导读2026 年 2 月 28 日字节跳动开源的 DeerFlow 2.0 冲上 GitHub Trending 第一。一个月不到Star 数飙到 48kFork 5700。一个中国大厂的开源 Agent 项目为什么能让全球开发者集体高潮我想把 DeerFlow 2.0 拆开来看——它到底做了什么为什么做对了以及你能不能真的用起来。一、从一个 Deep Research 工具到「给 AI 一台电脑」DeerFlow 1.x 时代它的定位很简单Deep Research深度研究。你给它一个问题它帮你搜资料、整理、出报告。市面上这类工具不少OpenAI 的 Deep Research、Perplexity 的 Pro Search 都是。但社区拿它干了什么有人用它搭数据管线有人做 PPT有人搞自动化内容生产。全是开发者的野路子DeerFlow 1.x 压根没设计过这些场景。字节团队从中读到了一个信号DeerFlow 不只是个研究工具它是一个 Agent 的运行时——一个 harness。所谓 harness就是「控制台」「工位」——不光给 AI 一个大脑还给它手脚、工具箱、工作台。DeerFlow 2.0 从零重写核心定位变成了Super Agent Harness让 Agent 能在一个完整的执行环境里自主完成从几分钟到几小时的复杂任务。说白了1.x 是个研究员2.0 是个包工头——带着一帮小弟、工具、图纸、工作记忆去工地干活。二、三件套分身、工位、记性DeerFlow 2.0 的核心能力可以拆成三块X 上有人总结得很到位——「AI 三件套」1. 无限分身Sub-Agents复杂任务拆解是 Agent 框架的老大难问题。DeerFlow 的做法是让 Lead Agent 按需派生子 Agent每个子 Agent 有独立的上下文、工具集和终止条件。底层实现基于LangGraph——LangChain 团队出的有状态图执行框架。每个 Agent 是图中的一个节点节点之间的边定义了控制流和数据流。Lead Agent 是入口节点它通过条件边conditional edges决定往哪个子节点路由子节点执行完再汇回 Lead Agent 做汇总。具体执行模式有四档表格模式速度子Agent适用场景Flash最快不启用简单问答、快速搜索Standard中等不启用常规任务ProPlanning较慢不启用需要规划步骤的复杂任务Ultra最慢启用多步骤长时间任务举个实际场景你让它做一份行业研究报告用 Ultra 模式。Lead Agent 先做任务规划——「搜索 A 领域」「搜索 B 领域」「整理数据」「写报告」「做 PPT」——然后分派给子 Agent 并行执行。每个子 Agent 执行时 recursion_limit 默认设到 100可在 config.yaml 调整防止无限循环。子 Agent 完成后汇报结构化结果Lead Agent 综合成最终输出。关键设计子 Agent 之间上下文隔离。每个子 Agent 只能看到 Lead Agent 分配给自己的任务上下文看不到其他子 Agent 的中间状态。这解决了多 Agent 系统最常见的「信息串台」问题。2. 物理工位Sandbox这是 DeerFlow 和纯对话式 Agent 最本质的区别。每个任务跑在一个隔离的 Docker 容器里有完整的文件系统plaintext/mnt/user-data/ ├── uploads/ ← 你上传的文件 ├── workspace/ ← Agent 的工作目录 └── outputs/ ← 最终产出物 /mnt/skills/ ├── public/ ← 内置 Skill └── custom/ ← 自定义 SkillAgent 可以在里面读文件、写代码、装依赖、跑 bash 命令、查看图片。沙箱通过 Gateway API 和宿主机通信——Agent 调用工具的请求先经过 Gateway 审计再转发到沙箱执行。三种沙箱模式表格模式隔离级别适用场景本地执行无隔离开发调试Docker 容器进程级隔离日常使用推荐Kubernetes Pod容器级调度生产环境多租户Kubernetes 模式需要一个独立的 Provisioner 服务——make docker-start会根据 config.yaml 里 sandbox.use 的配置自动判断是否启动 Provisioner。Provisioner 负责按需创建和销毁 Pod管理资源配额。X 上有人评论「这是 chatbot with tools 和 agent with computer 的区别。」说得挺到位的。3. 长期记性Memory 上下文工程大多数 Agent 关掉对话框就失忆了。DeerFlow 有长期记忆系统能记住你的偏好、历史工作流、常用配置。但更关键的技术是Context Engineering上下文工程。长时任务最怕的不是 Agent 不会做而是做了一半上下文爆了——token 窗口塞满前面的信息被截断后面的任务就全乱套了。DeerFlow 的解法已完成子任务的摘要压缩子 Agent 完成后只把关键结论传回 Lead Agent不传全部中间过程中间结果卸载到文件系统大块数据搜索结果、代码文件写入沙箱的/mnt/workspace/需要时再按需读取上下文窗口动态管理根据当前模型的 max_tokens 自动调整保留策略这让 DeerFlow 能处理需要数小时的长时间任务——一个研究报告可能涉及十几轮搜索、数十个子 Agent 调度但 Lead Agent 的上下文始终保持精简。配合 LangSmith 的集成你可以实时看到每一步的 token 消耗和上下文大小方便调试长任务中的瓶颈。三、Skill MCP 生态为什么说它「几乎能完成任何复杂任务」README 里写的是researches, codes, and creates——研究、编码、创作。听起来很大但 DeerFlow 2.0 的 Skill 系统确实给了它这个底气。什么是 Skill一个 Agent Skill 就是一个结构化的能力模块——一个 Markdown 文件定义工作流、最佳实践和参考资源。DeerFlow 内置了这些 Skill表格类别内置 Skill研究深度搜索、信息整合报告自动生成研究报告演示PPT / 幻灯片创建网页网站搭建与部署创作图片和视频生成按需加载不是全家桶。Skill 是渐进式加载的——任务需要什么才加载什么不会一口气把所有 Skill 塞进上下文。