DeerFlow

DeerFlow 是由字节跳动开源的 SuperAgent 框架，基于 LangGraph 和 LangChain 构建，提供可扩展的智能体运行环境。项目整合了沙箱、记忆、工具、技能、子代理和消息网关，支持从几分钟到数小时的复杂任务自动化。

分类：AI智能体

点击访问手机查看

分享到：

DeerFlow 是什么？

DeerFlow（Deep Exploration and Efficient Research Flow，深度探索与高效研究流程）是字节跳动于 2025 年 5 月开源的 AI 智能体框架，2026 年 2 月 28 日发布 2.0 版本后迅速登顶 GitHub Trending 榜首。项目定位为"SuperAgent Harness"，即超级智能体的运行框架，让 AI Agent 能够像人类一样进行研究、编程和创作。

DeerFlow 2.0 基于 LangGraph 1.0 完全重构，解决了大语言模型在处理复杂任务时的上下文爆炸、记忆丢失等核心痛点。通过集成沙箱环境、长效记忆、多智能体编排等能力，支持从几分钟到数小时的长时任务，适用于深度研究、自动化内容创作、企业工作流等场景。

DeerFlow 的核心功能或服务

技能与工具系统：内置研究、报告生成、幻灯片制作、网页生成、图像与视频生成等多种技能模块，支持动态按需加载。
子代理编排：主代理可动态创建子代理，每个子代理拥有独立上下文、工具和结束条件，支持并行执行复杂任务。
沙箱与文件系统：每个任务运行在隔离的 Docker 容器中，具备完整文件系统，支持 Bash 命令、代码执行、文件读写等操作。
上下文与记忆管理：子代理上下文隔离，支持会话内摘要、中间结果卸载、上下文压缩，长期记忆可跨会话保存。
多通道消息网关：支持 Telegram、Slack、飞书/Lark 等 IM 平台接入，无需公网 IP 即可实现远程操控。
嵌入式 Python 客户端：提供 DeerFlowClient，可在 Python 程序中直接调用代理能力，无需启动 HTTP 服务。
MCP 服务器支持：支持 Model Context Protocol，可扩展外部工具和数据源集成。

DeerFlow 的适用场景

深度研究与报告生成：自动收集多源信息、分析资料、生成结构化研究报告，适用于学术研究、竞品分析、行业调研。
自动化内容创作：一键生成幻灯片、网页、图像、视频等内容，适合营销团队和内容创作者。
数据管道与看板构建：自动化数据提取、处理、可视化，构建实时数据监控看板。
复杂工作流编排：多步骤任务分解、并行执行、结果合成，适合企业内部流程自动化。
教育与培训：自动生成教学材料、练习题、代码示例，辅助教学和学习。
企业内部助手：集成到 Slack/飞书等平台，协助日常任务自动化，如会议纪要、邮件整理等。

如何使用 DeerFlow

Docker 部署（推荐）

克隆仓库：


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

配置环境变量：


cp .env.example .env
# 编辑 .env 文件，配置 API 密钥和模型

启动服务：


docker-compose up -d

访问界面：打开浏览器访问 http://localhost:8000

本地开发模式

安装依赖：


pip install -r requirements.txt

配置模型：编辑 config.yaml，配置 LLM 提供商（支持 OpenAI、Claude、Gemini 等）。
启动服务：


python main.py

Python 客户端使用


from deerflow import DeerFlowClient

client = DeerFlowClient()
result = client.run(
    task="研究 2026 年 AI Agent 发展趋势，生成一份报告",
    skills=["research", "report_generation"]
)
print(result)