DeerFlow 2.0：字节开源的超级 Agent 框架，让 AI 真正干活

优质文章学习记录

— 6 min read

DeerFlow 2.0：字节开源的超级 Agent 框架，让 AI 真正干活

作者：madprinter
日期：2026-03-24
项目地址：https://github.com/bytedance/deer-flow

项目介绍

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动开源的一款超级 Agent 框架。2026 年 2 月 28 日，DeerFlow 2.0 正式发布后迅速登顶 GitHub Trending 榜首，目前已有近 40,000 颗星。

与传统的 AI 框架不同，DeerFlow 不仅仅是一个"聊天机器人"，它是一个真正能干活的 Agent 运行环境。它拥有自己的文件系统、沙箱执行环境、长期记忆系统，可以自主规划任务并调度多个子 Agent 协同工作。

为什么 DeerFlow 值得关注？

  1. 大厂背书：字节跳动出品，经过真实业务场景验证
  2. 架构先进：基于 LangGraph 和 LangChain 构建，设计优雅
  3. 功能完整：开箱即用的文件系统、记忆系统、沙箱执行
  4. 高度可扩展：支持自定义技能、工具、MCP 服务器
  5. 多模型支持：兼容 OpenAI API 格式的所有大模型

核心功能

1. 技能系统（Skills）

DeerFlow 的核心是技能系统。每个技能是一个结构化的能力模块，包含工作流程、最佳实践和相关资源引用。

内置技能包括：

  • 🔍 深度研究（Research）
  • 📝 报告生成（Report Generation）
  • 📊 PPT 制作（Slide Creation）
  • 🌐 网页生成（Web Page）
  • 🎨 图片/视频生成（Image/Video Generation）

技能按需加载，不会一次性占用大量上下文，这对 Token 敏感的模型非常友好。

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

2. 子 Agent 系统（Sub-Agents）

复杂任务很少能一次完成。DeerFlow 可以将任务分解，动态生成多个子 Agent 并行执行。

  • 每个子 Agent 有独立的作用域上下文
  • 子 Agent 可以并行执行，提高效率
  • 主 Agent 负责汇总所有结果，生成最终输出

例如：一个研究任务可以分解为十多个子 Agent，每个探索不同角度，最终汇聚成一份完整报告。

3. 沙箱执行环境（Sandbox）

DeerFlow 不只是"说说而已"，它有自己的"电脑"——每个任务在独立的 Docker 容器中运行：

  • ✅ 完整的文件系统
  • ✅ Bash 命令执行
  • ✅ 代码运行能力
  • ✅ 图片查看能力
  • ✅ 会话隔离，零污染
/mnt/user-data/ ├── uploads/ # 用户上传的文件 ├── workspace/ # Agent 工作目录 └── outputs/ # 最终交付物

4. 长期记忆（Long-Term Memory）

大多数 Agent 在对话结束后就忘记一切。DeerFlow 会记住：

  • 用户画像和偏好
  • 技术栈信息
  • 重复的工作流程
  • 历史交互经验

记忆本地存储，完全由用户控制。系统会自动去重，避免重复信息无限累积。

5. 多通道集成（IM Channels）

DeerFlow 支持多种即时通讯工具接入：

通道传输方式难度
TelegramBot API (长轮询)简单
SlackSocket Mode中等
飞书/LarkWebSocket中等

无需公网 IP，所有通道配置后即可自动启动。

6. Claude Code 集成

通过 claude-to-deerflow 技能，可以直接在 Claude Code 中与 DeerFlow 交互：

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

支持的功能：

  • 发送任务并获取流式响应
  • 选择执行模式：flash/fast/standard/pro/ultra
  • 查看健康状态、模型、技能列表
  • 管理对话线程和历史
  • 上传文件进行分析

使用方法

快速开始

1. 克隆项目
git clone https://github.com/bytedance/deer-flow.git cd deer-flow
2. 生成配置文件
make config

