几乎能做任何事情
2026年2月28日，DeerFlow 2.0 发布后，直接冲上了 GitHub Trending 第一名。这是字节跳动开源的一个超级智能体框架，它能协调子智能体、记忆和沙箱，几乎能做任何事情。
想象一下，你有一个超级智能助手，它不是一个单独的 AI，而是一个由多个专家 AI 组成的团队。
- 有做研究的专家
- 有写代码的专家
- 有分析数据的专家
- 有做决策的专家
这些专家 AI 会互相协作，完成从几分钟到几小时的复杂任务。这就是 DeerFlow（Deep Exploration and Efficient Research Flow）。
为什么需要 DeerFlow？
普通的 AI 助手有什么问题？
- 只能做简单任务，复杂任务容易出错
- 没有长期记忆，每次对话都是重新开始
- 不能和其他工具很好地协作
- 遇到需要执行代码的任务就卡住
DeerFlow 解决了这些问题：
- 子智能体协作：不同领域的专家 AI 一起工作
- 长期记忆：记住之前的对话和结果
- 沙箱环境：安全运行代码，不怕搞坏系统
- 扩展技能：可以通过技能插件扩展功能
核心功能
1. 技能和工具
DeerFlow 有一个可扩展的技能系统，就像给 AI 装插件一样。
- 内置了各种工具：搜索、代码执行、文件操作
- 可以自己开发新技能
- 技能之间可以互相调用
使用场景：
比如你想做市场调研，DeerFlow 可以：
- 使用搜索技能查找最新资料
- 使用文件操作技能保存结果
- 使用数据分析技能整理数据
- 使用报告生成技能输出最终结果
2. Claude Code 集成
DeerFlow 可以和 Claude Code 无缝集成，让 Claude 成为你的编程助手。
配置示例：
models:
- name: claude-sonnet-4.6
display_name: Claude Sonnet 4.6
use: deerflow.models.claude_provider:ClaudeChatModel
model: claude-sonnet-4-6
max_tokens: 4096
supports_thinking: true
使用场景：
当你需要写代码时，DeerFlow 会自动调用 Claude Code 来生成和执行代码，然后把结果整合到最终答案中。
3. 子智能体
DeerFlow 可以创建多个子智能体，每个负责不同的任务。
- 可以同时运行多个子智能体
- 子智能体之间可以通信和协作
- 可以根据任务类型自动选择合适的子智能体
使用场景：
比如做一个完整的项目：
- 产品经理智能体：分析需求
- 架构师智能体：设计系统架构
- 开发者智能体：编写代码
- 测试智能体：测试功能
4. 沙箱和文件系统
DeerFlow 有安全的沙箱环境，可以安全运行代码。
- 隔离的文件系统，不会影响你的电脑
- 可以在沙箱中安装依赖和运行程序
- 支持多种编程语言
使用场景：
当你需要测试一段陌生的代码时，不用怕它会搞坏你的系统，DeerFlow 会在沙箱里安全运行。
5. 上下文工程
DeerFlow 能智能管理上下文，让 AI 更好地理解你的需求。
- 自动提取和组织相关信息
- 动态调整上下文长度
- 确保重要信息不被遗忘
使用场景：
当你和 AI 进行长对话时，DeerFlow 会自动整理对话内容，确保 AI 不会忘记之前的重要信息。
6. 长期记忆
DeerFlow 有长期记忆系统，可以记住之前的对话和结果。
- 存储和检索历史信息
- 识别和关联相关内容
- 持续学习和改进
使用场景：
比如你正在做一个持续几周的项目，DeerFlow 会记住项目的所有细节，不需要你每次都重新介绍背景。
高级功能
沙箱模式
沙箱模式让你可以在安全的环境中运行代码：
# 启用沙箱模式
python -m deerflow --sandbox
使用场景：
当你需要运行不受信任的代码，或者测试可能有风险的操作时，沙箱模式能保护你的系统安全。
MCP 服务器
MCP（Message Control Protocol）服务器让 DeerFlow 可以和其他系统集成：
# 启动 MCP 服务器
python -m deerflow --mcp
