DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动于 2026 年 2 月 27 日开源的 SuperAgent 框架。项目名取自"深度探索与高效研究流"，最初作为内部深度研究自动化工具孵化，后经社区扩展演变为通用型多智能体运行时，于 2026 年 3 月正式发布 2.0 版本——完整重构，与 1.x 不兼容。

与 CrewAI、AutoGen 等"智能体组装套件"不同，DeerFlow 更像一台全功能智能体工作站：沙箱、记忆、技能、子智能体、消息网关，全部内置，开箱即用。它能处理"单次对话不够、需要分钟乃至数小时持续运行"的高复杂度任务。

🔥 今日 GitHub Trending 第一名

今日（2026.03.25）在全球 GitHub Trending 日榜排名第一，Star 单日增长 4,319，累计 Stars 突破 43,000，Forks 超 5,000，贡献者达 150+。

43k+

GitHub Stars

5k+

Forks

150+

贡献者

02 · FEATURES

核心功能

七大模块覆盖从研究到交付的完整智能体生命周期

🤖

并行子智能体编排

主智能体动态派生多个专用子智能体并行执行子任务，各自独立上下文与终止条件，结果由主智能体汇总合成，突破单 Agent 上下文窗口限制。

📦

Docker 沙箱执行

每个任务运行于隔离的 Docker 容器，具备完整文件系统（上传区/工作区/输出区），支持 Bash 命令执行、Python 代码运行与文件读写，生产级安全隔离。

🧠

跨会话长期记忆

持久化存储用户画像、操作偏好与知识上下文（memory.json），通过防抖队列异步更新，跨会话保留状态，避免重复信息积累，支持语义检索。

🔧

技能与工具生态

内置研究、报告生成、幻灯片制作、网页生成、图像生成等技能；支持通过 MCP 服务器或 Python 自定义工具；技能按需加载以节省上下文窗口。

💬

多 IM 消息网关

支持 Telegram、Slack、飞书/Lark 等主流 IM 渠道接入，无需公网 IP，通过熟悉的聊天界面驱动复杂智能体任务，实现"消息即界面"。

📐

上下文工程优化

子智能体上下文隔离，支持任务摘要、中间结果卸载，智能压缩无关内容，有效管理超长任务上下文，推荐 Doubao-Seed-2.0-Code 等长上下文模型。

🔗

Claude Code 集成

通过 claude-to-deerflow 技能在 Claude Code 终端直接与 DeerFlow 交互，无缝嵌入现有 AI 编码工作流，扩展 Claude Code 的长任务能力。

🌐

全模型兼容

兼容任何 OpenAI API 规范的模型（GPT-4、Claude、Gemini、DeepSeek、Kimi 等），支持 OpenRouter 等网关，本地模型可用 Qwen 3.5 或 DeepSeek。

🏗️

Kubernetes 扩展

沙箱支持本地执行、Docker 容器、Kubernetes Pod 三种模式，生产环境可通过 Provisioner 服务弹性调度，具备良好的水平扩展能力。

03 · ARCHITECTURE

技术架构

基于 LangGraph 的 9 节点多智能体状态机

DeerFlow 2.0 — 系统架构总览

📡 接入层

Web UI (localhost:2026) REST API Telegram Bot Slack 飞书 / Lark Claude Code 集成

↓

🤖 编排层

Supervisor（主智能体） Researcher（研究节点） Coder（编程节点） Reporter（报告节点） Plan Node Tool Call Node Memory Node Skill Node Sub-Agent Node

↓

⚙️ 执行层

Docker Sandbox Kubernetes Pod Local Executor Python Runtime Bash Shell File System

↓

🗃️ 存储层

memory.json（长期记忆） Task State（LangGraph） Output Files MCP Server

技术栈亮点

后端：LangChain + LangGraph（多智能体状态机编排） | 前端：TypeScript + React | 沙箱：Docker / K8s | 语言分布：Python 55.9%、TypeScript 26.4% | 协议：MIT（可商用）

04 · INSTALLATION

安装与使用

推荐 Docker 方式，一键启动完整运行时环境

⚙️ 环境前置要求

Python 3.11+ · Node.js（前端构建） · Docker（沙箱运行，强烈推荐） · 模型 API Key（支持 GPT-4 / Claude / DeepSeek 等 OpenAI 兼容接口）

bash — 快速安装（Docker 模式）

# 1. 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 生成并编辑配置（填入模型 API Key）
make config
# 编辑 config.yaml 选择模型（推荐 DeepSeek v3.2 / Doubao-Seed-2.0-Code）

# 3. 拉取沙箱镜像（首次，约 2-3 分钟）
make docker-init

# 4. 启动全套服务
make docker-start

# 访问 Web 界面：http://localhost:2026
        

python — 嵌入式客户端调用

from deerflow.client import DeerFlowClient

# 初始化客户端
client = DeerFlowClient()

# 提交复杂研究任务
response = client.chat(
    "分析 2026 年 Q1 中国 AI 大模型市场格局，生成含图表的完整报告",
    thread_id="market-research-001"
)

print(response.output_file)  # 输出报告文件路径
        

yaml — config.yaml 模型配置示例

# 推荐配置：DeepSeek v3.2 作为编排主模型
llm:
  model: "deepseek/deepseek-chat-v3-2"
  api_key: "${DEEPSEEK_API_KEY}"
  base_url: "https://api.deepseek.com/v1"

