DeerFlow 2.0：从深度研究框架到超级智能体线束的进化之路

核心问题：开源智能体如何从一个单纯的研究工具进化为能够执行复杂多步骤任务的“超级大脑”？

DeerFlow 2.0（Deep Exploration and Efficient Research Flow）不再仅仅是一个深度研究框架，它已经从底层重构，变身为一个开源的“超级智能体线束”。它能够编排子智能体、管理记忆，并利用沙箱环境完成几乎所有任务——这一切都由可扩展的技能驱动。简单来说，它不再只是和你聊天，而是拥有了一个属于自己的“电脑”和“工具箱”，能够真正帮你“把事儿办了”。

本文将深入解析 DeerFlow 2.0 的核心架构、功能特性、安装配置以及它背后的设计哲学，带你全面了解这一技术变革。

AI Agent Workflow
图片来源：Unsplash

从深度研究到超级智能体：一场观念的觉醒

核心问题：为什么 DeerFlow 要彻底重写，放弃 1.x 的代码基础？

DeerFlow 最初是作为一个深度研究框架诞生的。然而，开源社区的开发者们将它推向了我们未曾设想的高度：构建数据管道、自动生成幻灯片、搭建仪表盘、自动化内容工作流……这些应用场景远远超出了“研究”的范畴。

这让我们意识到一个关键点：DeerFlow 不仅仅是一个工具，它是一个“线束”——一个为智能体提供基础设施的运行时环境，让它们能够真正把工作完成。因此，我们决定推翻重来。DeerFlow 2.0 基于 LangGraph 和 LangChain 构建，开箱即用，具备文件系统、记忆、技能、沙箱执行能力，以及规划和生成子智能体处理复杂任务的能力。

作者反思：从“工具”到“伙伴”

在开发 DeerFlow 1.x 时，我们更多关注的是如何让模型更好地回答问题。但随着用户的使用，我们发现“回答问题”只是第一步，用户真正需要的是“解决问题”。这种视角的转变促使我们在 2.0 版本中引入了沙箱和文件系统。这就像给一个聪明的头脑装上了双手，它不再只是纸上谈兵，而是能够真正操作文件、运行代码。这种“实体化”的智能体，才是未来的方向。

核心特性：DeerFlow 2.0 的四大支柱

核心问题：DeerFlow 2.0 依靠什么机制来实现“无所不能”的任务处理？

DeerFlow 2.0 的强大能力构建在四个核心支柱之上：技能与工具、子智能体、沙箱环境以及上下文工程。这些模块协同工作，形成了一个闭环的执行系统。

1. 技能与工具：能力的积木

技能是 DeerFlow 能够“做几乎所有事情”的基础。在 DeerFlow 中，技能是一个结构化的能力模块，本质上是一个定义了工作流、最佳实践和资源引用的 Markdown 文件。

  • 内置技能：系统内置了研究、报告生成、幻灯片创建、网页生成、图像与视频生成等技能。
  • 可扩展性：真正的威力在于扩展。你可以添加自定义技能，替换内置技能，或将它们组合成复合工作流。
  • 渐进式加载：技能只在任务需要时才加载，而不是一次性全部载入。这极大地节省了上下文窗口，使得 DeerFlow 即使在 Token 敏感的模型上也能高效运行。

应用场景：
假设你需要生成一份市场分析报告。DeerFlow 会首先加载“研究”技能进行信息收集，随后加载“报告生成”技能整理文档。如果你的报告需要配图，它还会自动调用“图像生成”技能。这一过程完全根据任务需求动态调度，就像一个项目经理在按需分配任务给不同的专家。

# 沙箱容器内的技能路径示例
/mnt/skills/public
├── research/SKILL.md
├── report-generation/SKILL.md
└── slide-creation/SKILL.md

2. 子智能体：化繁为简的艺术

核心问题：面对耗时且复杂的任务，智能体如何避免“死机”或跑偏？

复杂的任务很少能一步到位。DeerFlow 采用分解策略：主智能体可以动态生成子智能体。每个子智能体都拥有独立的作用域上下文、工具和终止条件。

  • 并行执行：子智能体尽可能并行运行，大大缩短了任务耗时。
  • 结构化汇报：子智能体将结果结构化地汇报给主智能体，由主智能体综合成最终输出。

应用场景：
你需要为一个新产品的发布准备全套物料。主智能体可能会生成三个子智能体：一个负责撰写新闻稿，一个负责制作演示幻灯片，另一个负责生成宣传海报。这三个子智能体同时工作，最后主智能体将所有成果汇总到你的工作目录中。这就是“一个线束，多只手”的威力。

Collaborative Agents
图片来源：Unsplash

3. 沙箱与文件系统：智能体的“计算机”

核心问题：如何保证智能体执行代码的安全性，同时赋予其真实的操作能力？

这是 DeerFlow 与普通聊天机器人最大的区别。它不只是在谈论做事，它拥有自己的“计算机”。每个任务都在一个独立的 Docker 容器中运行，拥有完整的文件系统。

