🦌 DeerFlow 2.0：可能是目前最值得玩的开源 Agent 框架

HarryPoint
0 阅读7分钟

先说人话：DeerFlow 是什么？

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动开源的 Super Agent Harness。

翻译成人话就是——它不只是一个会聊天的 AI，而是一套真正能替你干活的智能体系统。

为什么强调这个？因为现在满大街都是"AI 助手"，但99%都只是嘴炮选手——它能跟你聊天，但没法真的帮你执行任务。

DeerFlow 不一样。它有：

  • 🖥️ 自己的文件系统——能读写文件

  • ⚙️ 自己的执行环境——能跑代码、执行命令

  • 📊 自己的记忆系统——跨 session 记住你的偏好

  • 🔌 可插拔的技能系统——像搭积木一样扩展能力

我第一次用它做调研的时候，跟朋友说了一句话：** "相当于给 AI 配了一台电脑，而不是只给它一个键盘。" **

我拿它干了什么？

📊 场景一：凌晨两点的文献调研

上周赶一篇技术报告，需要梳理近三年所有关于 LLM Agent 的论文。换以前我要么熬夜硬啃，要么灌几杯咖啡然后大概率睡着。

这次我跟 DeerFlow 说：** "帮我整理 2023-2026 年关于 LLM Agent 的重要论文，按时间线组织，每篇给一句话总结和主要贡献。" **

然后我去洗澡了。

回来的时候它已经整理好了——16篇论文，按年份分类，每篇有摘要、主要贡献、我的个人评价（它学会的），还有一个我可以直接复制粘贴到报告里的参考文献列表。

**这大概花了 20 分钟。 ** 我自己干至少要两天。

💻 场景二：我的 CI/CD 流程自动化

作为一个半吊子 DevOps 选手，配置 CI/CD 一直是我头疼的事。

我用 Claude Code 里的 DeerFlow 插件，直接在终端里说：** "帮我用 GitHub Actions 搭建一个 Node.js 项目的 CI 流程，包括单元测试、集成测试、和自动部署到 Vercel。" **

它不仅生成了配置文件，还自动检测我的项目结构，发现我的测试框架是 Vitest 不是 Jest，主动调整了配置。

整个过程我没打开任何文档，没查任何 Stack Overflow。

🎨 场景三：给技术博客生成配图

写技术文章最烦的就是配图。以前我都是随便找点素材凑合，或者干脆不配图。

现在我直接跟 DeerFlow 说：** "帮我生成一张图，展示 LangGraph 的多智能体协作流程，配色要科技感，风格要极简。" **

它直接调用的内置 image-generation skill，生成了一张我自己用 Figma 可能要画两小时的图。

核心特性解析（偏技术向）

Sub-Agents：你的并行工作流

DeerFlow 的 Sub-Agent 系统是我见过最优雅的多智能体实现之一。

当你提交一个复杂任务时，lead agent 会自动拆解成多个子任务，然后并行拉起多个 sub-agent 独立执行。

举个例子，当我让它研究"对比分析 Claude MCP 和 OpenAI Plugin 生态"：

  • Sub-agent 1：负责爬取 Claude MCP 官方文档

  • Sub-agent 2：负责爬取 OpenAI Plugin 生态资料

  • Sub-agent 3：负责搜索 GitHub 上的实际项目案例

  • Sub-agent 4：负责搜索开发者社区的讨论和评价

四个 sub-agent 同时工作，30分钟后合并成一份完整的对比分析报告。

**以前我串行做这件事，需要半天。 **

Sandbox：安全隔离的"AI 电脑"

每个任务都运行在独立的 Docker 容器里，容器里有完整的 Linux 环境：


/mnt/user-data/

├── uploads/     ← 你上传的文件

├── workspace/  ← AI 的工作目录

└── outputs/    ← 最终交付物

这意味着：

  1. 安全隔离——AI 的操作不会影响你的真实系统

  2. 环境一致——每次运行的环境完全相同，不会出现"在我这儿能跑"的问题

  3. 可审计——所有文件操作、命令执行都有记录

我之前用其他 AI 编程工具，最怕的就是它一不小心执行了某个危险命令。DeerFlow 的 sandbox 模式让我安心多了。

Skills 系统：把工作流固化成模板

Skills 是 DeerFlow 最让我上头的功能。

本质上，一个 Skill 就是一个 Markdown 文件，定义了：

  • 这个技能的工作流程

  • 最佳实践和注意事项

  • 相关的参考资料

内置的 skills 包括：

  • 📚 research — 深度研究报告

  • 📄 report-generation — 报告生成

  • 🎯 slide-creation — PPT/演示文稿

  • 🌐 web-page — 网页生成

  • 🖼️ image-generation — 图片生成

最妙的是按需加载——只有当任务需要某个 skill 时，它才会被注入到上下文里。这意味着你的 token 不会被浪费在无关的内容上。

我已经开始写自己的 skill 了，把我写技术博客的工作流固化下来。下次写新文章，只需要一行命令，DeerFlow 就能自动完成：选题调研 → 列提纲 → 写初稿 → 配图 → 自审校

