字节跳动开源 DeerFlow 2.0：从深度研究到超级智能体的全面进化

项目地址： github.com/bytedance/deer-flow
官网： deerflow.tech

一句话总结

字节跳动把一个深度研究框架重写成了超级智能体运行时——DeerFlow 2.0 内置沙盒、记忆、技能系统和子智能体编排，能处理从几分钟到几小时的复杂任务。2 月 28 日发布当天登顶 GitHub Trending #1。

从 Deep Research 到 Super Agent Harness

DeerFlow 1.0 是一个 Deep Research 框架。但社区把它用到了字节自己都没想到的地方：构建数据管道、生成 PPT、搭建仪表盘、自动化内容工作流。

这说明了一件事：DeerFlow 不只是研究工具，它是一个让 Agent 真正干活的运行时。

所以 2.0 完全从零重写，跟 1.x 不共享一行代码。定位也从”Deep Research 框架”升级为”Super Agent Harness”——一个开箱即用、完全可扩展的智能体基础设施。

核心架构拆解

1. Skills 系统：渐进式加载

DeerFlow 的技能系统是它最核心的设计之一。每个 Skill 是一个结构化的 Markdown 文件，定义工作流、最佳实践和参考资源。

内置技能包括：研究、报告生成、PPT 制作、网页生成、图片和视频生成等。

关键设计：技能按需加载，不是全部塞进上下文。 只有当任务需要某个技能时才加载它。这让 DeerFlow 在 token 敏感的模型上也能正常工作。

/mnt/skills/public
├── research/SKILL.md
├── report-generation/SKILL.md
├── slide-creation/SKILL.md
├── web-page/SKILL.md
└── image-generation/SKILL.md

/mnt/skills/custom
└── your-custom-skill/SKILL.md  ← 你自己的

你可以添加自定义技能、替换内置技能、或把多个技能组合成复合工作流。技能遵循 Agent Skills 开放标准。

2. 子智能体编排

DeerFlow 的主 Agent 不是一个人干所有活——它会规划任务，然后生成子智能体去并行执行。

这个设计解决了一个核心问题：复杂任务需要分解，分解后的子任务需要隔离执行。 每个子智能体有自己的上下文、工具和沙盒环境。

3. 沙盒执行

支持三种模式：

• 本地执行：直接在宿主机上跑（开发用）
• Docker 容器：隔离的容器环境
• Kubernetes Pod：通过 provisioner 服务在 K8s 上执行（生产用）

代码执行完全沙盒化，Agent 写的代码不会搞坏你的主机。

4. 长期记忆

Agent 在长任务中可以保留上下文信息。跨会话的记忆让 DeerFlow 不只是一个”一次性对话机器”——它能记住之前的研究结果、用户偏好和项目状态。

5. IM 频道集成

直接从聊天软件给 DeerFlow 发任务：

频道	传输方式	难度
Telegram	Bot API (长轮询)	简单
Slack	Socket Mode	中等
飞书 / Lark	WebSocket	中等

所有频道都不需要公网 IP。配好 token 就能用。

6. Claude Code 集成

DeerFlow 内置了 claude-to-deerflow 技能，可以直接在 Claude Code 终端里给 DeerFlow 发研究任务、查状态、管理线程。两个 Agent 系统的联动。

7. 模型支持

官方推荐 Doubao-Seed-2.0-Code、DeepSeek v3.2 和 Kimi 2.5。同时支持：

• OpenAI 兼容 API（包括 OpenRouter）
• Codex CLI（GPT-5.4）
• Claude Code OAuth（Claude Sonnet 4.6）
• 任何 LangChain 支持的模型

配置非常灵活，一个 config.yaml 搞定多模型切换。

我的解读

1. “Super Agent Harness” 是正确的抽象层

Agent 领域现在最大的问题不是模型不够强，而是缺少让 Agent 真正干活的基础设施。DeerFlow 2.0 提供了文件系统、沙盒、记忆、技能、消息通道——这些是 Agent 从”对话”走向”工作”必需的东西。

类比一下：LLM 是 CPU，DeerFlow 是操作系统。

2. 渐进式技能加载是杀手级设计

大多数 Agent 框架的问题是：把所有工具和指令塞进 system prompt，上下文窗口一下就满了。DeerFlow 的按需加载让它能用小模型跑复杂任务——这是真正的工程优势，不是 marketing。

3. 字节的开源策略值得关注

DeerFlow 推荐的模型是豆包 Seed、DeepSeek 和 Kimi——全是中国模型。字节在做的事情是：用开源 Agent 框架拉动自家模型的使用量。 这比单纯开源模型更聪明——控制了 Agent 层，就控制了模型的调用入口。

4. 跟 OfoxAI 的关系

DeerFlow 和我们 OfoxAI 的定位有交集也有差异。DeerFlow 侧重”给 Agent 一个完整的工作环境”，OfoxAI 侧重”让开发者用 AI 更高效”。但底层逻辑一样：Agent 需要的不只是聊天能力，而是工作能力。

上手指南

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config     # 生成配置文件
make install    # 安装依赖
make dev        # 启动服务

访问 http://localhost:2026 开始使用。

Docker 用户更简单：

make docker-init   # 拉取沙盒镜像（只需一次）
make docker-start  # 启动服务

对开发者的启示

• 如果你在做 Agent 项目，DeerFlow 的 Skills 系统值得借鉴——按需加载比全量注入优雅得多
• 子智能体编排是处理复杂任务的正确方向——单 Agent 有上下文上限
• IM 集成让 Agent 不再只是 CLI 工具——用户在聊天软件里就能触发任务
• 字节正在用开源 Agent 基础设施做模型分发——这个策略会被更多公司复制

---

*项目地址：github.com/bytedance/deer-flow

官网：deerflow.tech*