这会基于模板创建本地配置文件。

3. 配置模型

编辑 config.yaml，配置至少一个模型：

models:-name: gpt-4display_name: GPT-4use: langchain_openai:ChatOpenAI model: gpt-4api_key: $OPENAI_API_KEY max_tokens:4096temperature:0.7-name: openrouter-gemini-2.5-flash display_name: Gemini 2.5 Flash (OpenRouter) use: langchain_openai:ChatOpenAI model: google/gemini-2.5-flash-preview api_key: $OPENAI_API_KEY base_url: https://openrouter.ai/api/v1
4. 设置 API Key

推荐方式：编辑项目根目录的 .env 文件

TAVILY_API_KEY=your-tavily-api-key OPENAI_API_KEY=your-openai-api-key INFOQUEST_API_KEY=your-infoquest-api-key
5. 启动服务

Docker 方式（推荐）：

make docker-init # 拉取沙箱镜像（只需一次）make docker-start # 启动服务

本地开发方式：

make check # 检查依赖makeinstall# 安装依赖make dev # 启动服务

访问：http://localhost:2026

推荐模型

DeerFlow 官方推荐使用以下模型以获得最佳体验：

  • Doubao-Seed-2.0-Code
  • DeepSeek v3.2
  • Kimi 2.5

这些模型支持：

  • 长上下文（100k+ tokens）
  • 强大的推理能力
  • 多模态输入
  • 可靠的工具调用

飞书/钉钉集成示例

在 config.yaml 中配置：

channels:feishu:enabled:trueapp_id: $FEISHU_APP_ID app_secret: $FEISHU_APP_SECRET slack:enabled:truebot_token: $SLACK_BOT_TOKEN app_token: $SLACK_APP_TOKEN

在 .env 中设置对应的密钥即可。

技术架构

DeerFlow 2.0 是完全重写的版本，与 1.x 没有任何代码共享。核心架构：

┌─────────────────────────────────────────┐ │ Gateway (API Gateway) │ ├─────────────────────────────────────────┤ │ LangGraph Agent Server │ ├──────────────┬──────────────┬───────────┤ │ Skills │ Tools │ Memory │ ├──────────────┴──────────────┴───────────┤ │ Sandbox (Docker/K8s) │ └─────────────────────────────────────────┘
  • Gateway：统一 API 入口，处理认证、路由、会话管理
  • LangGraph Server：Agent 编排引擎
  • Skills/Tools：可扩展的能力模块
  • Memory：长期记忆存储
  • Sandbox：隔离执行环境

实际应用场景

DeerFlow 已经超越最初的研究工具定位，社区开发者用它实现了：

  • 📊 数据管道自动化
  • 📽️ PPT/幻灯片自动生成
  • 📈 数据看板搭建
  • 📝 内容工作流自动化
  • 🔍 深度市场调研
  • 💻 代码生成和审查

总结

DeerFlow 2.0 代表了一个重要趋势：AI Agent 正在从"聊天"走向"干活"。

它不是又一个聊天机器人包装器，而是一个真正能让 AI 执行复杂任务的运行环境。通过沙箱隔离、多 Agent 协作、长期记忆等设计，DeerFlow 解决了传统 Agent 框架的几个关键痛点：

  1. 上下文限制：通过子 Agent 分解和上下文摘要
  2. 执行能力：通过沙箱提供真实的执行环境
  3. 记忆缺失：通过长期记忆系统跨会话学习
  4. 扩展困难：通过技能和 MCP 服务器轻松扩展

如果你正在构建 AI 应用，或者想让 AI 帮你完成实际工作，DeerFlow 绝对值得关注。

相关资源：

  • 项目地址：https://github.com/bytedance/deer-flow
  • 官方网站：https://deerflow.tech
  • 中文文档：https://github.com/bytedance/deer-flow/blob/main/README_zh.md
  • InfoQuest 搜索工具：https://docs.byteplus.com/en/docs/InfoQuest/What_is_Info_Quest

