题：我怎么敢让一个 AI 在我的电脑上跑任意代码？

DeerFlow 的答案是：你不需要让它在你的电脑上跑。给它一个沙箱，让它在里面自由发挥，外面的世界是安全的。

. . . . .

Skills 系统：用 Markdown 定义工作流

DeerFlow 的 Skills 系统是另一个亮点。

DeerFlow 任务分解与并行执行流程

每个 Skill 本质上是一个用 Markdown 文件定义的工作流模板。你可以把常用的复杂任务封装成 Skill，下次只需要一个命令就能触发整个流程。

DeerFlow 内置了多种 Skill 模板：

● 研究报告生成 —— 给定主题，自动搜索、分析、撰写结构化报告

● PPT/演示文稿制作 —— 从内容到排版，自动生成可用的幻灯片

● 网页生成 —— 根据需求生成完整的 HTML 页面

● 图片生成 —— 基于文字描述生成配图

Skills 系统的优雅之处在于：它用最简单的格式（Markdown）来定义最复杂的行为（多步骤 AI 工作流）。你不需要学习任何编程语言或 DSL，只需要会写 Markdown，就能定制自己的 Agent 工作流。

. . . . .

记忆与上下文：不是金鱼的 Agent

大多数 AI Agent 有一个致命问题：记忆力差。每次对话都像是重新开始，之前的研究成果、用户偏好、项目背景全部丢失。

DeerFlow 通过两个机制解决了这个问题：

● 长期记忆（Long-term Memory） —— Agent 可以把重要的信息持久化存储，跨会话保持记忆。上周的研究结论、你的偏好设置、项目的背景知识，都不会丢失。

● 上下文摘要（Context Summarization） —— 当对话变长、上下文窗口接近极限时，DeerFlow 会智能压缩之前的对话内容，保留关键信息，丢弃冗余细节。

此外，DeerFlow 还内置了去重机制——记忆更新时自动跳过重复条目，避免无限膨胀。

. . . . .

多模型 + 多集成：不绑定任何一家

DeerFlow 在模型支持上非常开放，推荐的模型包括：

● 豆包 Seed 2.0 Code（字节自家模型）

● DeepSeek V3.2

● Kimi 2.5（月之暗面）

同时兼容 GPT-4、Claude、Gemini 等主流商业模型。用本地模型跑可以完全零 API 费用，用商业模型则能获得更强的推理能力。

在集成方面，DeerFlow 支持 Telegram、Slack、飞书/Lark 等主流即时通讯平台，还支持 MCP（Model Context Protocol）服务器，带 OAuth 认证。Claude Code 可以通过 “claude-to-deerflow” 技能直接调用 DeerFlow。

. . . . .

三步开始：从零到运行

DeerFlow 的部署设计得非常简洁，整个过程只需要三步：

❶ 克隆仓库并生成配置 —— make config

❷ 配置模型 —— 在 config.yaml 中设置 API Key

❸ Docker 启动 —— make docker-start，默认访问 http://localhost:2026

DeerFlow GitHub 仓库：33K+ 星标

技术栈基于 Python 3.12+（后端，LangGraph + LangChain）和 Node.js 22+（前端）。整个项目完全自托管——你的数据、你的模型、你的服务器，不经过任何第三方。

V2 是一次从零开始的彻底重写，与 V1 没有任何代码共享，V1 仍在 1.x 分支维护。这说明团队对架构的思考经历了根本性的升级。

. . . . .

为什么开发者应该关注 DeerFlow

● 字节跳动的工程底蕴 —— 出自全球最大的技术公司之一，33K+ 星和活跃社区证明了它的生命力

● 真正的隔离执行 —— Docker 沙箱不是噱头，它解决了 Agent 落地最关键的安全和信任问题

● V2 彻底重写的决心 —— 能推倒重来的团队，说明他们对「做对」比「做快」更在意

● 开放生态 —— 多模型支持、多平台集成、MCP 协议、Skills 系统……不是封闭的围墙花园

● MIT 开源 —— 没有任何使用限制，自由使用、修改、商用

AI Agent 正在从「概念验证」走向「生产落地」。DeerFlow 代表的，是这个进程中的一个重要里程碑——它证明了 Agent 框架可以同时做到强大、安全、开放、易用。

如果你正在探索 AI Agent 的可能性，DeerFlow 值得你花一个下午去尝试。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】