Deer Flow：字节跳动开源的长周期超级智能体框架

这是什么

DeerFlow（Deep Exploration and Efficient Research Flow）是由字节跳动（ByteDance）开源的一个基于 Python 的“超级智能体（Super Agent）”编排框架。该项目在 GitHub 上迅速攀升至热门榜首（截至 2026 年 2 月 28 日 v2.0 发布后），拥有极高的社区关注度。

DeerFlow 2.0 是一个从零开始重写的全新版本，与 v1 版本没有任何代码共享，旨在提供更强大的深度研究（Deep Research）能力。它通过编排子智能体（Sub-agents）、记忆模块和沙箱环境，结合可扩展的技能（Skills），能够执行复杂的自动化任务。项目不仅支持本地开发，还集成了字节跳动旗下 BytePlus 独立开发的智能搜索和爬取工具集 InfoQuest，进一步强化了其信息获取与分析能力。

解决的问题

DeerFlow 主要解决大型语言模型（LLM）在复杂、长周期任务中面临的以下痛点：

1. 单一模型能力局限：传统 LLM 难以独立处理需要多步骤推理、大量信息检索和代码执行的复杂任务。DeerFlow 通过编排多个子智能体，将复杂任务拆解，利用不同模型的优势进行协作。
2. 深度研究效率低下：在进行深度调研时，需要反复搜索、阅读、总结和分析。DeerFlow 自动化了这一流程，通过智能搜索（如集成 InfoQuest）和自动化爬虫，大幅缩短信息收集和分析的时间。
3. 执行环境的安全性与隔离：在执行代码或系统命令时，存在安全风险。DeerFlow 提供了沙箱（Sandbox）机制和精细化的权限控制（如 Bash 访问、文件写入限制），确保智能体在受控环境中运行。
4. 多模型兼容性与配置复杂：开发者往往需要适配多种 LLM 提供商（OpenAI, Anthropic, OpenRouter, vLLM 等）。DeerFlow 提供了统一的配置接口和向导，简化了多模型接入和切换的过程。

核心功能

• 智能体编排（Agent Orchestration）：
  • 支持主智能体调度多个子智能体，每个子智能体可专注于特定任务（如搜索、代码执行、数据分析）。
  • 提供可扩展的技能（Skills）系统，允许用户自定义或扩展智能体的能力。
• 深度研究与信息获取：
  • 集成 InfoQuest 智能搜索和爬取工具，支持高效的信息检索。
  • 支持多种 Web Search 提供商，可灵活配置或跳过。
• 多模型支持（Multi-Model Support）：
  • 广泛兼容主流 LLM，包括 GPT-4o, GPT-5, Claude Sonnet 4.6, Gemini 2.5 Flash, Qwen3 等。
  • 支持通过 OpenRouter、Anthropic API、OpenAI API 以及本地 vLLM 部署接入模型。
  • 特别推荐搭配 Doubao-Seed-2.0-Code, DeepSeek v3.2 和 Kimi 2.5 使用以获得最佳效果。
  • 支持推理模型（Reasoning Models）的特定配置，如 vLLM 的 enable_thinking 和 reasoning 字段处理。
• 沙箱与安全控制：
  • 提供 Docker 沙箱环境，隔离智能体的执行过程。
  • 支持细粒度的权限配置，包括 Bash 访问、文件写入工具的控制。
  • 提供 make doctor 命令用于验证环境配置和排查问题。
• CLI 与编程智能体集成：
  • 支持与 Codex CLI, Claude Code, Cursor, Windsurf 等编程智能体无缝集成。
  • 提供一键式安装指令，方便其他智能体自动克隆和配置 DeerFlow。
• 配置管理：
  • 提供交互式设置向导（make setup），自动生成 config.yaml 和 .env 文件。
  • 支持手动编辑 config.yaml 进行高级配置，包括模型路由、API Key 管理、CORS 设置等。

亮点 / 与同类相比

• v2.0 架构重构：DeerFlow 2.0 是完全重写的版本，架构更清晰，性能更优，与 v1 不兼容，体现了技术上的重大进步。
• 字节跳动生态集成：独家集成 InfoQuest 智能搜索和爬取工具，这在同类开源项目中较为罕见，显著增强了其信息获取的深度和广度。
• 灵活的模型适配：不仅支持云端 API，还深度适配了本地部署的 vLLM 和 CLI 工具（如 Codex CLI, Claude Code OAuth），满足了从云端到本地、从 API 到本地工具的各种使用场景。
• 生产级部署支持：提供完善的 Docker 部署方案，支持生产环境的多服务启动、镜像构建和配置挂载。特别指出 Gateway 进程内状态管理的限制，引导用户通过增加资源而非增加 Worker 数来扩展，体现了对生产环境稳定性的考量。
• 开发者友好：提供详细的文档、交互式配置向导、make doctor 诊断工具以及针对 macOS/Linux 的特定优化提示（如 Docker 权限处理）。

适合谁用 / 上手

适合人群：

• AI 应用开发者：希望构建复杂多智能体应用，需要深度研究和自动化执行能力的开发者。
• 研究人员：需要进行大量文献检索、数据分析和报告生成的科研人员。
• 企业技术团队：寻求内部自动化解决方案，需要安全沙箱和多模型支持的企业。
• LLM 爱好者：希望体验最新多模型协作和深度研究框架的技术爱好者。

上手指南：

1. 环境准备：推荐使用 Linux + Docker 进行生产部署，macOS/Windows 适合开发测试。确保安装 Git 和 Make。
2. 克隆代码：

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

3. 交互式配置： 运行 make setup，按照向导选择 LLM 提供商、配置 API Key、设置沙箱模式等。此过程约需 2 分钟。
4. 验证环境： 运行 make doctor 检查配置是否正确。
5. 启动服务：
   • 开发模式：运行 make docker-init 拉取镜像，然后 make docker-start 启动服务。
   • 生产模式：运行 make up 构建镜像并启动所有服务。
6. 访问界面：默认通过 http://localhost:2026 访问。
7. 高级配置：如需自定义模型或集成 InfoQuest，可直接编辑 config.yaml。参考 config.example.yaml 获取完整配置示例。

注意事项：

• 中国大陆开发者需参考特定指引访问资源。
• 生产环境中，Gateway 建议保持单 Worker 模式，通过增加 CPU/RAM 或独立数据库/沙箱节点来扩展。
• 若使用 vLLM 运行推理模型，需确保服务器启动时包含 --reasoning-parser 参数，并正确配置 enable_thinking。