项目简介

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动（ByteDance）开源的长程超级 Agent 框架，2026 年 2 月 28 日发布 2.0 版本后迅速登上 GitHub Trending 榜首。今日（2026-03-26）新增 5,621 stars，累计 47,274 stars。

GitHub 仓库：bytedance/deer-flow 官方网站：deerflow.tech

DeerFlow 2.0 是对 v1 的全面重写——两者不共享任何代码。它的定位从"深度研究框架"进化为超级 Agent 运行时（Super Agent Harness）：一个开箱即用、高度可扩展的 Agent 基础设施平台，让 Agent 真正能"做事"而不只是"说话"。

核心特性

1. 技能与工具系统（Skills & Tools）

DeerFlow 的技能（Skill）是结构化的能力模块——以 Markdown 文件定义工作流程、最佳实践和支撑资源的引用。框架内置了研究、报告生成、幻灯片创建、网页处理、图像和视频生成等多种技能，同时支持通过 MCP 服务器和 Python 函数自由扩展自定义工具。

技能采用渐进式加载策略：仅在任务需要时加载，有效节约上下文窗口，兼容对 token 敏感的模型。

内置技能目录结构如下：

1
2
3
4
5
6

/mnt/skills/public
├── research/SKILL.md
├── report-generation/SKILL.md
├── slide-creation/SKILL.md
├── web-page/SKILL.md
└── image-generation/SKILL.md

Claude Code 集成

DeerFlow 提供了 claude-to-deerflow 技能，可直接从 Claude Code 终端向运行中的 DeerFlow 实例发送研究任务、查看状态、管理对话线程：

1

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

2. 子代理系统（Sub-Agents）

复杂任务很少能一次完成。DeerFlow 支持动态分解：主代理可在运行时生成子代理，每个子代理拥有独立的上下文、工具集和终止条件。子代理可并行执行，将结构化结果汇报给主代理后统一综合输出。

这正是 DeerFlow 能处理耗时数分钟乃至数小时任务的底层机制：一项研究任务可能扇出为十几个子代理，各自探索不同角度，最终汇聚成一份报告、一个网站或一套带生成图像的幻灯片。

3. 沙盒与文件系统（Sandbox & File System）

每个任务都在独立的 Docker 容器中运行，拥有完整的文件系统——技能目录、工作区、上传区、输出区。Agent 可读写编辑文件、执行 bash 命令和代码，全程沙盒隔离，会话间零污染。

1
2
3
4

/mnt/user-data/
├── uploads/     ← 用户上传文件
├── workspace/   ← Agent 工作目录
└── outputs/     ← 最终输出物

4. 上下文工程（Context Engineering）

• 隔离子代理上下文：每个子代理运行在独立上下文中，不受主代理或其他子代理干扰
• 智能摘要：在会话内自动摘要已完成的子任务，将中间结果卸载到文件系统，压缩不再相关的内容
• 长期记忆（Long-Term Memory）：跨会话持久化记忆用户画像、偏好和知识积累，并自动去重，避免重复信息无限堆积

5. 消息通道集成（IM Channels）

支持从主流 IM 应用中接收任务，无需公网 IP：

快速开始

配置

1. 克隆仓库

1
2

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

2. 生成本地配置文件

1

make config

3. 配置模型（编辑 config.yaml）

1
2
3
4
5
6
7
8

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

支持通过 OpenRouter 等兼容 OpenAI 接口的网关接入其他模型。

4. 设置 API 密钥（.env 文件）

1
2

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

运行

方式一：Docker（推荐）

1
2

make docker-init   # 拉取沙盒镜像（首次或镜像更新时）
make docker-start  # 启动服务

方式二：本地开发

1
2
3

make check    # 检查 Node.js 22+、pnpm、uv、nginx 等前提条件
make install  # 安装前后端依赖
make dev      # 启动开发服务

访问地址：http://localhost:2026

推荐模型

DeerFlow 兼容任何实现了 OpenAI 兼容 API 的 LLM，但在以下特性上表现最佳：

• 长上下文窗口（100k+ tokens）
• 强推理能力（用于自适应规划和复杂分解）
• 多模态输入（图像理解与视频理解）
• 可靠的工具调用能力

官方强烈推荐：Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5。

嵌入式 Python 客户端

DeerFlow 也可作为 Python 库嵌入使用，无需启动完整 HTTP 服务：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

from deerflow.client import DeerFlowClient

client = DeerFlowClient()

# 普通对话
response = client.chat("帮我分析这篇论文", thread_id="my-thread")

# 流式输出
for event in client.stream("你好"):
    if event.type == "messages-tuple" and event.data.get("type") == "ai":
        print(event.data["content"])

# 配置与管理
models = client.list_models()
skills = client.list_skills()
client.upload_files("thread-1", ["./report.pdf"])

技术架构

• 后端：Python 58.6%（基于 LangGraph + LangChain）
• 前端：TypeScript 24.8% + HTML/CSS
• 容器化：Docker 全面支持
• 扩展协议：MCP（Model Context Protocol）服务器
• 许可证：MIT

与 v1 的区别

DeerFlow 2.0 是从零重写，不与 v1 共享任何代码。v1（原深度研究框架）维护在 1.x 分支，仍接受贡献。v2 的核心转变是：从"深度研究工具"升级为"超级 Agent 运行时"——不再是需要自己拼装的框架，而是一个含完整基础设施的即用型平台。

总结

DeerFlow 2.0 代表了字节跳动在 Agent 基础设施层面的最新探索。相较于其他深度研究框架，它的核心差异化在于：真正的执行能力——沙盒环境赋予 Agent 一台"自己的电脑"，而非只有 API 调用权限。结合子代理并发、长期记忆和可扩展技能体系，DeerFlow 具备处理复杂、长时、多步骤任务的完整能力链路，是目前开源社区中最具工程完整性的 Agent 框架之一。