  • 真实操作：智能体可以读取、写入、编辑文件，执行 Bash 命令，编写并运行代码，甚至查看图像。
  • 安全隔离：所有操作都在沙箱中进行，会话之间零污染，所有行为均可审计。

文件系统结构：

# 沙箱容器内的路径
/mnt/user-data/
├── uploads/          # 用户上传的文件
├── workspace/        # 智能体的工作目录
└── outputs/          # 最终交付物

这意味着，你可以让它“运行这个 Python 脚本来处理 Excel 表格”，它真的会去做，并且会把处理好的文件放在 outputs 目录下等你下载。

4. 上下文工程与长期记忆

核心问题：智能体如何在长对话中保持清醒，并记住用户的长期偏好？

  • 隔离的子智能体上下文：子智能体无法看到主智能体或其他子智能体的上下文。这确保了它们专注于手头任务，不被无关信息干扰。
  • 激进的上下文管理：在会话内，DeerFlow 会积极总结已完成的子任务，将中间结果卸载到文件系统，压缩不再相关的信息。这使得它在长任务中始终保持敏锐。
  • 长期记忆：大多数智能体在对话结束时就“忘记”了一切。DeerFlow 则会构建持久的记忆，存储你的个人资料、偏好和积累的知识。你用得越多，它越懂你——你的写作风格、技术栈、常用工作流。所有数据本地存储，完全由你掌控。

快速上手：配置与部署全指南

核心问题：如何在本地快速搭建并运行 DeerFlow 2.0？

DeerFlow 的部署非常灵活，支持 Docker 容器化和本地开发两种模式。以下是详细的操作步骤。

第一步：获取代码与配置

  1. 克隆仓库
    首先，将项目克隆到本地：

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

  2. 生成配置文件
    在项目根目录下运行以下命令，生成初始配置文件：

    make config

  3. 配置模型
    编辑生成的 config.yaml 文件，定义至少一个模型。以下是一个 GPT-4 的配置示例：

    models:
  - name: gpt-4                       # 内部标识符
    display_name: GPT-4               # 界面显示名称
    use: langchain_openai:ChatOpenAI  # LangChain 类路径
    model: gpt-4                      # API 使用的模型标识
    api_key: $OPENAI_API_KEY          # 推荐使用环境变量
    max_tokens: 4096                  # 单次请求最大 Token 数
    temperature: 0.7                  # 采样温度

  4. 设置 API Key
    为了安全起见，建议不要在配置文件中直接硬编码 API Key。你可以选择以下两种方式之一：

    • 方式 A（推荐）：编辑 .env 文件
      在项目根目录下创建或编辑 .env 文件：

      TAVILY_API_KEY=your-tavily-api-key
OPENAI_API_KEY=your-openai-api-key
    • 方式 B：环境变量导出
      在终端中直接导出：

      export OPENAI_API_KEY=your-openai-api-key

第二步：选择启动方式

方式一：Docker 部署（推荐）

这是最快、环境一致性最好的启动方式。

  1. 初始化并启动：

    make docker-init    # 拉取沙箱镜像（仅需执行一次或镜像更新时）
make docker-start   # 启动服务（自动检测 config.yaml 中的沙箱模式）

    注意：如果配置使用了供应器模式（provisioner_url），启动命令会自动启动 provisioner 服务。

  2. 访问应用：
    打开浏览器访问：http://localhost:2026

方式二：本地开发模式

如果你需要调试或二次开发，可以使用本地模式。

  1. 检查前置依赖：
    确保你的环境已安装 Node.js 22+、pnpm、uv 和 nginx。

    make check

  2. （可选）预拉取沙箱镜像：
    如果你计划使用基于 Docker 的沙箱，建议预先设置：

    make setup-sandbox

  3. 启动服务：

    make dev

  4. 访问应用：
    同样访问 http://localhost:2026。

Coding Setup
图片来源：Unsplash

进阶配置：沙箱模式与 MCP 扩展

核心问题：如何根据不同的安全和性能需求定制执行环境？

DeerFlow 的灵活性在于其可配置的沙箱模式和对 MCP（Model Context Protocol）的支持。

多样化的沙箱模式

DeerFlow 支持三种沙箱执行模式，以适应不同的使用场景：

  1. 本地执行：直接在宿主机上运行沙箱代码。适合开发调试，但隔离性较弱。
  2. Docker 执行：在隔离的 Docker 容器中运行代码。这是推荐的默认方式，兼顾了安全性与便捷性。
  3. Kubernetes 执行：通过供应器服务在 Kubernetes Pods 中运行。适合大规模、企业级的生产环境部署。

具体的配置方法请参考项目中的 backend/docs/CONFIGURATION.md 文档。

MCP Server 扩展

为了进一步扩展能力，DeerFlow 支持配置 MCP 服务器和自定义技能。这意味着你可以将 DeerFlow 连接到外部数据源、API 服务或自定义的工具链中，使其能力边界无限延伸。详细配置指南请查阅 backend/docs/MCP_SERVER.md。

推荐模型：如何选择合适的“大脑”