Memory：越用越懂你

大部分 AI 工具在你关闭对话后就"失忆"了。

DeerFlow 不一样。它会跨 session 记住：

  • 你的写作风格（我是技术写作风格偏口语化）

  • 你的技术栈偏好（我更关注 LLM 和 Agent 方向）

  • 你常见的工作习惯（我喜欢用列表而不是长段落）

用了两周后，我发现它的输出越来越符合我的"口味"了。这种感觉…像是找了一个长期并肩作战的搭档，而不是每次都从零开始的工具。

安装避坑指南（新手向）

方式一：Docker（推荐指数 ⭐⭐⭐⭐⭐）

说实话，这是我见过安装最友好的开源 AI 项目之一。

第一步：克隆代码


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

cd deer-flow

第二步：生成配置


make config

这一步会自动生成 config.yaml，你只需要填模型配置就行。

第三步：选模型

我个人的推荐是：

  • 🌱 Doubao-Seed-2.0-Code（国内首选，速度快，效果好）

  • 🔵 DeepSeek v3.2（性价比之王）

  • 🌙 Kimi 2.5（中文理解能力强）

配置示例：


models:

 - name: doubao-seed

   display_name: Doubao-Seed-2.0

   use: langchain_openai:ChatOpenAI

   model: doubao-seed-2.0-code

   api_key: $DOUBO_API_KEY

   base_url: https://ark.cn-beijing.volces.com/api/v3

第四步：配 API Key


# 网络搜索（必需，没有就等于瞎子）

TAVILY_API_KEY=your-tavily-key-here

  


# 各大模型 API Key（按需配置）

ARK_API_KEY=your-ark-key-here

DEEPSEEK_API_KEY=your-key-here

KIMI_API_KEY=your-key-here

💡 Tavily API 有免费额度，去 tavily.com 注册就行，5分钟搞定。

第五步：启动


make docker-init   # 首次运行需要拉镜像，等几分钟

make docker-start  # 启动服务

然后打开 http://localhost:2026 ，开始玩耍！

方式二：本地开发

如果你想深度定制或者参与开发：


make check          # 检查环境依赖

make install        # 安装前后端依赖

make dev            # 启动开发模式

⚠️ 本地模式需要自己处理 Node.js、pnpm、uv、nginx 等依赖，新手建议直接用 Docker。

几个我踩过的坑

**Q1：模型连不上？ **

→ 99% 的情况是 API Key 填错了。注意 .env 文件里的变量名要和 config.yaml 里的一致，比如 Doubao 用的是 ARK_API_KEY 不是 DOUBO_API_KEY。

**Q2：搜索功能不工作？ **

→ 确认配置了 TAVILY_API_KEY，这是 DeerFlow 网页搜索的灵魂。没有它，DeerFlow 就没法主动查资料。

**Q3：第一次启动特别慢？ **

→ 正常现象，Docker 需要拉取基础镜像，大概 2-3GB。喝杯咖啡就好了。

彩蛋：Claude Code 用户看过来

如果你用 Claude Code，有个骚操作——可以直接在终端里调用 DeerFlow：


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

然后在 Claude Code 里用 /claude-to-deerflow 命令。

这意味着你可以在不离开编辑器的情况下，让 DeerFlow 帮你完成研究、生成报告、甚至创建图片。

我的工作流：用 Claude Code 写代码 → 遇到不熟悉的领域 → /deerflow 做调研 → 调研结果直接贴到代码注释里 → 继续写代码

爽。

写在最后

说实话，第一次看到 DeerFlow 的介绍时，我是有点怀疑的——"Deep Research"这个概念在 2023 年就被炒烂了，大部分都是噱头。

但真正用了一周后，我的评价是：**这是目前最接近"AI 个人助理"这个概念的开源实现。 **

它不完美——配置对新手还是有门槛，sandbox 模式占用资源不小，某些场景下响应速度不够快。

但作为一个开源项目，它展现了真正的工程诚意：

  • 代码质量高，文档详细

  • 架构设计清晰，扩展性强

  • 社区活跃，响应迅速

**开源免费，数据完全在自己手里。 ** 光这一点，就值得你花20分钟体验一下。

avatar
文章
阅读
粉丝