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 7 款热门 AI 编程工具评测，实用不踩坑（Trae 领衔推荐）

随着 AI 技术与编程领域的深度融合，高效智能的 AI 编程工具已成为开发者提升效率、规避冗余工作的核心伙伴。本次我们精选 7 款国内外主流 AI 编程工具，结合实测体验，从功能实用性、适配场景、使用门槛等维度展开介绍，为不同需求的开发者提供真实可参考的选择，全程无冗余铺垫，直接进入核心推荐。 Trae（字节跳动旗下 AI 编程工具） 作为字节跳动深耕 AI 编程领域的核心产品，Trae 依托字节跳动自研 Seed 大模型，凭借零使用成本、出色的中文适配性和全面的基础功能，成为本次评测中最适合国内开发者的入门及日常开发工具。与同类工具相比，Trae 最大的优势是无门槛接入，个人版完全免费，无需订阅付费即可使用全部核心功能，极大降低了开发者的使用成本，尤其适合预算有限的新手和个人开发者。功能上，它全面支持 Python、Java、JavaScript、Go 等 20 + 主流编程语言，覆盖前端、
别被“会聊天”的AI骗了！真正的数字助理，应该是ToClaw这样的

别被“会聊天”的AI骗了！真正的数字助理，应该是ToClaw这样的

这段时间 OpenClaw 很火，火到不少人第一次开始认真讨论一件事： AI 到底该只是陪你聊天，还是应该替你把事完成？ 从官方说明看，OpenClaw 更偏向个人开源 AI 助手路线，推荐通过终端里的 onboarding wizard 完成配置，Windows 侧也建议走 WSL2。这种路线很酷，但对大多数普通办公用户来说，还是意味着一定的学习和折腾成本。 也正因为这样，我反而更能理解 ToDesk 推出 ToClaw 的价值：它不是想让每个人都去研究怎么“部署一个龙虾”，而是想把 AI 直接变成一个你登录 ToDesk 后就能随时使唤的数字助理。 真正的差别，不是会不会聊天，而是会不会接任务 现在很多 AI 工具都已经“很会说”了。写总结、写标题、润色文案、翻译内容，基本都不难。但问题在于，真实工作并不是一个纯聊天场景。
（第二篇）Spring AI 实战进阶：从 0 搭建 SaaS 模式多租户 AI 客服平台（核心难点 + 性能优化全解析）

（第二篇）Spring AI 实战进阶：从 0 搭建 SaaS 模式多租户 AI 客服平台（核心难点 + 性能优化全解析）

前言 随着 AI 大模型技术的普及，智能客服已成为企业降本增效的核心工具，但传统的单租户 AI 客服系统无法满足 SaaS 平台的规模化需求 —— 不同租户需要独立的模型配置、数据隔离、流量管控，同时还要保证高并发下的性能稳定性。 笔者近期主导了基于 Spring AI 的多租户 AI 客服 SaaS 平台开发，踩遍了多租户模型隔离、缓存隔离、流量控制、高并发优化等核心坑点。本文将从实战角度，完整拆解 SaaS 模式 AI 客服平台的开发全流程：从架构设计到核心难点突破，从功能实现到性能压测优化，所有代码均为生产环境可直接复用的实战代码，同时结合可视化图表清晰呈现核心逻辑，希望能给做 AI SaaS 开发的同学提供有价值的参考。 一、项目背景与架构设计 1.1 项目定位与核心需求 项目定位：SaaS 模式的智能客服解决方案，支持多企业租户接入，每个租户可自定义