DeerFlow：字节跳动开源超级智能体编排框架，支持多智能体协同与沙箱安全执行

一、DeerFlow是什么

DeerFlow是由字节跳动研发并开源的社区驱动型超级智能体编排框架（Super Agent Harness）。项目最初定位为深度研究（Deep Research）框架，经过2.0版本完全重构后，升级为通用型智能体执行底座，不再局限于科研场景，可面向几乎所有需要多步骤、多工具、多智能体协同的自动化任务场景。

DeerFlow的核心定位是：为大模型智能体提供可运行、可编排、可扩展、可管控的标准化运行环境，让智能体不只“回答问题”，而是能够自主规划、联网检索、执行代码、读写文件、生成报告、协同作业，最终以结构化、可落地的形式交付成果。它把零散的LLM能力、工具能力、执行环境、记忆系统整合为一套开箱即用的体系，让普通用户无需编写复杂代码，即可使用超级智能体完成高价值工作；让开发者可以快速二次开发、扩展技能、接入私有工具，构建行业专属智能体应用。

DeerFlow 2.0与1.x版本无代码复用，是完全重写的新一代架构，核心遵循“源于开源，回馈开源”的理念，开放全部源码，支持本地部署、私有化部署、云端一键部署，兼容主流大模型与搜索引擎，数据可完全留存本地，兼顾能力、安全与可控性。

简单来说，DeerFlow不是一个单一的聊天机器人，而是一个带沙箱电脑、带文件系统、带长期记忆、带任务规划、带子智能体集群的AI工作平台，你可以把它理解为一个“24小时在线的全能研究助理+数据分析师+内容创作者+代码执行者”。

二、功能特色

DeerFlow 2.0提供完整的超级智能体能力，功能覆盖任务规划、工具调用、智能体调度、执行环境、内容生成、人机协作、持久记忆、可视化交互八大维度，核心特色如下。

1. 可扩展技能与工具系统（Skills & Tools）

DeerFlow采用技能化设计，把复杂能力封装为可复用、可插拔的技能模块，支持按需加载，不占用多余上下文。

• 内置技能：深度研究、报告生成、幻灯片制作、网页生成、图片生成、播客生成等。

• 自定义技能：用户可通过Markdown文件编写专属工作流，扩展行业技能、业务流程、合规检查等。

• 工具生态：原生支持联网搜索、网页抓取、文件读写、Bash执行、Python代码运行、私有知识库对接；通过MCP（Model Context Protocol）协议可无缝接入第三方工具、内部系统、知识图谱、数据库等。

