字节开源DeerFlow 2.0：强势登顶GitHub Trending|agent|docker|python|上下文|工作流|电子表格

打开 deerflow 的官网，瞬间被首页的这段文字震撼到了，do anything with deerflow。让 agent 做任何事情，这让我同时想到了 openclaw 刚上线时场景。

字节跳动将 DeerFlow 彻底重写，发布 2.0 版本，并在发布当天登上 GitHub Trending 第一名。这不是一次功能迭代，而是一次从"深度研究框架"到"Super Agent 运行时基础设施"的彻底蜕变。

背景：从 v1 到 v2，发生了什么？

DeerFlow（Deep Exploration and Efficient Research Flow）最初是一个专注于深度研究的 AI 框架——给它一个问题，它会搜索、整理、输出报告。

但社区的玩法远超出了设计者的想象。开发者们拿它搭数据流水线、生成演示文稿、自动化内容生产、快速起 dashboard……这让团队意识到，DeerFlow 从一开始就不只是"研究工具"，它更像一个让 Agent 真正把事情做完的运行环境。

核心变化

DeerFlow 2.0 与 v1 没有共用任何代码，是一次彻底重写。旧版（Deep Research 框架）依然保留在 1.x 分支；主开发线已全面转向 2.0。

它到底是什么？

官方给出的定位是 Super Agent Harness（超级 Agent 调度框架）。这个词听起来抽象，拆开来理解其实很清晰。

现在的 DeerFlow 2.0 不再仅仅是一个跑研究报告的工具，它进化成了一个Harness（挂架/系统平台）。

什么是 Harness？想象一下，大模型（如 DeepSeek, Kimi, Doubao）是发动机，而 DeerFlow 就是那台复杂的 F1 赛车底盘。它把Sub-agents（子智能体）Memory（记忆）Sandbox（沙箱）Skills（技能）完美地挂载在一起。

开发者视角：以往我们要写一个 Agent，需要处理繁琐的上下文管理、文件读写权限、多任务并行。DeerFlow 2.0 直接把这些基础设施“标准化”了。

五大核心特性深度解析

① Skills — Agent 能力的"乐高积木"

Skills 是 DeerFlow 能完成几乎任何事情的秘密武器。一个标准 Skill 通常就是一个 Markdown 文件，定义了工作流、最佳实践和参考资源。DeerFlow 内置了研究、报告生成、演示文稿制作、网页生成、图像/视频生成等场景的 Skill。

关键设计是按需渐进加载：不会一次性把所有 Skill 塞进上下文，只有任务确实需要时才加载，有效控制 Token 消耗。

Claude Code 深度集成：通过 claude-to-deerflow skill，你可以直接在 Claude Code 终端里和运行中的 DeerFlow实例交互——发送研究任务、查看状态、管理 threads，全程不用离开终端。安装 CLAUDE CODE 集成 SKILLnpx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow

② Sub-Agents — 并行执行复杂任务

传统 Agent 对于复杂任务的处理方式是"一条线走到底"，DeerFlow 不同：Lead Agent 会先拆解任务，然后动态拉起多个 Sub-Agent，条件允许时并行运行，最后汇总成完整输出。

一个典型的研究任务可以被拆成十几个 Sub-Agent，分别探索不同方向，最终合并成报告、网站或带生成视觉内容的演示文稿。这也是 DeerFlow 能处理"从几分钟到几小时"任务的原因。

③ Sandbox 文件系统 — Agent 有了自己的"电脑"

这是 DeerFlow 和"带工具的聊天机器人"之间最根本的差别：Agent 有一台真正的"电脑"。

每个任务运行在隔离的 DOCKER 容器里，内有完整文件系统：

/mnt/user-data/├── uploads/ ← 你上传的文件├── workspace/ ← Agent 的工作目录└── outputs/ ← 最终交付物

Agent 可以读写编辑文件、执行 Bash 命令和代码、查看图片，全程在 Sandbox 内完成，可审计、隔离，不同 session 之间互不污染。

④ Context Engineering — 长任务不"忘事"

DeerFlow 在上下文管理上做了两件事：

01：Sub-Agent 上下文隔离：每个 Sub-Agent 只看到自己的上下文，不会被主 Agent 或其他 Sub-Agent 的信息干扰，保持专注。

02：摘要压缩：在单个 session 内，主动总结已完成的子任务、把中间结果转存到文件系统、压缩暂时不重要的信息，在长链路任务里也能保持聚焦，不会轻易打爆上下文窗口。

⑤ 长期记忆 — 越用越了解你

大多数 Agent 结束对话后一切归零，DeerFlow 2.0 跨 session 会逐步积累关于你的持久记忆：个人偏好、知识背景、写作风格、技术栈、重复出现的工作流。记忆保存在本地，控制权始终在你手里。

多端接入：不只是终端工具

DeerFlow 2.0 支持通过 IM 应用直接下发任务，无需公网 IP：

渠道      传输方式                上手难度Telegram Bot API（Long-polling） 简单Slack Socket Mode               中等飞书 / Lark WebSocket            中等

连接后，你可以直接在聊天窗口里使用 /new、/models、/memory 等命令和 DeerFlow 交互，普通消息则作为自然语言任务处理。

快速上手：10 分钟跑起来

推荐使用 Docker 方式，最省心：

克隆并初始化

git clone https://github.com/bytedance/deer-flow.gitcd deer-flowmake config # 生成本地配置文件编辑 CONFIG.YAML 配置模型models:- name: gpt-4display_name: GPT-4use: langchain_openai:ChatOpenAImodel: gpt-4api_key: $OPENAI_API_KEYmax_tokens: 4096temperature: 0.7DOCKER 启动（推荐）make docker-init # 首次拉取 sandbox 镜像make docker-start # 启动服务# 访问 http://localhost:2026

一句话交给 CODING AGENT

如果你在用 Claude Code、Cursor 或 Codex，可以直接把这句话发给它，让 Agent 帮你完成安装：

"如果还没 clone DeerFlow，就先 clone，然后按照 https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.md把它的本地开发环境初始化好"

推荐使用的模型

DeerFlow 不绑定特定模型，只要实现了 OpenAI 兼容 API 即可接入。官方推荐以下几款表现较好的模型：

模型                特点                适用场景Doubao-Seed-2.0-Code 字节自研，代码能力强 编程类任务DeepSeek v3.2 推理能力强，长上下文        深度研究、复杂拆解Kimi 2.5 长上下文、多模态                文档分析、多模态任务

优先考虑具备以下能力的模型：100k+ tokens 长上下文窗口、强推理能力、稳定的 Tool Use 支持，以及多模态输入理解。

Python SDK 内嵌使用

不想启动完整 HTTP 服务？DeerFlow 也可以作为 Python 库直接使用：

from deerflow.client import DeerFlowClientclient = DeerFlowClient()# 普通对话response = client.chat("帮我分析这篇论文", thread_id="my-thread")# 流式输出for event in client.stream("最新的 AI Agent 趋势"):if event.type == "messages-tuple" and event.data.get("type") == "ai":print(event.data["content"])# 管理能力models = client.list_models()skills = client.list_skills()client.upload_files("thread-1", ["./report.pdf"])

DeerFlow 具备系统指令执行、文件读写等高权限能力，默认仅建议在本地可信环境（127.0.0.1）部署。若需跨设备访问，务必配置 IP 白名单、前置身份验证（Nginx 反向代理）或网络隔离（VLAN）等安全措施。