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

2026年 , 最新的机器人系统架构介绍 (1)

文章目录 * 第一部分：机器人的完整系统架构（由底向上） * 第二部分：最有前景、最具迁移性的核心是什么？ * 第三部分：学习与技术路线图 * 标题数据驱动的机器人操作与决策算法 * 工业级机器人系统架构 * 第一部分：生动形象的工业级机器人系统架构 * 第二部分：热门公司技术路线全解析与优劣势对比 * **1. 宇树科技 (Unitree) —— 运动性能的极致派** * **2. 智平方 (AI² Robotics) —— 全栈VLA的实战派** * **3. 银河通用 (Galbot) —— 仿真数据驱动的垂直深耕派** * **4. 逐际动力 (LimX Dynamics) —— OS系统整合派** * **5. 优必选 (UBTECH) —— 全栈技术的老牌劲旅** * 第三部分：总结与你的切入路线图 第一部分：机器人的完整系统架构（由底向上） 我们可以把一个智能机器人系统想象成一个“人体”，从物理接触世界的大脑，分为以下几个层次： 1. 最底层：硬件平台与执行机构
深入解析OpenClaw Skills：从原理到实战，打造专属机器人技能

深入解析OpenClaw Skills：从原理到实战，打造专属机器人技能

一、OpenClaw Skills：机器人行为的“最小执行单元” 1.1 什么是OpenClaw Skills？ OpenClaw是面向开源机械爪/小型机器人的控制框架（核心仓库：openclaw/openclaw），旨在降低机器人行为开发的门槛。而Skills（技能） 是OpenClaw框架中对机器人“单一可执行行为”的封装模块——它将机器人完成某一特定动作的逻辑（如“夹取物体”“释放物体”“移动到指定坐标”）抽象为独立、可复用、可组合的代码单元。 简单来说： * 粒度：一个Skill对应一个“原子行为”（如“单指闭合”）或“组合行为”（如“夹取→移动→释放”）； * 特性：跨硬件兼容（适配不同型号机械爪）、可插拔（直接集成到OpenClaw主框架）、可扩展（支持自定义参数）； * 核心价值：避免重复开发，让开发者聚焦“

把 Vivado 项目放心交给 Git：一篇 FPGA 工程师必读的实战指南

之前分享过一篇文章《FPGA 版本管理三种方式：你会选哪一种？》，评论区很多人都推荐使用Git进行版本管理，今天这篇文章主题就是使用Git进行备份指南。 在 FPGA 开发中，掌握 Git 等源码管理工具已经是必备技能。 当然，在使用 Vivado 时，我们不仅需要处理源代码控制，还需要处理以 IP 为中心的设计产品。 Vivado 的工程通常是 IP 为中心 的设计，包含： * IP Integrator Block Diagram * 各类 IP 实例（独立 IP 或 BD 内 IP） * 自动生成的包装文件与工程产物 这让很多 FPGA 工程师一开始会觉得： “Vivado 项目到底该怎么和 Git 一起用？” 好消息是，从 Vivado

简单通信落地：FPGA 实现 CAN 总线接口与数据帧解析

https://pan.baidu.com/s/1rDsLAXGj8WbX82teSkhuIw?pwd=1234 这份FPGA 系统学习详细资料包是个人花大量时间精心整理的，超多干货全覆盖，从基础到实战一站式搞定，不用再到处薅资料！网盘链接随时可能失效，提取码 1234，先保存再学习，别等失效拍大腿！🔗链接：https://pan.baidu.com/s/1rDsLAXGj8WbX82teSkhuIw?pwd=1234 ———————————————— 简单通信落地：FPGA 实现 CAN 总线接口与数据帧解析 CAN 总线在工业现场和汽车电子中应用极其广泛，它的可靠性、实时性和多主特性是 UART、SPI、I2C 无法比拟的。从零实现一个完整的 CAN 控制器确实有一定复杂度，但掌握核心的数据帧收发和解析能力，就能应对大多数 FPGA 与 CAN 总线交互的场景。下面我带你一步步落地。