DeerFlow 2.0 评测：字节跳动开源的超级 Agent 编排框架

一句话介绍

DeerFlow 2.0（Deep Exploration and Efficient Research Flow）是字节跳动开源的超级 Agent 编排框架，基于 LangGraph 和 LangChain 构建，通过子 Agent 并行执行、长期记忆、沙箱环境和可扩展技能系统，让 AI Agent 能够完成从深度研究到代码生成的复杂长周期任务。GitHub 星标 739+，2026 年 2 月 28 日曾登顶 GitHub Trending 第一名。

核心功能

1. 子 Agent 并行编排

DeerFlow 最核心的能力在于它能将复杂任务自动分解为多个子任务，每个子任务由独立的子 Agent 处理。主 Agent（Lead Agent）可以动态创建子 Agent，每个子 Agent 拥有自己的上下文、工具和终止条件。子 Agent 之间可以并行执行，完成后将结构化结果汇报给主 Agent，由主 Agent 综合输出最终结果。

这意味着你不再需要一个 Agent 慢慢思考——你可以让它派出十几个”分身”同时调研不同方向，最后汇总成一份完整的报告、网站或幻灯片。

2. 沙箱执行环境

DeerFlow 不只是”聊天机器人+工具调用”，它拥有真正的执行环境。每个任务都会获得一个隔离的沙箱，具备完整的文件系统视图。Agent 可以读写文件、查看图片、执行 Shell 命令（需配置）。它支持两种沙箱模式：

• AioSandboxProvider：在隔离容器中执行 Shell 命令，安全性更高
• LocalSandboxProvider：将文件操作映射到主机目录，适合可信的本地工作流

这种设计让 DeerFlow 能在真实环境中完成任务——写代码、处理文件、生成报告，而不是仅仅输出文本。

3. 长期记忆系统

大多数 AI Agent 在会话结束后就忘记了一切。DeerFlow 打破了这一限制——它在会话之间构建持久化的用户画像、偏好和知识积累。随着使用时间的增加，DeerFlow 会越来越了解你的写作风格、技术栈和常用工作流。所有记忆数据存储在本地，完全由用户控制。

4. 渐进式技能系统

DeerFlow 的技能（Skills）是其”几乎什么都能做”的关键。每个技能是一个结构化的 Markdown 文件，定义了工作流、最佳实践和参考资源。内置技能涵盖研究、报告生成、幻灯片制作、网页开发、图像和视频生成等。

技能的加载采用渐进式策略——只在需要时才加载对应技能，保持上下文窗口精简。用户可以通过斜杠命令（如 /research 调研某主题）显式激活特定技能。用户还可以自定义技能、替换内置技能或将多个技能组合成复合工作流。

5. 上下文工程优化

面对长周期任务，DeerFlow 通过多种手段管理上下文：

• 子 Agent 上下文隔离：每个子 Agent 只能看到自己的上下文，不会被主 Agent 或其他子 Agent 的信息干扰
• 自动摘要：在会话过程中对已完成子任务进行摘要，将中间结果卸载到文件系统
• 严格工具调用恢复：当 Provider 或中间件中断工具调用循环时，自动清理元数据并注入占位符结果，避免推理模型因格式错误而失败

适用人群

• 研究人员和数据分析师：需要自动化完成文献综述、数据采集和报告生成的研究者
• 内容创作者：利用多 Agent 协作自动生成文章、幻灯片或网页内容
• 软件开发人员：通过沙箱环境让 Agent 直接编写、测试和部署代码
• 企业自动化团队：构建可定制、可扩展的 Agent 工作流来替代重复性人工流程
• AI 爱好者和开发者：基于开源框架学习和二次开发自己的 Agent 系统

与同类工具对比

DeerFlow 的独特优势在于它是唯一一个将沙箱执行、长期记忆和技能系统整合在一起的开源框架。AutoGen 和 CrewAI 更偏向于多 Agent 对话编排，需要额外集成才能实现文件操作和持久化存储。LangGraph 提供了最底层的灵活性，但需要大量自建工作。DeerFlow 则提供了”开箱即用”的完整体验，同时保留了充分的可扩展性。

如何使用

环境要求

• Python 3.12+
• Node.js 22+
• Docker（推荐）或本地开发环境

安装步骤

第一步：克隆仓库

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

第二步：运行设置向导

make setup

向导会引导你完成以下配置： - 选择 LLM 提供商（OpenAI、Anthropic、OpenRouter、本地 vLLM 等） - 配置可选的网络搜索工具（Tavily 等） - 设置执行和安全偏好（沙箱模式、Bash 权限、文件写入工具等） - 自动生成 config.yaml 并将密钥写入 .env

整个过程约 2 分钟。

第三步：启动服务

推荐使用 Docker：

make docker-up

或者本地开发模式：

make dev

默认服务地址为 http://localhost:2026。

第四步：验证安装

make doctor

该命令会检查所有配置项并给出可操作的修复建议。

快速体验

启动后，你可以通过 Web 界面或 API 发送任务。例如，让 DeerFlow 研究某个技术趋势并生成报告：

1. 在 Web UI 中输入你的任务描述
2. DeerFlow 会自动分解任务，创建子 Agent
3. 子 Agent 并行执行研究和数据收集
4. 主 Agent 综合结果，生成最终报告

你也可以通过 Claude Code 直接交互——安装 claude-to-deerflow 技能后，就能在 Claude Code 中向 DeerFlow 发送研究任务、检查状态和管理线程。

支持的模型

DeerFlow 支持广泛的模型接入： - 云端 API：GPT-4o、GPT-5、Claude Sonnet/Opus、Gemini 系列、OpenRouter 上的任意模型 - 本地部署：vLLM 托管的 Qwen3、Llama 等开源模型 - CLI 工具：Codex CLI、Claude Code OAuth 集成

总结

DeerFlow 2.0 是字节跳动在 AI Agent 领域的一次重要开源贡献。它从一个深度研究框架起步，经过社区反馈后重构为功能全面的超级 Agent 编排平台。

如果你在日常工作中还需要其他开发辅助工具，可以浏览我们的 在线工具合集，涵盖 JSON 格式化、文本统计、编码转换等实用工具。

优点： - 开箱即用，setup wizard 极大降低了入门门槛 - 沙箱执行环境让 Agent 真正能在”真实世界”中工作 - 长期记忆系统让 Agent 越用越懂你 - 渐进式技能加载保持上下文窗口精简 - 活跃的社区和快速增长的生态

需要注意的： - 基于 LangGraph/LangChain 构建，依赖链较长，首次部署可能需要排查依赖问题 - 沙箱 Shell 执行需要谨慎配置安全边界 - 相比 CrewAI 等轻量框架，DeerFlow 的资源消耗更高

推荐指数：★★★★☆（4/5）

DeerFlow 是目前开源 Agent 框架中最接近”超级 Agent”概念的实现之一。如果你需要构建能完成复杂长周期任务的 AI Agent 系统，DeerFlow 2.0 值得重点关注。对于只需要简单对话式 Agent 的场景，可能略显重量级，但其可扩展性和完整性使其成为长期投资的优秀选择。

官方文档：https://docs.deerflow.tech GitHub：https://github.com/bytedance/deer-flow