使用场景：
当你需要把 DeerFlow 集成到现有的系统中，或者让多个 DeerFlow 实例互相通信时，MCP 服务器就派上用场了。
IM 渠道
DeerFlow 支持多种即时通讯渠道：
- Discord
- Slack
- Telegram
使用场景：
你可以在自己常用的聊天工具中与 DeerFlow 互动，不用打开专门的界面。
跟踪和监控
DeerFlow 支持两种跟踪系统：
- LangSmith Tracing
- Langfuse Tracing
使用场景：
当你需要监控 DeerFlow 的运行情况，或者调试复杂任务时，这些跟踪系统能帮你了解每一步的执行情况。
常见问题
Q: DeerFlow 需要什么配置的电脑？
A: 基本的开发电脑就可以，建议：
- 8GB 以上内存
- 20GB 以上磁盘空间
- Python 3.9+
Q: 运行 DeerFlow 需要多少钱？
A: DeerFlow 本身是免费开源的，但使用 AI 模型需要付费。你可以选择不同的模型，价格也不同。
Q: 我是 AI 新手，能学会用 DeerFlow 吗？
A: 完全可以！DeerFlow 的设计就是为了让复杂的 AI 任务变得简单。按照本教程的步骤，一步步来，很快就能上手。
Q: 可以用 DeerFlow 做什么？
A: 几乎什么都可以做：
- 市场调研和分析
- 代码开发和调试
- 内容创作和编辑
- 数据分析和可视化
- 学术研究和文献综述
快速开始
第一步：克隆仓库
打开终端，运行：
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
第二步：生成配置文件
在项目根目录运行：
make config
这个命令会根据模板创建本地配置文件。
第三步：配置模型
编辑 config.yaml 文件，添加至少一个模型：
models:
- name: gpt-4 # 内部标识
display_name: GPT-4 # 人类可读名称
use: langchain_openai:ChatOpenAI # LangChain 类路径
model: gpt-4 # API 模型标识
api_key: $OPENAI_API_KEY # API 密钥（推荐：使用环境变量）
max_tokens: 4096 # 每次请求的最大 token
temperature: 0.7 # 采样温度
推荐模型：
- Doubao-Seed-2.0-Code（字节跳动）
- DeepSeek v3.2
- Kimi 2.5
第四步：运行应用
有两种方式运行：
方式1：Docker（推荐）
docker-compose up -d
方式2：本地开发
# 安装依赖
pip install -e .
# 运行应用
python -m deerflow
最佳实践
1. 从小任务开始
刚开始使用 DeerFlow 时，先尝试一些简单的任务，比如：
- 搜索并整理一些信息
- 写一个简单的脚本
- 分析一个数据集
等熟悉了之后，再尝试更复杂的任务。
2. 合理配置模型
不同的任务适合不同的模型：
- 代码任务：Doubao-Seed-2.0-Code、DeepSeek v3.2
- 对话任务：Kimi 2.5、GPT-4
- 分析任务：Claude Sonnet 4.6
3. 利用子智能体
对于复杂任务，分解成多个子任务，让不同的子智能体来处理：
- 研究子智能体：收集信息
- 分析子智能体：整理数据
- 执行子智能体：完成具体任务
- 审查子智能体：检查结果
4. 定期保存结果
在处理长时间任务时，定期保存中间结果，防止意外中断导致工作丢失。
总结
DeerFlow 是一个强大的超级智能体框架，它让 AI 从单打独斗变成了团队协作。
核心优势：
- 子智能体协作，分工明确
- 长期记忆，持续学习
- 沙箱环境，安全可靠
- 扩展技能，功能丰富
适用场景：
- 复杂的研究和分析任务
- 代码开发和调试
- 内容创作和管理
- 数据分析和可视化
开始你的 DeerFlow 之旅吧！
关注引导
如果觉得这篇文章对你有帮助，随手点个赞、在看、转发三连吧～如果想第一时间收到推送，也可以给我个星标⭐。谢谢你看我的文章，我们下次再见。
