DeerFlow 2.0：字节跳动开源的超级 Agent 编排框架，从入门到上手DeerFlow 2.0：字节跳动开源的

DeerFlow 2.0：字节跳动开源的超级 Agent 编排框架，从入门到上手

2026 年 2 月 28 日，字节跳动开源的 DeerFlow 2.0 发布后直接登顶 GitHub Trending 第 1 名。这个项目到底是什么？它和 LangChain、AutoGPT 有什么区别？本文带你从零了解并跑起来。

什么是 DeerFlow？

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

简单来说，它把子 Agent、记忆系统、沙箱环境和可扩展的技能系统组织在一起，让 AI Agent 能够完成几乎任何复杂任务——从深度研究、代码编写到内容创作，处理时长从几分钟到几小时不等。

核心亮点：

🏆 GitHub Trending 第 1 名（2.0 发布当天）
🔄 2.0 是彻底重写，与 1.x 完全不同
🧩 四大核心模块：Sub-Agents、Memory、Sandbox、Skills
🌐 支持 Telegram、Slack、飞书、企业微信等 IM 平台
🔧 支持自定义 Skills、MCP Server、多种 LLM 模型

GitHub 地址： github.com/bytedance/d…

官网： deerflow.tech

核心架构一览

DeerFlow 的架构可以用四个关键词概括：

1. Sub-Agents（子 Agent）

采用分层 Agent 架构：

Lead Agent：主控 Agent，负责任务分解和协调
Sub-Agents：专门的子 Agent，处理特定任务（代码生成、数据分析等）
Claude Code 集成：可以直接调用 Claude Code、Codex、Cursor 等编码 Agent

2. Sandbox（沙箱环境）

三种执行模式：

本地执行：直接在宿主机运行（开发测试用）
Docker 执行：在隔离容器中运行（推荐）
Kubernetes 执行：通过 Provisioner 在 K8s Pod 中运行（生产环境）

3. Memory（记忆系统）

短期记忆：会话上下文管理
长期记忆：跨会话的知识积累
Context Engineering：智能上下文压缩和优化

4. Skills & Tools（技能与工具）

内置 Skills：文件操作、网络搜索、代码执行等
MCP Server 支持：可扩展的工具协议
InfoQuest 集成：字节自研的智能搜索和爬虫工具集

快速开始

方式一：一句话交给 Coding Agent（最省事）

如果你在用 Claude Code、Cursor、Windsurf 等 AI 编码工具，直接发给它这句话：

如果还没 clone DeerFlow，就先 clone，然后按照 https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.md 把它的本地开发环境初始化好

Agent 会自动完成克隆、配置和初始化，你只需要补充 API Key。

方式二：手动安装（3 步搞定）

第 1 步：克隆仓库

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

第 2 步：运行安装向导

make setup

交互式向导会引导你选择 LLM 提供商、配置搜索引擎、设置执行模式。完成后自动生成 config.yaml 和 .env 文件，整个过程约 2 分钟。

第 3 步：验证配置

make doctor

检查配置是否正确，给出可操作的修复建议。

配置详解

模型配置

编辑 config.yaml，至少定义一个模型：

models:
  # OpenAI
  - name: gpt-4o
    display_name: GPT-4o
    use: langchain_openai:ChatOpenAI
    model: gpt-4o
    api_key: $OPENAI_API_KEY
    max_tokens: 4096
    temperature: 0.7

  # OpenRouter（接入各种模型的统一网关）
  - 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: $OPENROUTER_API_KEY
    base_url: https://openrouter.ai/api/v1

  # 本地 vLLM 部署
  - name: qwen3-32b-vllm
    display_name: Qwen3 32B (vLLM)
    use: deerflow.models.vllm_provider:VllmChatModel
    model: Qwen/Qwen3-32B
    api_key: $VLLM_API_KEY
    base_url: http://localhost:8000/v1
    supports_thinking: true

API Key 配置

在 .env 文件中设置：

OPENAI_API_KEY=your-openai-api-key
TAVILY_API_KEY=your-tavily-api-key
INFOQUEST_API_KEY=your-infoquest-api-key

运行 DeerFlow

Docker 模式（推荐）

# 首次运行：拉取 sandbox 镜像
make docker-init

# 启动服务（支持热更新，开发用）
make docker-start

# 生产模式（本地构建镜像）
make up

# 停止服务
make down

本地开发模式

# 检查依赖（需要 Node.js 22+、pnpm、uv、nginx）
make check

# 安装依赖
make install

# 启动服务
make dev

启动后访问：http://localhost:2026

IM 渠道集成

DeerFlow 一个很实用的特性是支持多种 IM 平台，而且不需要公网 IP：

渠道	传输方式	上手难度
Telegram	Bot API (long-polling)	简单
Slack	Socket Mode	中等
飞书/Lark	WebSocket	中等
企业微信	WebSocket	中等

以 Telegram 为例，配置非常简单：

# config.yaml
channels:
  telegram:
    enabled: true
    bot_token: $TELEGRAM_BOT_TOKEN
    allowed_users: []  # 留空表示允许所有人

# .env
TELEGRAM_BOT_TOKEN=123456789:ABCdefGHIjklMNOpqrSTUvwxYZ

这意味着你可以在手机上通过 Telegram 直接和 DeerFlow 对话，让它帮你做研究、写代码、处理文件。

部署资源建议

部署场景	起步配置	推荐配置
本地体验 / `make dev`	4 vCPU、8 GB RAM、20 GB SSD	8 vCPU、16 GB RAM
Docker 开发 / `make docker-start`	4 vCPU、8 GB RAM、25 GB SSD	8 vCPU、16 GB RAM
长期运行服务 / `make up`	8 vCPU、16 GB RAM、40 GB SSD	16 vCPU、32 GB RAM

