DeerFlow 2.0 深度评测：字节跳动开源 SuperAgent，72K 星级的 AI 研究神器

一句话总结

DeerFlow 是由字节跳动开源的 SuperAgent 编排框架，通过子 Agent 并行协作、长期记忆、沙箱执行和环境技能系统，实现从深度研究到代码生成的全链路自动化。GitHub 72,774 颗星，MIT 开源协议。

它是什么？

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动推出的开源 AI Agent 编排框架，2026 年 2 月发布的 2.0 版本为完全重写，与 1.x 版本共享零代码。它在 GitHub Trending 上曾连续多日登顶，并于 2026 年 2 月 28 日首次登上 GitHub Trending 第一名。

DeerFlow 的核心设计理念是”一个框架，多种能力”——它不再局限于单一任务，而是作为一个超 Agent 枢纽（SuperAgent Harness），协调多个子 Agent、管理记忆、调用工具和沙箱环境，完成从几分钟到几小时不等的复杂任务。

截至评测时，DeerFlow 在 GitHub 上已获得 72,774 颗星、9,851 个 Fork，支持 Python 3.12+ 和 Node.js 22+，采用 MIT 开源协议。

核心功能

1. 子 Agent 并行编排

DeerFlow 最核心的能力在于其多 Agent 协作机制。主 Agent（Lead Agent）可以将复杂任务自动分解，动态生成多个子 Agent，每个子 Agent 拥有独立的上下文、工具集和终止条件。子 Agent 在可能的情况下并行执行，完成后向主 Agent 汇报结构化结果，主 Agent 再综合所有子 Agent 的输出生成最终报告。

这意味着你可以让 DeerFlow 做一个深度研究报告——它会派出十几个子 Agent 分别从不同角度收集资料、分析数据，最后汇总成一份完整的报告、网站或演示文稿。

2. 长期记忆系统

大多数 AI Agent 在会话结束后就会忘记一切，但 DeerFlow 不会。它内置了跨会话的持久化记忆系统，能够记录你的个人画像、偏好设置和积累的知识。你使用得越多，DeerFlow 就越了解你——包括你的写作风格、技术栈和常用工作流。记忆数据存储在本地，完全由用户控制。

记忆更新还会自动去重，避免重复偏好和上下文在多次会话中不断累积。

3. 沙箱执行环境

DeerFlow 不只是”说话”的工具——它拥有自己的”电脑”。每个任务都会获得一个独立的执行环境，包含完整的文件系统视图。Agent 可以读写文件、查看图片，在配置安全的情况下还能执行 Shell 命令。

支持三种沙箱模式： - 本地执行：直接在宿主机上运行 - Docker 容器隔离：在独立容器中执行 - Kubernetes 集群：大规模生产部署

这是聊天机器人式工具与真正可执行 Agent 之间的关键区别。

4. Skills（技能系统）

Skills 是 DeerFlow 能够实现”几乎任何事情”的关键。每个 Skill 是一个结构化的能力模块，包含 Markdown 定义的工作流、最佳实践和资源引用。DeerFlow 内置了研究、报告生成、幻灯片制作、网页创建、图像和视频生成等多种技能。

Skills 采用渐进加载策略——只在任务需要时才加载，不会一次性占用上下文窗口。用户还可以通过 /skill-name 命令显式激活某个技能。此外，DeerFlow 还支持通过 .skill 归档文件安装自定义技能。

5. 多渠道 IM 接入

DeerFlow 支持通过多种即时通讯渠道接收任务，无需公网 IP。已集成的渠道包括：

接入后可以直接在聊天中发送任务，DeerFlow 会自动创建线程并回复。

6. 模型无关设计

DeerFlow 支持任何实现 OpenAI 兼容 API 的大语言模型。官方推荐使用支持长上下文窗口（100K+ tokens）、推理能力、多模态输入和强大工具调用的模型。推荐的模型包括 Doubao-Seed-2.0-Code、DeepSeek v3.2 和 Kimi 2.5，同时也支持 GPT-4o、GPT-5、Gemini 2.5 Flash 等主流模型，以及通过 OpenRouter 等平台接入的各种模型。

适用人群

• 研究人员和分析师：需要进行深度调研、文献综述和数据分析
• 开发者：希望用 AI 辅助代码审查、项目分析和自动化开发流程
• 内容创作者：需要生成研究报告、演示文稿、博客文章等多媒体内容
• 企业团队：希望通过 AI Agent 自动化复杂业务流程
• AI 爱好者：想要搭建和管理自己的多 Agent 系统

与同类工具对比

DeerFlow 的最大优势在于它将子 Agent 编排、长期记忆、沙箱执行和 Skills 系统集成在一个框架中，并提供可视化的 Web 界面和多种 IM 渠道接入。相比 AutoGen 和 CrewAI，DeerFlow 更注重实际任务的端到端执行能力，而不仅仅是 Agent 间的对话协作。

如何使用

方式一：Docker 一键部署（推荐）

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

# 2. 运行设置向导（选择 LLM 提供商、Web 搜索等）
make setup

# 3. 验证配置
make doctor

# 4. 启动 Docker
make up

启动后访问 http://localhost:2026 即可使用 Web 界面。

方式二：本地开发

# 1. 检查前置依赖
make check  # 需要 Node.js 22+, pnpm, uv, nginx

# 2. 安装依赖
make install

# 3. （可选）预拉取沙箱镜像
make setup-sandbox

# 4. 启动开发服务
make dev

方式三：Python 嵌入式客户端

from deerflow.client import DeerFlowClient

client = DeerFlowClient()

# 直接对话
response = client.chat("帮我分析这份财报", thread_id="my-thread")

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

# 查看可用模型和技能
models = client.list_models()
skills = client.list_skills()

快速上手示例

1. 通过 make setup 向导配置 LLM 提供商（如 OpenAI、Anthropic 或 OpenRouter）
2. 设置 API Key（写入 .env 文件）
3. 在 Web 界面或 IM 渠道中发送任务，例如：”帮我调研 2026 年 AI Agent 框架的发展趋势”
4. DeerFlow 会自动分解任务、调度子 Agent、收集信息并生成报告

总结

DeerFlow 2.0 是目前开源社区中最成熟的 SuperAgent 编排框架之一。它的子 Agent 并行协作机制、长期记忆系统、沙箱执行环境和 Skills 插件架构，使其能够胜任从简单问答到复杂深度研究的各类任务。

推荐指数：★★★★☆

• 优点：功能全面、社区活跃、模型无关、支持多种部署方式、有完善的 Web UI 和 Python 客户端
• 不足：部署配置相对复杂（需要 Node.js、Docker 等依赖），对低配服务器不太友好
• 适合：需要端到端自动化研究和分析能力的团队和个人开发者

对于已经使用过 AutoGen 或 CrewAI 的用户来说，DeerFlow 提供的记忆系统和沙箱执行能力会带来明显的体验提升。如果你正在寻找一个能够真正”干活”的 AI Agent 框架，DeerFlow 值得尝试。

GitHub: https://github.com/bytedance/deer-flow 官方网站: https://deerflow.tech 许可证: MIT

💡 除了 AI Agent 框架，本站还整理了 86 款在线开发工具，涵盖 JSON 格式化、Base64 编码、文本统计等实用功能，打开即用。