Deer-flow：字节跳动开源的长时程 AI Agent 框架

概述

DeerFlow（全称 Deep Exploration and Efficient Research Flow）是字节跳动开源的一款超级智能体编排框架，旨在通过协调子智能体、长期记忆和沙箱环境来完成几乎任何复杂任务。项目基于 Python 3.12+ 和 Node.js 22+，采用 MIT 开源协议发布，在 GitHub 上已获得 64,000+ Star。

2026 年 2 月 28 日，DeerFlow 2.0 版本发布后登顶 GitHub Trending 榜首。2.0 是一次彻底的架构重写，与 v1 版本无代码共享，v1 的 Deep Research 框架仍在 1.x 分支维护。

官方网站： https://deerflow.tech — 可查看真实 Demo 演示

核心架构

DeerFlow 采用分层架构，核心组件包括：

核心特性

1. 子智能体（Sub-Agents）

DeerFlow 支持动态创建和管理子智能体，实现任务的并行或串行协作。每个子智能体可被赋予特定的目标、工具和上下文，协同完成复杂的长时程工作流。

2. 沙箱与文件系统

支持三种沙箱执行模式：

• 本地执行：直接在宿主机运行沙箱代码
• Docker 执行：在隔离的 Docker 容器中运行
• Docker + Kubernetes 执行：通过 Provisioner 服务在 K8s Pod 中运行

沙箱机制确保了代码执行的安全性，同时提供完整的文件系统访问能力。

3. 长期记忆（Long-Term Memory）

DeerFlow 内置了跨会话的长期记忆系统，智能体可以在不同会话之间保留和检索知识，实现对复杂项目的持续追踪和理解。

4. 上下文工程（Context Engineering）

框架内置了智能的上下文管理机制，能够高效处理和压缩大型上下文窗口，确保在长时程任务中保持良好的推理性能。

5. 技能与工具（Skills & Tools）

DeerFlow 支持通过可扩展的技能模块添加新能力。内置了字节跳动旗下 BytePlus 开发的 InfoQuest 智能搜索和爬虫工具箱（支持免费在线体验），并兼容标准 MCP 服务器协议。

6. IM 渠道集成

无需公网 IP，即可接入以下即时通讯平台接收任务：

7. 可观测性

支持 LangSmith 和 Langfuse 链路追踪，可对智能体的运行过程进行完整监控和调试。

8. 嵌入式 Python 客户端

提供 Python 客户端库，方便开发者在自己的应用中集成 DeerFlow 能力。

支持的大模型

DeerFlow 支持多种主流大模型：

• 字节豆包：Doubao-Seed-2.0-Code（强烈推荐）
• DeepSeek：DeepSeek v3.2
• 月之暗面：Kimi 2.5
• OpenAI：GPT-5（Responses API）
• Anthropic：Claude Sonnet 4.6（Claude Code OAuth）
• Google：Gemini 2.5 Flash（OpenRouter）
• 通义千问：Qwen3 32B（vLLM）
• 兼容所有 OpenAI 格式的 API 服务

支持推理模型（Thinking/Reasoning）的自动切换，以及 vLLM 部署的专用适配。

快速开始

一行命令启动（供 Claude Code / Codex / Cursor 等编码 Agent 使用）

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

手动部署步骤

1. 克隆仓库

   code

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

2. 运行配置向导

   code

   make setup

   交互式向导会引导你选择 LLM 提供商、网络搜索选项、沙箱模式等，并自动生成 config.yaml 和 .env 文件，整个过程约 2 分钟。

3. 验证配置

   code

   make doctor

部署方案选择

推荐方案：Linux + Docker 是持久服务器的首选部署方案。macOS 和 Windows 适合作为开发或评估环境。

Docker 部署（推荐）

# 开发模式（热重载）
make docker-init   # 拉取沙箱镜像
make docker-start  # 启动服务
 
# 生产模式
make up            # 构建镜像并启动服务
make down          # 停止并移除容器

访问地址：http://localhost:2026

本地开发

make check     # 检查环境依赖
make install   # 安装前后端依赖
make dev       # 启动开发服务

提示 网络受限环境：国内用户可在 Docker 构建前设置镜像加速：

export UV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple
export NPM_REGISTRY=https://registry.npmmirror.com

配置示例

DeerFlow 支持灵活的模型配置，以下是一些典型配置：

# OpenAI 直连
- name: gpt-4o
  use: langchain_openai:ChatOpenAI
  api_key: $OPENAI_API_KEY
 
# OpenRouter 网关
- name: openrouter-gemini-2.5-flash
  use: langchain_openai:ChatOpenAI
  model: google/gemini-2.5-flash-preview
  api_key: $OPENROUTER_API_KEY
  base_url: https://openrouter.ai/api/v1
 
# vLLM 本地部署
- name: qwen3-32b-vllm
  use: deerflow.models.vllm_provider:VllmChatModel
  model: Qwen/Qwen3-32B
  base_url: http://localhost:8000/v1
  supports_thinking: true

安全注意事项

• 不当部署可能引入安全风险，请遵循安全最佳实践
• 沙箱模式推荐使用 Docker 或 K8s 以提供隔离
• 避免在生产环境中暴露未经验证的 API 端点
• 妥善管理 API Key 等敏感信息

生态与社区

• GitHub：github.com/bytedance/deer-flow
• 官网：deerflow.tech
• 编码计划：字节跳动火山引擎提供专属方案，推荐使用豆包 Seed 2.0、DeepSeek v3.2 和 Kimi 2.5 运行 DeerFlow
• 贡献指南：欢迎社区贡献，详细指南见 CONTRIBUTING.md

总结

DeerFlow 是字节跳动在 AI Agent 领域的重要开源力作，从最初的 Deep Research 工具演变为通用的超级智能体编排框架。其突出的长时程任务处理能力、灵活的沙箱执行机制、多模型支持和丰富的 IM 集成，使其成为构建复杂 AI 自动化工作流的优秀选择。

对于需要处理长时程、多步骤、需要持久记忆的 AI 任务的开发者和团队，DeerFlow 提供了一个开箱即用且高度可扩展的解决方案。