Read more

ComfyUI子包安装完整指南：5步快速扩展AI绘画能力

ComfyUI子包安装完整指南：5步快速扩展AI绘画能力 【免费下载链接】ComfyUI-Impact-Pack 项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Impact-Pack ComfyUI子包安装是提升AI绘画工作流功能的重要环节。通过正确安装子包，你可以解锁更多高级图像处理功能，让创作更加高效。本指南将详细介绍ComfyUI子包安装的全过程，从准备工作到最终验证，确保你能够顺利完成安装。 📦 环境准备清单 在开始ComfyUI子包安装之前，请确保满足以下条件： * ComfyUI主程序已正确安装并可以正常运行 * 系统已安装Git工具，用于代码仓库克隆操作 * 当前用户对ComfyUI安装目录具有写入权限 * 系统Python环境已配置完整，能够正常执行pip命令 🔧 分步安装操作 步骤1：定位安装目录 首先需要找到ComfyUI的自定义节点目录，通常位于ComfyUI安装目录下的custom_nodes文件夹中。 步骤2：执行克隆命令 在命令行中导航到custom_nodes目录，执行以

llama.cpp + llama-server 的安装部署验证

飞桨AI Studio星河社区-人工智能学习与实训社区 用的是 魔塔的免费资源 不太稳定 我的Notebook · 魔搭社区 cat /etc/os-release  Ubuntu 22.04.5 LTS (Jammy Jellyfish) —— 这是一个长期支持（LTS）且完全受支持的现代 Linux 发行版，非常适合部署 llama.cpp + llama-server。Ubuntu 22.04 自带较新的 GCC（11+）、CMake（3.22+）和 Python 3.10+，无需手动升级工具链，部署过程非常顺畅。 一、安装系统依赖 sudo apt update sudo apt install -y
11-Xtuner具体使用以及LLama Factory与Xtuner多卡微调大模型

11-Xtuner具体使用以及LLama Factory与Xtuner多卡微调大模型

训练前 500轮训练后 xtuner命令不存在 版本：0.2.0存在 回退到0.2.0rc0版本，注意这个版本的依赖固定 一、大模型分布式训练的基本概念 1.1 为什么需要分布式训练？ 模型规模爆炸：现代大模型（如GPT-3、 LLaMA等）参数量达千亿级别，单卡GPU无法存储完整模型。 计算资源需求：训练大模型需要海量计算（如GPT-3需数万GPU小时），分布式训练可加速训练过程。 内存瓶颈：单卡显存不足以容纳大模型参数、梯度及优化器状态。 1.2 分布式训练的核心技术 数据并行（Data Parallelism） 原理：将数据划分为多个批次，分发到不同设备，每个设备拥有完整的模型副本。 同步方式：通过All-Reduce操作同步梯度（如PyTorch的DistributedDataParallel）。 挑战：通信开销大，显存占用高（需存储完整模型参数和优化器状态）。 模型并行（Model Parallelism） 原理：

SiameseUniNLU镜像免配置优势：开箱即用支持NER/RE/EC/RC/NLI/RC/QA八大任务

SiameseUniNLU镜像免配置优势：开箱即用支持NER/RE/EC/RC/NLI/RC/QA八大任务 你是不是也遇到过这样的烦恼？想用AI模型处理一段中文文本，比如从新闻里提取人名地名，或者分析一段评论是好评还是差评。结果发现，每个任务都需要找一个专门的模型，部署起来步骤一大堆，配置文件看得人头大，好不容易跑起来了，效果还不一定好。 今天要介绍的SiameseUniNLU镜像，就是来解决这个问题的。它就像一个“自然语言处理瑞士军刀”，把命名实体识别、关系抽取、情感分类等八个常用任务，全都打包进了一个模型里。最棒的是，它完全免配置，下载下来就能用，真正做到了开箱即用。 这篇文章，我就带你快速上手这个强大的工具，看看它到底能做什么，以及怎么用最简单的几步，让它为你工作。 1. SiameseUniNLU是什么？一个模型解决八大任务 在深入使用之前，我们先花几分钟了解一下SiameseUniNLU到底厉害在哪里。理解了它的设计思路，你用起来会更得心应手。 1.1 核心思路：用“提示”统一所有任务 传统的自然语言处理（NLP）