这对 token 敏感的模型尤其国产模型很友好。MCP Server 接入自定义 Skill 放在/mnt/skills/custom/目录下格式和内置 Skill 一样。DeerFlow 还支持通过 MCP Server 接入外部工具——这是 Anthropic 推出的 Model Context Protocol 标准正在成为 Agent 工具接入的事实规范。MCP Server 的配置也在 config.yaml 里支持 HTTP/SSE 两种传输协议还能配 OAuth 认证client_credentials 和 refresh_token 流程都支持。比如接入 Tavily 搜索、InfoQuest字节自家的智能搜索爬虫或者你自己的内部 API——只要实现 MCP 协议就能无缝接入。Claude Code 联动一个挺有意思的功能DeerFlow 提供了claude-to-deerflowSkill让你在 Claude Code 终端里直接跟 DeerFlow 交互——发研究任务、查状态、管理会话不用切窗口。安装就一行命令bashnpx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow四、3 条命令跑起来DeerFlow 2.0 的部署体验做得不错Docker 一把梭bashgit clone https://github.com/bytedance/deer-flow.git cd deer-flow make config make docker-init make docker-start打开localhost:2026就能用。模型配置是核心步骤DeerFlow 基于 LangChain LangGraph理论上支持所有 OpenAI 兼容的模型。配置在 config.yaml 的 models 数组里每个模型条目长这样yamlmodels: - name: gpt-5.4 display_name: GPT-5.4 (Codex CLI) use: deerflow.models.openai_codex_provider:CodexChatModel model: gpt-5.4 supports_thinking: true supports_reasoning_effort: trueuse字段指定 LangChain 的 Chat Model 类路径。标准 OpenAI 兼容模型用langchain_openai:ChatOpenAIDeerFlow 还内置了两个特殊 ProviderCodexChatModel走 Codex CLI 的本地认证~/.codex/auth.json不走 API KeyClaudeChatModel走 Claude Code 的 OAuth 认证支持 macOS Keychain 和多种凭证路径另外还有一个use_responses_api: true的选项让模型走 OpenAI 的/v1/responses端点而不是传统的 Chat Completions。官方推荐三个国产模型豆包 Seed 2.0 Code、DeepSeek v3.2、Kimi 2.5。这些模型在中文场景下性价比很高配合 DeerFlow 的渐进式 Skill 加载token 消耗可控。还有一个「一行提示词安装」的设计——你可以直接让 Claude Code / Codex / Cursor 等 coding agent 帮你搭建Help me clone DeerFlow if needed, then bootstrap it for local development by following https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.mdIM 渠道集成也是 2.0 的新功能。支持Telegram、Slack、飞书三个平台——在聊天窗口直接给 DeerFlow 下任务不用开网页。飞书的配置尤其值得关注国内企业环境用起来很方便。五、47k Stars 不是虚火但也要清醒为什么火DeerFlow 2.0 的火爆有几个真实因素第一时机对了。AI Agent 从概念验证走向实际生产2026 年初是转折点。市场上缺的不是又一个聊天机器人而是一个能让 Agent 真正「干活」的运行时。DeerFlow 的 Harness 定位正好卡在这个需求上。第二架构正确。Sub-Agent Sandbox Memory 的组合是目前长时任务 Agent 最成熟的架构模式。DeerFlow 不是第一个这么做的但它是开源项目里做得最完整的之一。第三字节的品牌效应。字节跳动开源自带关注度。加上推荐国产模型豆包、DeepSeek、Kimi在国内 AI 圈形成了「国产模型 国产框架」的叙事自带流量。但也别太兴奋X 上的讨论里有些清醒的声音值得听有人说「框架开源 ≠ 你能跑起来Demo 惊艳 ≠ 生产稳定多 Agent 协作 ≠ 简单串起来」还有人说 DeerFlow 被称为「中国版 OpenClaw」——这话既是夸也是压力。开源项目的生命力看的是长期维护和社区生态不是首发几天的 Star 数DeerFlow 2.0 是从零重写的和 1.x 没有共享代码。这意味着它的生产验证才刚开始社区的实际踩坑经验还需要时间积累我的判断DeerFlow 2.0 是目前开源 Agent Harness 里最有想象力的项目之一。它的架构设计思路是对的——给 Agent 一个完整的执行环境而不是一堆 API 调用。如果你在做 AI Agent 相关的产品或者内部工具值得花一个下午搭起来玩玩。但生产环境使用建议再观察两个月社区踩坑报告。一句话总结DeerFlow 2.0 不是又一个 Agent 框架而是一个给 Agent 准备好的「操作系统」——有工位、有工具、有记性、有分身。字节这步棋走得挺有章法。参考链接DeerFlow GitHub 仓库https://github.com/bytedance/deer-flowDeerFlow 官网https://deerflow.tech/DeerFlow 中文文档https://github.com/bytedance/deer-flow/blob/main/README_zh.mdBytePlus InfoQuesthttps://docs.byteplus.com/en/docs/InfoQuest/What_is_Info_Quest
`)
