DeerFlow - 2.0DeerFlow深度探索和高效研究流程是一款开源的超代理助手它结合了子代理、内存和沙盒来执行几乎任何任务具备高度可扩展的技能系统。无论你是进行复杂的研究还是需要自动化内容工作流DeerFlow 都能轻松应对。2026年2月28日DeerFlow 2.0 在GitHub Trending上荣获第1名成为广大开发者和研究者的热门工具。官方网站通过我们的官方网站了解更多信息并查看真实的演示。目录快速开始配置运行应用选项1Docker推荐选项2本地开发高级沙盒模式MCP服务器从深度研究到超代理助手核心功能技能与工具子代理沙盒与文件系统上下文工程长期记忆推荐模型嵌入式Python客户端文档许可证致谢快速开始配置克隆DeerFlow代码库gitclone https://github.com/bytedance/deer-flow.gitcddeer-flow生成本地配置文件在项目根目录下运行makeconfig配置你的模型编辑config.yaml文件以定义至少一个模型models:-name:gpt-4# 内部标识符display_name:GPT-4# 易于理解的名称use:langchain_openai:ChatOpenAI# LangChain类路径model:gpt-4# 模型标识符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数temperature:0.7# 采样温度设置API密钥选择以下方法中的一种选项A在项目根目录下编辑.env文件推荐TAVILY_API_KEYyour-tavily-api-keyOPENAI_API_KEYyour-openai-api-key选项B在你的shell中导出环境变量exportOPENAI_API_KEYyour-openai-api-key选项C直接在config.yaml编辑不推荐用于生产models:-name:gpt-4api_key:your-actual-api-key-here# 替换占位符运行应用选项1Docker推荐最简单的方式以获得一致的环境初始化并启动makedocker-init# 拉取沙盒镜像仅一次或当镜像更新时makedocker-start# 启动服务自动检测config.yaml中的沙盒模式访问http://localhost:2026提供有关Docker开发的详细指南请参考CONTRIBUTING.md。选项2本地开发如果你更倾向于本地运行服务检查前提条件makecheck# 验证Node.js 22、pnpm、uv、nginx可选预拉沙盒镜像# 如果使用Docker/基于容器的沙盒请推荐此操作makesetup-sandbox启动服务makedev访问http://localhost:2026高级使用沙盒模式DeerFlow支持多种沙盒执行模式本地执行直接在主机上运行沙盒代码Docker执行在孤立的Docker容器中运行沙盒代码Kubernetes执行通过供应程序服务在Kubernetes中的pods运行沙盒代码有关如何配置您的首选模式请参见沙盒配置指南。MCP服务器DeerFlow支持可配置的MCP服务器和技能以扩展其功能。有关详细说明请参见MCP服务器指南。从深度研究到超代理助手DeerFlow最初是一个深度研究框架随着开发者不断探索它的功能被扩展到了构建数据管道、生成幻灯片、启动仪表板、自动化内容工作流等全新领域。我们意识到DeerFlow不仅仅是一个研究工具而是一个助手——一个为代理提供执行工作所需基础设施的运行时。因此我们从头开始重建了它。DeerFlow 2.0不再是一个你需要拼接在一起的框架。它是一个超代理助手——内置电池完全可扩展。基于LangGraph和LangChain构建DeerFlow提供了代理所需的一切文件系统、内存、技能、沙箱执行以及为复杂的多步骤任务规划和生成子代理的能力。你可以直接使用它或者将其拆解并自行修改。核心功能技能与工具技能使DeerFlow能够完成几乎所有事情。标准的代理技能是一个结构化的能力模块——一个Markdown文件定义了工作流程、最佳实践和支持资源的参考。DeerFlow内置了多个技能例如研究、报告生成、幻灯片制作、网页、图像和视频生成等等。真正的强大之处在于可扩展性添加你自己的技能、替换内置的技能或将它们组合成复合工作流。技能是按需加载的——只有当任务需要它们时才会加载这样可以保持上下文窗口的简洁即使是对token敏感的模型DeerFlow也能良好运作。工具遵循相同的原则。DeerFlow提供了一套核心工具——网页搜索、网页提取、文件操作、bash执行——同时支持通过MCP服务器和Python函数来使用自定义工具。