# 子智能体可使用不同模型以节省成本
sub_agent_llm:
  model: "deepseek/deepseek-chat"

# 消息网关（可选）
message_gateway:
  telegram:
    enabled: true
    bot_token: "${TELEGRAM_BOT_TOKEN}"
        

05 · USE CASES

适用场景

专为"单次对话不够用"的高复杂度任务而生

SCENE 01

深度研究报告生成

输入研究主题，DeerFlow 自动并行启动多个研究子智能体，检索资料、提取数据、生成图表，最终输出带引用的格式化报告（实际文档，非文本摘要）。适用于市场调研、学术综述、竞品分析。

SCENE 02

数据管道自动化

接收原始数据集，在沙箱中自动编写 Python 清洗脚本、执行数据转换，并返回处理后的结构化结果。与主机环境完全隔离，适用于批量数据处理和 ETL 流水线。

SCENE 03

幻灯片与演示文稿

基于研究简报自动生成完整幻灯片，包含来源可视化和结构化内容。这是 DeerFlow 的内置 Skill，无需额外配置，适合快速准备 PPT 和演示材料。

SCENE 04

全栈 Web 应用脚手架

从应用需求描述到可运行代码库，Coder 子智能体自动编写代码、在沙箱中运行测试、迭代修复 Bug，最终交付完整项目目录，显著加速原型开发。

SCENE 05

竞品情报并行收集

并行启动多个子智能体分别研究不同竞争对手，汇总发现并自动生成比较文档。充分利用并行子智能体架构，大幅缩短竞品分析所需时间。

SCENE 06

IM 渠道自动化工作流

通过 Telegram / Slack / 飞书接入，用自然语言触发复杂任务（如"帮我每天早 8 点生成昨日销售报告"），结合 Cron 计划任务实现 24/7 自动化运营。

06 · COMPARISON

与同类项目对比

DeerFlow 对比主流多智能体框架全面横评

特性 / 框架	DeerFlow 2.0	AutoGen	CrewAI	LangGraph
核心定位	SuperAgent 运行时	多智能体对话框架	角色驱动任务框架	智能体工作流底层库
并行子智能体	原生支持	有限支持	有限支持	支持（需自建）
代码沙箱执行	Docker / K8s 内置	可选插件	需自行集成	无（底层库）
长期跨会话记忆	内置持久化	实验性支持	无	需自行实现
IM 消息网关	Telegram/Slack/飞书	无	无	无
内置技能库	研究/报告/PPT 等	基础工具	基础工具	无
Web UI	内置（localhost:2026）	无	无	无
上手难度	较高（需 Docker）	中等	较低	较高（开发者向）
开源协议	MIT（免费商用）	MIT	MIT	MIT
生态成熟度	快速增长中	成熟（微软背书）	成熟（社区活跃）	成熟（底层基础）
维护方	字节跳动开源	微软开源	社区驱动	LangChain Inc.

竞品对比小结

DeerFlow 在"开箱即用的完整性"上显著领先：沙箱、记忆、消息网关、Web UI 全部内置，无需从零搭建。代价是部署复杂度更高。如果你需要快速原型、简单多智能体对话，AutoGen 或 CrewAI 更容易上手；如果你要完全掌控底层编排逻辑，LangGraph 是基础选择；如果你需要一套"能真正跑长任务的完整工作站"，DeerFlow 目前是最强选择。

07 · LIMITATIONS

局限性与注意事项

不足之处同样值得认真对待

部署复杂度高：完整运行需要 Docker、Python 3.11+、Node.js 环境，对非技术用户不友好；K8s 生产部署需要额外运维知识，与 AutoGen/CrewAI 的"pip install + 几行代码"相比门槛明显更高。

API 成本风险：并行子智能体意味着同时发起多个模型调用，Token 消耗倍增；长时间任务可能产生高额 API 费用，尤其使用 GPT-4 / Claude Opus 等昂贵模型时需注意预算控制。

生态仍在早期：相比 AutoGen、CrewAI 等已有大量社区插件和示例的框架，DeerFlow 的插件生态和社区教程仍处于快速建设阶段，遇到问题时可参考资料相对有限。

安全加固需自行承担：沙箱代码执行能力强大，但生产环境需自行进行容器加固、网络隔离和权限管控；没有官方托管版本，所有安全责任由用户负责。

v2.0 与 v1.x 完全不兼容：2.0 是完整重构，1.x 版本代码仅维护于独立分支，升级用户需重新配置，不存在迁移路径，对已有 1.x 部署影响较大。

字节跳动背景合规审查：部分企业用户可能需要评估字节跳动背景的合规风险，尤其是数据主权要求严格的政府、金融等行业场景。

08 · VERDICT

综合评分与最终结论

给 DeerFlow 2.0 一个公正的最终评价

功能丰富度

9.4

七大模块覆盖完整

技术架构

9.2

9 节点 + LangGraph 状态机

生态活跃度

9.0

43k Stars，社区快速增长

生产就绪度

8.8

Docker/K8s 支持完善

安全可靠性

8.2

沙箱隔离良好，需自行加固

易用性

6.5

部署复杂，新手不友好

9.1 / 10

综合推荐指数

DeerFlow 2.0 是 2026 年迄今最完整的开源 SuperAgent 运行时。字节跳动将内部工程实践完整开源，沙箱、记忆、子智能体、消息网关四位一体，在"开箱即用的完整性"上无出其右。

推荐给：需要处理多步骤复杂任务的研究团队、AI 应用工程师、希望构建 24/7 自动化工作流的技术团队、探索 SuperAgent 架构的开发者。

暂不推荐给：没有 Docker/Python 运维经验的个人用户、只需要简单多轮对话的轻量场景、对字节跳动背景有合规顾虑的企业。

REF · LINKS