Framework DeerFlow 字节开源编排子智能体的超级智能体框架

让 AI 智能体做「深度研究」——查几十个网页、读 PDF、交叉验证、写报告——单智能体很快就撞墙：上下文塞满、任务一长就跑偏、想并行又没人协调。2025 年爆火的 DeerFlow 最初就是为解决这个问题的开源 Deep Research 框架；而 2026 年 2 月发布的 2.0 版本干脆推倒重来，把自己升级成了「超级智能体框架」（super agent harness）：编排子智能体、记忆和沙箱，官方口号是「什么都能干」。重写版上线当天拿下 GitHub Trending 第一，成为今年智能体框架赛道最受关注的项目之一。

项目由字节跳动开源，采用 MIT 协议，Python 编写（前端配 Node.js），当前版本 v2.1.0，最近更新 2026 年 10 月 25 日，GitHub 星数超过 8.4 万。它基于 LangGraph 生态构建，内置技能体系，同时保持「拿来即用、拆开可改」的开源姿态。

项目基本信息

一、项目介绍

DeerFlow 2.0 是彻底重写版，与 v1 无共享代码，原 Deep Research 框架维护在 1.x 分支。新版本的定位是「harness」——智能体的执行层：把任务拆给子智能体并行处理，用记忆贯穿长周期，用沙箱承载代码执行和文件操作，再通过可扩展的技能体系接入新能力。工作区形态上，它有 Web 界面和终端 TUI 两种形态，能力中心（Capability Center）统一管理插件（MCP 服务器、飞书集成）和技能，支持导入社区 .skill 包。

知识检索是内建强项：可配置 RAGFlow 或 LightRAG 做私有知识检索，也支持 WeKnora 只读扩展，检索结果带引用快照。工程细节也下本：run 事件流、请求准入控制（适配各供应商 RPM 限制）、多种追踪后端（LangSmith、Langfuse、Monocle）开箱即用。部署上官方推荐 Linux 加 Docker 作为常驻服务，macOS 和 Windows 适合开发评估。

二、核心优势

第一，长任务架构是真的认真设计过。子智能体分工、长期记忆、上下文手动压缩、任务笔记、沙箱文件系统，针对的是「智能体干大活」的系统性问题，不是 demo 级编排。

第二，技能加插件双扩展。技能体系支持导出和导入，社区包可直接进能力中心；MCP 服务器和飞书集成走插件通道，扩展面宽。

第三，知识检索带引用。RAGFlow、LightRAG、WeKnora 多方案可选，检索证据带来源标注，研究类产出的可信度有保障。

第四，部署与运维考虑周全。Docker 开发和生产两套 compose、明确的资源配置建议（长跑服务 8 核 16G 起步）、升级路径文档化、安全须知单独成章。

第五，MIT 协议加字节背书。代码全开源，模型推荐清单（豆包 Doubao-Seed-Code、DeepSeek、Kimi）对国内开发者友好，火山引擎 coding plan 有官方合作入口。

三、适用场景

深度研究与调研报告：多源检索、交叉验证、结构化输出，子智能体并行大幅压缩总时长。长周期自动化任务：定时任务加会话目标，智能体自己推进多步骤工作。数据分析与代码执行：沙箱里跑代码、读写文件，结果回写工作区。企业内部知识助手：接 RAGFlow 或 WeKnora，检索内部文档并给出处。智能体产品原型：harness 架构可直接作为自研产品的执行层底座。学术与竞品调研：官方自身案例就是 landing page 级别的研究展示。

四、安装教程

官方最推荐的姿势是把安装说明丢给你自己的编码智能体，一句话完成 bootstrap：

Help me clone DeerFlow if needed, then bootstrap it for local development by following https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.md

手动安装走标准流程，先克隆仓库：

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

运行配置向导，按提示选 LLM 供应商、搜索服务和执行安全策略，约两分钟生成 config.yaml 和 .env：

make setup

Docker 方式启动（推荐，需 Docker Compose v2 以上）：

make docker-init    # 首次拉取沙箱镜像
make docker-start   # 启动服务
make docker-logs    # 看日志

本地开发模式则按 README 装 Python 3.12 以上和 Node.js 22 以上后运行。资源配置参考：Docker 开发至少 4 核 8G，长期运行的服务建议 8 核 16G 以上；Linux 加 Docker 是常驻服务的推荐目标。

常见报错：其一，Docker 构建时报 uv 锁文件错误——这是国内镜像用户的经典坑：UV_INDEX_URL 设成清华源会导致锁校验失败，保持默认 PyPI 源即可，npm 镜像（npmmirror）不受影响。其二，沙箱容器起不来——确认 make docker-init 已执行，provisioner 模式需检查 config.yaml 里的沙箱配置。其三，权限报错——按提示执行 sudo chown -R <uid>:<gid> 修复挂载目录属主。其四，旧版升级后配置不兼容——先跑 make config-upgrade 再重启。

五、使用示例

典型研究任务：在 Web 界面输入「调研 2026 年国内主流向量数据库的性能、价格和生态，输出对比报告」。DeerFlow 的编排层把任务拆成多个子智能体：一组并行检索各家官方文档和基准测试，一组读社区讨论和踩坑帖，沙箱里跑标准化测试脚本，最后汇总成带引用的报告。过程中你可以在对话里追加「补充 Qdrant 的托管版价格」，它只派一个子智能体去查这一项，不动已有成果。

定时任务场景：设置一个会话目标「每天早上汇总竞品 GitHub 仓库的 star 变化和 release 动态」，智能体按 cron 触发，把增量写进项目文档区，需要时打开工作区即可查看，不用每次重新交代背景。

六、常见问题

问：v1 用户怎么迁移？答：2.0 与 v1 无共享代码，是全新项目；老用户可在 1.x 分支继续用原 Deep Research 框架，官方仍接受该分支贡献，但活跃开发在 2.0。

问：必须用 Docker 吗？答：不是，但官方明确推荐 Docker（Linux 常驻）；macOS 和 Windows 建议作为开发评估环境。本地开发模式需要 Python 3.12 以上和 Node 22 以上。

问：模型怎么选？答：官方强烈推荐 Doubao-Seed-2.0-Code、DeepSeek v3.2 和 Kimi 2.5，火山引擎 coding plan 有合作入口；任何兼容供应商按配置向导接即可，还支持多供应商混用。

问：安全要注意什么？答：README 有专章：网关管理员权限等同代码执行，部署默认值不要直接暴露公网，外部聊天消息角色要谨慎配置——生产部署前务必读安全须知。

七、总结

DeerFlow 2.0 从「Deep Research 工具」进化成「超级智能体 harness」，子智能体编排、长期记忆、沙箱执行、技能生态四件套齐备，再加上字节的工程投入和 MIT 协议，是今年最值得研究的智能体框架之一。它对长任务、知识检索、定时自动化的支持都是系统级设计，不是功能堆砌。采用门槛主要在部署运维：Docker 加 Linux 是推荐姿势，资源配置要给够，安全须知务必读。如果你要搭一个「能自己干活、干长活、干完有据可查」的智能体系统，它是现成的起跑线。