# 沙盒容器内部的路径 /mnt/skills/public ├── research/SKILL.md ├── report-generation/SKILL.md ├── slide-creation/SKILL.md ├── web-page/SKILL.md └── image-generation/SKILL.md /mnt/skills/custom └── your-custom-skill/SKILL.md ← 你的自定义技能子代理复杂任务通常不能一次性完成。DeerFlow会将这些复杂任务拆分为多个子代理。主代理可以动态生成子代理——每个子代理拥有自己的上下文、工具和终止条件。子代理在可能的情况下并行运行返回结构化结果主代理将所有结果综合成一个连贯的输出。这就是DeerFlow如何处理需要几分钟到几小时的任务一个研究任务可能会扩展为多个子代理每个子代理探索不同的角度然后汇聚成一份报告、一个网站或生成图像的幻灯片。一个助手众多手。沙盒与文件系统DeerFlow不仅仅是口头上说要执行任务。它拥有自己的计算环境。每个任务在一个独立的Docker容器内运行具备完整的文件系统——技能、工作区、上传文件和输出结果。代理可以读取、写入和编辑文件可以执行bash命令和代码查看图像。所有工作都是在沙盒中进行的可以审计确保会话之间没有任何影响。# 沙盒容器内部的路径 /mnt/user-data/ ├── uploads/ ← 你的文件 ├── workspace/ ← 代理的工作目录 └── outputs/ ← 最终交付成果上下文工程隔离的子代理上下文每个子代理在自己的上下文中运行。这意味着子代理无法看到主代理或其他子代理的上下文这对于确保子代理能够专注于手头任务至关重要。摘要化在一个会话中DeerFlow会积极管理上下文——对已完成的子任务进行摘要卸载中间结果到文件系统压缩不再立即相关的内容。这使得它在跨越长时间、多个步骤的任务中保持敏锐而不会超出上下文窗口。长期记忆大多数代理在会话结束时会忘记一切而DeerFlow则会记住。通过会话DeerFlow构建了持久的记忆记录了你的个人信息、偏好和积累的知识。使用得越多它就会越了解你——你的写作风格、技术栈、常见工作流。记忆保存在本地并保持在你的控制之下。推荐模型DeerFlow是模型无关的——它可以与任何实现OpenAI兼容API的LLM一起使用。不过它在以下模型上表现最佳长上下文窗口100k tokens适合深度研究和多步骤任务推理能力支持自适应规划和复杂分解多模态输入适合图像理解和视频理解强大的工具使用确保可靠的功能调用和结构化输出嵌入式Python客户端DeerFlow可以作为一个嵌入式Python库使用无需运行完整的HTTP服务。DeerFlowClient提供直接的进程内访问所有代理和网关功能返回与HTTP网关API相同的响应格式fromsrc.clientimportDeerFlowClient clientDeerFlowClient()# 聊天responseclient.chat(分析这篇论文给我,thread_idmy-thread)# 流媒体LangGraph SSE协议values、messages-tuple、endforeventinclient.stream(hello):ifevent.typemessages-tupleandevent.data.get(type)ai:print(event.data[content])# 配置与管理——返回与网关对齐的字典modelsclient.list_models()# {models: [...]}skillsclient.list_skills()# {skills: [...]}client.update_skill(web-search,enabledTrue)client.upload_files(thread-1,[./report.pdf])# {success: True, files: [...]}文档贡献指南 - 开发环境设置与工作流程配置指南 - 设置与配置说明架构概述 - 技术架构的详细信息后端架构 - 后端架构与API参考许可证该项目开源遵循MIT许可证。同类项目功能与特点在开源领域还有一些与DeerFlow类似的项目可供选择LangChain提供一种框架使开发者能够轻松结合各种大语言模型并扩展其功能支持多种API接入方式。AutoGPT通过大语言模型自主生成指令并执行创建更复杂的工作流。Haystack针对文档检索和问答系统的开源框架提供了高效的搜索和响应功能。这些项目在不同的场景下有着各自的强大功能开发者可以根据自己的需求选择最适合的工具来实现目标。