注意：以上不包含本地大模型部署的资源。生产环境推荐 Linux + Docker。

进阶玩法

MCP Server 扩展

DeerFlow 支持 MCP Server 协议，可以接入各种外部工具。对于 HTTP/SSE MCP Server，还支持 OAuth token 流程。

LangSmith / Langfuse 链路追踪

想看 Agent 每一步在干什么？启用链路追踪：

tracing:
  langsmith:
    enabled: true
    api_key: $LANGSMITH_API_KEY
    project: deerflow-project

Python Client 嵌入

可以在你自己的 Python 项目中直接调用 DeerFlow：

from deerflow import DeerFlowClient

client = DeerFlowClient(config_path="config.yaml")
response = client.run(
    task="帮我分析这个 GitHub 仓库的代码质量",
    agent="lead_agent"
)
print(response)

DeerFlow vs 其他 Agent 框架横评

市面上 Agent 框架越来越多，DeerFlow 到底处于什么位置？我把几个主流框架放在一起对比：

对比总览

维度	DeerFlow 2.0	OpenClaw	LangGraph	CrewAI	AutoGPT
定位	Super Agent Harness	个人 AI 助手	Agent 编排底层框架	Multi-Agent 协作	自主 Agent
开发语言	Python + TypeScript	Node.js (TypeScript)	Python	Python	Python
IM 渠道	4 个（Telegram/Slack/飞书/企微）	25+ 个（几乎全覆盖）	无	无	无
Sandbox 隔离	✅ Docker/K8s	✅ 沙箱执行	❌ 需自建	❌	❌
长期记忆	✅ 内置	✅ 文件系统 + Memory	✅ 内置	❌ 需插件	✅
MCP 协议	✅	✅	❌	❌	❌
语音交互	❌	✅ 唤醒词 + TTS	❌	❌	❌
Coding Agent 集成	✅ Claude Code/Codex	✅ Claude Code/Codex/Cursor	❌	❌	❌
上手难度	中等	简单（npm 一键安装）	较高	简单	中等
适合场景	研究/编码/自动化任务	全天候个人助手	自定义 Agent 工作流	团队协作任务	实验性自主任务

详细对比

DeerFlow vs LangGraph

DeerFlow 基于 LangGraph 构建，可以理解为 LangGraph 的"上层应用"：

LangGraph 是底层编排框架，提供图结构、状态管理、持久化等基础能力
DeerFlow 在此之上封装了 Sandbox、Memory、IM 渠道、Skills 等开箱即用的功能

类比：LangGraph 是 Express.js，DeerFlow 是 Next.js。

DeerFlow vs OpenClaw

这两个项目定位不同但有交集：

OpenClaw 更像一个"个人 AI 管家"——跑在你自己的设备上，连接你所有的聊天渠道（WhatsApp、Telegram、微信、QQ 等 25+ 个），支持语音唤醒、Live Canvas、多 Agent 路由。它的核心价值是随时随地可用的个人助手。
DeerFlow 更像一个"AI 工作站"——专注于复杂任务的执行，强调 Sandbox 隔离、Sub-Agent 编排、深度研究能力。它的核心价值是完成高难度的长时间任务。

简单说：OpenClaw 是你的日常助手，DeerFlow 是你的专项工具。

如果你想要一个 7×24 小时在线、能在手机上随时聊天的 AI 助手，OpenClaw 更合适。如果你需要让 AI 花几个小时帮你做深度研究或写一个完整项目，DeerFlow 更对口。

DeerFlow vs CrewAI

CrewAI 强调"角色扮演"式的多 Agent 协作（给每个 Agent 分配角色和目标）
DeerFlow 更工程化，有真正的 Sandbox 隔离和代码执行环境

CrewAI 适合快速原型，DeerFlow 适合生产环境。

DeerFlow vs AutoGPT

AutoGPT 是"放飞自我"式的自主 Agent，给个目标就让它自己跑
DeerFlow 更可控，有明确的任务分解和执行流程

AutoGPT 适合实验和探索，DeerFlow 适合需要可靠输出的场景。

选型建议

想要个人 AI 助手，随时聊天 → OpenClaw
想做深度研究、复杂编码任务 → DeerFlow
想从零构建自定义 Agent 工作流 → LangGraph
想快速搭建多 Agent 协作原型 → CrewAI
想实验自主 Agent 的极限 → AutoGPT

安全注意事项

⚠️ 几个重要提醒：

不要在生产环境直接暴露 DeerFlow 服务
使用 Sandbox 模式隔离代码执行
配置 allowed_users 白名单（IM 渠道）
定期更新依赖和镜像

总结

DeerFlow 从最初的 Deep Research（深度研究框架）演变为通用的 Super Agent Harness，能够处理研究、编码、创作、自动化等各种任务。

如果你对 Multi-Agent 系统感兴趣，或者想给自己搭一个私有化的 AI 助手，DeerFlow 值得一试。

相关链接：

常见问题

Q: 可以用国内大模型吗？

可以。推荐豆包（Doubao）、DeepSeek、Kimi，配置方式与 OpenAI 兼容。

Q: 支持完全本地部署吗？

支持。可以用 vLLM、Ollama 等本地推理服务，无需云端 API。

Q: 如何自定义 Skills？

参考 backend/deerflow/skills/ 目录下的示例，创建 Skill 类并在 config.yaml 中注册。

Q: Windows 能跑吗？

可以，但需要用 Git Bash 运行。不支持原生 cmd.exe 或 PowerShell。推荐 WSL2 或直接用 Linux/macOS。

DeerFlow 2.0：字节跳动开源的超级 Agent 编排框架，从入门到上手