DeerFlow 2.0：字节跳动开源SuperAgent框架，从深度研究到万能执行的进化

你是不是也遇到过这种情况？

老板说"帮我整理一下这周行业竞品的动态，做个PPT"；同事问"这篇英文论文能帮我看看核心观点吗，顺便出个摘要"；产品经理丢来一个需求文档"你用这个写个技术方案再生成个演示网页吧"……每次遇到这种需要多步骤、跨工具、又查又写还得综合输出的活，你是不是得在浏览器、文档、聊天工具之间反复横跳，搞完一整天就过去了？

更惨的是，你用某个AI工具写了一半，换个话题再聊，它完全不记得你之前喜欢什么风格、用什么技术栈，每次都得从头"教育"。要是有一个AI助手，能自己拆任务、并行干活、记住你的偏好，还能写代码、出PPT、做网页一条龙搞定呢？

DeerFlow 2.0 是什么？

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动开源的 Super Agent 框架，2026年2月28日发布2.0版本后直接登顶GitHub Trending第1名。它从一个专注于 Deep Research 的框架，进化成了一个能"干几乎任何事"的 SuperAgent——2.0是一次彻底重写，架构、能力、体验都焕然一新。简单说：你提需求，它自己拆子任务、并行执行、综合输出，还帮你做PPT、写代码、生成网页、记住你的偏好。

核心功能一览

安装部署：手把手教你跑起来

方式一：Docker部署（推荐，最省事）

Docker部署适合想快速体验、或者要在服务器上长期跑的同学。所有依赖打包在镜像里，不用担心环境冲突。

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

# 2. 生成本地配置文件
make config

# 3. 编辑 config.yaml 配置模型（至少配一个）
# 打开文件后找到 models 部分，取消注释并填入你的API配置
# models:
#   - name: gpt-4o
#     display_name: GPT-4o
#     use: langchain_openai:ChatOpenAI
#     model: gpt-4o
#     api_key: $OPENAI_API_KEY

# 4. 配置API Key（编辑.env文件）
# OPENAI_API_KEY=sk-your-key-here

# 5. Docker启动（首次需要拉取sandbox镜像）
make docker-init    # 拉取sandbox镜像，首次执行
make docker-start   # 启动所有服务

启动后访问 http://localhost:2026 即可使用。

Windows用户注意：需要安装 Docker Desktop 并确保 WSL2 已启用。安装完成后在 PowerShell 或 CMD 中执行上述命令即可。Mac用户直接在终端执行。Linux用户确保已安装 Docker 和 docker-compose。

方式二：本地开发（适合二开和深度定制）

适合想看代码、改逻辑、做二次开发的开发者。

# 前提：先完成 config.yaml 和 API key 配置（同上）

# 1. 检查本地依赖是否满足
make check  # 校验 Node.js 22+、pnpm、uv、nginx

# 如果提示缺依赖，按提示安装：
# - Node.js 22+: 从 https://nodejs.org 下载或用 nvm install 22
# - pnpm: npm install -g pnpm
# - uv: curl -LsSf https://astral.sh/uv/install.sh | sh
# - nginx: brew install nginx (Mac) / apt install nginx (Linux)

# 2. 安装项目依赖
make install

# 3. 可选：预拉取sandbox镜像
make setup-sandbox

# 4. 启动开发服务
make dev

# 5. 访问 http://localhost:2026

方式三：一键安装向导（最快上手）

如果你是第一次用，推荐用交互式向导，2分钟完成所有配置：

make setup  # 交互式向导，回答几个问题就配好了
make doctor # 随时验证配置是否正确

用国产大模型的配置

不想用OpenAI？DeerFlow完美支持国产大模型，只需要改 config.yaml 里的模型配置：

DeepSeek V3.2 配置：

models:
  - name: deepseek-v3.2
    display_name: DeepSeek V3.2
    use: langchain_openai:ChatOpenAI
    model: deepseek-v3.2
    api_key: $DEEPSEEK_API_KEY
    base_url: https://api.deepseek.com/v1

Kimi 2.5 配置：

models:
  - name: kimi-2.5
    display_name: Kimi 2.5
    use: langchain_openai:ChatOpenAI
    model: kimi-2.5
    api_key: $KIMI_API_KEY
    base_url: https://api.moonshot.cn/v1