核心问题：DeerFlow 对模型有哪些具体要求，如何获得最佳性能？

DeerFlow 是模型无关的，只要模型实现了 OpenAI 兼容的 API 即可接入。但为了发挥其全部潜力，我们建议选择具备以下特性的模型：

  • 长上下文窗口（100k+ Tokens）：这是进行深度研究和处理多步骤复杂任务的基础。
  • 强大的推理能力：智能体需要进行自适应规划和复杂任务的分解，这对模型的逻辑推理水平提出了较高要求。
  • 多模态输入：支持图像理解和视频理解，这对于处理富媒体内容至关重要。
  • 稳定的工具调用能力：可靠的功能调用和结构化输出是智能体操作工具、执行代码的保障。

实用摘要与操作清单

为了方便大家快速落地，以下是本文的核心内容摘要与操作清单。

实用摘要

DeerFlow 2.0 是一个开源的超级智能体线束，它通过整合子智能体、长期记忆和沙箱环境，将大语言模型的能力从单纯的文本生成延伸到了实际的文件操作和代码执行。它不仅支持 Docker 和本地部署，还允许用户通过自定义技能扩展其能力。对于开发者而言，它是一个构建复杂自动化工作流的理想平台；对于企业而言，它提供了一种安全、可控的智能体部署方案。

操作清单

步骤 操作命令/说明 备注
1. 获取代码 git clone https://github.com/bytedance/deer-flow.git 克隆项目仓库
2. 生成配置 make config 生成初始配置文件
3. 编辑配置 修改 config.yaml 定义模型名称、API 路径等
4. 设置密钥 编辑 .env 文件 填写 OPENAI_API_KEY 等
5. 启动服务 make docker-init && make docker-start 推荐 Docker 方式
6. 访问界面 打开 http://localhost:2026 开始使用

一页速览

DeerFlow 2.0 核心架构图解

  • 核心定位：开源超级智能体线束，非单纯聊天机器人。
  • 关键组件：

    • Skill (技能)：Markdown 定义的能力模块，按需加载。
    • Sandbox (沙箱)：Docker 容器隔离，具备真实文件系统与代码执行环境。
    • Sub-Agent (子智能体)：并行处理复杂任务，结果汇总。
    • Memory (记忆)：长期持久化存储用户偏好与知识。
  • 部署方式：Docker（推荐） / 本地开发。
  • 模型要求：长上下文、强推理、多模态、稳工具调用。

常见问答 (FAQ)

1. DeerFlow 2.0 和 1.x 版本有什么区别？
DeerFlow 2.0 是从底层完全重写的版本，不再共享 1.x 的代码。它从一个深度研究框架转变为全能的智能体线束，增加了沙箱执行、子智能体编排和长期记忆等核心功能。原有的 1.x 版本仍在 main-1.x 分支维护。

2. 我必须使用 Docker 吗？
不是必须的。DeerFlow 支持本地开发模式。但为了确保环境一致性和沙箱的安全性隔离，强烈推荐使用 Docker 方式启动。

3. DeerFlow 支持哪些大模型？
DeerFlow 是模型无关的。只要模型实现了 OpenAI 兼容的 API，就可以通过修改 config.yaml 进行配置。推荐使用支持长上下文和强推理能力的模型（如 GPT-4）。

4. 什么是“技能”，我如何添加自己的技能？
技能是定义在 Markdown 文件中的工作流模块。你可以在 /mnt/skills/custom 目录下创建自己的 SKILL.md 文件，定义特定的工作流程和最佳实践，DeerFlow 会在运行时自动识别并加载。

5. 智能体在我的电脑上执行代码安全吗？
DeerFlow 默认使用 Docker 容器作为沙箱环境，代码执行在隔离的容器中进行，不会直接访问宿主机的核心文件系统，这保证了操作的安全性和可审计性。

6. 我可以将 DeerFlow 用于商业项目吗？
可以。DeerFlow 基于 MIT 协议开源，这意味着你可以在遵守协议的前提下，自由地用于商业项目或进行二次开发。

7. 如何配置长期记忆？
长期记忆是 DeerFlow 的内置特性，无需复杂配置。它会在本地存储用户的偏好和历史交互数据，随着使用次数的增加，智能体会越来越了解你的风格和需求。

8. 我可以通过什么方式扩展 DeerFlow 的工具集？
除了自定义技能，你还可以通过配置 MCP Server 来引入外部工具和 API，或者直接编写 Python 函数作为自定义工具集成到系统中。

致谢与结语

DeerFlow 的诞生离不开开源社区的滋养，特别是 LangChain 和 LangGraph 项目的卓越贡献。我们要特别感谢核心作者 Daniel Walnut 和 Henry Li 的远见与付出。

DeerFlow 2.0 的发布，标志着我们从一个“工具”向“生态”迈进。它不再局限于单一的研究任务，而是成为了各种自动化工作流的底层引擎。我们期待看到开发者们如何利用这个“线束”，编织出更多意想不到的应用。

现在，访问 deerflow.tech 或直接克隆代码，开启你的智能体探索之旅吧。