豆包 Seed-2.0-Code 配置：

models:
  - name: doubao-seed-code
    display_name: 豆包Seed-2.0-Code
    use: langchain_openai:ChatOpenAI
    model: doubao-seed-2.0-code
    api_key: $DOUBAO_API_KEY
    base_url: https://ark.cn-beijing.volces.com/api/v3

在 .env 文件里填上对应的API Key即可：

DEEPSEEK_API_KEY=sk-your-deepseek-key
KIMI_API_KEY=sk-your-kimi-key
DOUBAO_API_KEY=your-doubao-key

飞书/Lark 机器人配置

想在公司内部用飞书机器人接入？很简单：

# config.yaml 中添加
channels:
  feishu:
    enabled: true
    app_id: $FEISHU_APP_ID
    app_secret: $FEISHU_APP_SECRET

# .env 中添加
FEISHU_APP_ID=cli_xxxx
FEISHU_APP_SECRET=your-app-secret

企业微信智能机器人配置

# config.yaml 中添加
channels:
  wecom:
    enabled: true
    bot_id: $WECOM_BOT_ID
    bot_secret: $WECOM_BOT_SECRET

# .env 中添加
WECOM_BOT_ID=your_bot_id
WECOM_BOT_SECRET=your_bot_secret

IM渠道的好处是不需要公网IP，DeerFlow通过长轮询方式接入，内网环境也能用。

服务器资源需求

使用方法：从入门到进阶

1. Web界面：最简单的用法

部署好之后打开 http://localhost:2026，直接在聊天框输入你的需求就行。比如：

• "帮我分析一下这篇论文的核心观点：[粘贴链接]"
• "写一份市场调研报告，关于中国新能源汽车2026年Q1的情况"
• "根据这个数据做个PPT演示文稿"

DeerFlow会自动判断需要用哪些Skills，创建子Agent并行执行，最后综合输出结果。

2. Claude Code集成：开发者的终极形态

如果你日常用Claude Code写代码，可以一行命令把DeerFlow接进来：

npx skills add https://github.com/bytedance/deer-flow --skill claude-to-deerflow

装好之后，在Claude Code里就能：

• 直接给DeerFlow发送研究任务
• 选择执行模式（快速/深度）
• 查看任务状态和结果
• 管理对话线程
• 上传文件让DeerFlow分析

这相当于让Claude Code有了一个强大的"后端研究团队"，代码编写+深度研究一条龙。

3. Python Client：最灵活的嵌入方式

想把DeerFlow集成到自己的Python项目里？直接当库用，不用起HTTP服务：

from deerflow.client import DeerFlowClient

# 初始化客户端
client = DeerFlowClient()

# 普通调用
response = client.chat("帮我分析这篇论文的核心方法", thread_id="my-thread")

# 流式调用，实时获取结果
for event in client.stream("对比一下React和Vue在2026年的生态差异"):
    if event.type == "messages-tuple" and event.data.get("type") == "ai":
        print(event.data["content"])

这种方式特别适合：

• 做数据分析工具的后端
• 嵌入到已有业务系统
• 自动化流水线中的研究环节
• 批量处理任务

实际场景举例

跟同类项目对比

为什么选DeerFlow？ 它是目前唯一一个同时做到"子Agent并行+沙箱执行+长期记忆+IM渠道接入+国产模型原生支持"的开源框架。如果你需要一个能记住你、能并行干活、能接入飞书企微、能跑国产模型的超级助手，DeerFlow是目前最全面的选择。

小结

DeerFlow 2.0 从一个专注深度研究的框架，彻底重写进化为真正的 SuperAgent——子Agent并行干活、Skills按需加载、沙箱安全执行、长期记忆越用越懂你，还能接入飞书企微当团队AI助手。无论你是想本地跑一个万能研究助手，还是想在公司内部署一个共享AI大脑，DeerFlow都值得第一时间上手。

🔗 GitHub: https://github.com/bytedance/deer-flow 🔗 官网: https://deerflow.tech 📜 协议: MIT（完全免费商用）

本文由龙岗AI社区编写，关注更多AI开源项目动态，欢迎加入我们的社区交流。