2. 动态子智能体编排（Sub-Agents）

面对复杂任务时，DeerFlow不会单智能体硬扛，而是动态派生子智能体并行处理，提升效率与可靠性。

• 主智能体负责统筹规划、结果汇总；

• 子智能体各司其职，例如研究员负责搜索、编码员负责运行代码、报告员负责整理输出；

• 支持并行执行、超时控制、结果回收、异常重试，适合长时间、大规模、多分支的复杂任务。

3. 隔离沙箱与独立文件系统（Sandbox & File System）

这是DeerFlow区别于普通智能体的核心安全能力，让智能体在受控环境中操作，不影响主机。

• 每个任务独立运行在隔离沙箱中，支持本地模式、Docker容器模式、K8s模式；

• 提供完整文件系统：上传区、工作区、输出区，智能体可自由读写、编辑、查看文件；

• 所有操作可审计、可回溯、跨任务不污染，支持代码执行、数据处理、文档生成等高风险操作。

4. 上下文工程（Context Engineering）

为了解决长任务、多步骤导致的上下文溢出问题，DeerFlow内置轻量化上下文管理机制。

• 子智能体上下文隔离，互不干扰；

• 自动摘要：完成子任务后自动压缩历史信息；

• 文件卸载：把中间结果存入文件，减少Prompt占用；

• 保持长时间任务稳定运行，不卡顿、不丢失信息。

5. 跨会话持久记忆（Long-Term Memory）

DeerFlow具备用户级长期记忆，跨对话、跨时间保留信息。

• 自动提取用户偏好、写作风格、常用设置、业务习惯；

• 记忆本地存储，完全可控；

• 使用越久越贴合用户习惯，减少重复指令。

6. 人在回路（Human-in-the-Loop）

支持用户全程介入智能体执行流程，保证结果合规、方向正确。

• 任务规划阶段：自动生成执行计划，用户可直接通过自然语言编辑、驳回、通过；

• 执行阶段：可随时干预、补充信息、调整方向；

• 输出阶段：支持类Notion块编辑，AI润色、缩写、扩写。

7. 多形态内容生成

一次研究，多格式输出：

• 结构化研究报告；

• PPT幻灯片自动生成；

• 播客脚本+语音合成（TTS）；

• 图表、文档、网页等。

8. 开箱即用Web UI

提供完整前端界面，非技术用户也可直接使用：

• 可视化任务流程；

• 实时查看执行步骤；

• 在线编辑报告；

• 文件上传下载；

• 多轮对话管理。

9. 模型无关与多数据源兼容

• 支持任何兼容OpenAI接口的大模型，包括闭源模型与开源本地模型；

• 支持多种搜索引擎：Tavily、Brave、DuckDuckGo、Arxiv；

• 支持对接RAGFlow等私有知识库，处理内部文档。

10. 全环境部署支持

• Docker一键部署（推荐）；

• 本地原生部署；

• 支持云端FaaS托管；

• 支持Linux/macOS/Windows。

核心功能对比表

三、技术细节

DeerFlow 2.0采用现代化、模块化、生产级的技术栈，架构清晰、易于维护、易于扩展。

1. 整体技术架构

• 底层依赖：LangGraph + LangChain

• 后端：Python 3.12+，FastAPI

• 前端：Next.js + TypeScript

• 中间层：Nginx反向代理，统一入口

• 执行环境：沙箱系统（本地/Docker/K8s）

• 存储：内存/PostgreSQL/MongoDB（持久化检查点）

• 协议：MCP（Model Context Protocol）

2. 后端服务结构

• LangGraph Server（端口2024）：智能体编排、任务流执行

• Gateway API（端口8001）：模型管理、MCP、技能、文件上传、记忆管理

• Nginx（端口2026）：统一入口，路由转发，提供Web访问

• Web前端（端口3000）：可视化界面

3. 智能体核心组件

• Lead Agent：主智能体，入口调度

• Middleware：9大中间件，负责线程数据、上传文件、沙箱、摘要、任务清单、标题生成、记忆、图片查看、澄清请求

• Subagent System：子智能体并发执行，默认最大并行3个

• Sandbox System：抽象沙箱接口，支持多提供商

• Memory System：本地JSON持久化记忆

• Tool System：沙箱工具、内置工具、社区工具、MCP扩展工具

4. 沙箱运行模式

DeerFlow提供三种沙箱模式，可在config.yaml中切换：

1. Local Execution：直接在主机运行（适合本地测试）

2. Docker Execution：Docker隔离容器（推荐，安全稳定）

3. Kubernetes Execution：K8s Pod隔离（企业级高安全）

5. 技能扩展规范

技能以SKILL.md文件存放，结构固定：

• 路径：/mnt/skills/public 或 /mnt/skills/custom

• 格式：Markdown，包含工作流说明、最佳实践、资源引用

• 加载：按需加载，不占用上下文

6. 配置文件体系

• config.yaml：主配置（模型、沙箱、工具、技能）

• .env：环境变量（API密钥、搜索引擎密钥、TTS密钥）

• extensions_config.json：MCP服务与技能开关

7. 开发与构建体系

• uv：Python环境与依赖管理

• pnpm：前端依赖

• Makefile：统一命令（make dev/make docker-start/make lint）

• 热重载：开发环境修改代码自动重启服务

四、应用场景

DeerFlow 2.0已经突破最初的研究框架定位，成为通用超级智能体平台，可广泛应用于个人、学术、企业、内容生产等场景。

1. 深度学术研究

• 自动调研前沿技术、论文、行业趋势；

• 多源信息交叉验证，生成综述报告；

• 处理文献、数据、图表，自动整理成论文草稿；

• 适合学生、研究员、高校教师。

2. 行业与商业分析

• 自动抓取市场数据、竞品信息、政策法规；

• 生成行业报告、竞品分析、投资研究；

• 支持批量处理、定期更新。

3. 内容创作自动化

• 生成长文、报告、白皮书、公众号文章；

• 自动生成PPT、播客；

• 适合自媒体、营销、新媒体运营。

4. 数据分析与代码执行

• 上传数据文件，自动分析、清洗、可视化；

• 智能体编写并运行Python代码验证结论；

• 适合数据分析师、业务人员。

5. 企业私有知识问答

• 对接内部文档库，智能体在私有数据范围内检索、总结；

• 数据不出内网，满足合规要求；

• 适合法务、HR、行政、客服知识库。

6. 教育与学习辅助

• 自动整理知识点、生成习题、解答疑问；

• 辅助写作、翻译、润色；

• 提供交互式学习体验。

7. 日常办公自动化

• 会议纪要整理、信息汇总、报表生成；

• 多文档合并、对比、提取要点；

• 提高白领办公效率。

8. 开发者与二次开发

• 快速构建行业智能体应用；

• 扩展MCP工具、自定义技能、对接内部系统；

• 作为AI产品的底层编排引擎。

五、使用方法

DeerFlow提供Docker一键部署与本地原生部署两种方式，官方推荐Docker。

1. 环境准备

• Docker Desktop（推荐）

• 或：Python 3.12+、Node.js 22+、pnpm、uv、nginx

2. Docker快速部署（最简单）

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

# 初始化（仅第一次）
make docker-init

# 启动服务
make docker-start

# 访问Web UI
http://localhost:2026

3. 本地开发部署

# 检查依赖
make check

# 安装依赖
make install

# 启动全部服务（前端+后端+代理）
make dev

# 访问
http://localhost:2026

4. 配置步骤

1. 复制配置模板

cp config.example.yaml config.yaml
cp .env.example .env

2. 在.env中填入LLM密钥、搜索引擎API Key

3. 在config.yaml中选择沙箱模式

4. 重启服务生效

5. 基本使用流程

1. 打开Web UI

2. 输入研究任务或问题

3. 智能体生成执行计划

4. 用户审核/编辑计划（人在回路）

5. 智能体调度子智能体执行

6. 实时查看搜索、爬取、代码执行过程

7. 自动生成报告

8. 在线编辑、导出、生成PPT/播客

6. 交互模式（命令行）

uv run main.py --interactive

支持中英文，可选择内置问题或自定义问题，快速生成报告。

六、常见问题解答（FAQ）

DeerFlow 2.0和1.x有什么区别？

DeerFlow 2.0是完全重写的版本，和1.x没有代码共用。1.x定位是深度研究框架，2.0升级为超级智能体编排底座，能力更强、架构更稳定、用途更广泛，目前官方主力开发2.0。

DeerFlow必须联网使用吗？

核心研究能力需要联网获取信息，但纯本地任务（如本地文件分析、代码执行、私有知识库问答）可在内网/本地环境运行，数据不上云。

使用DeerFlow会把数据上传到第三方平台吗？

不会。DeerFlow是开源本地部署项目，所有数据、对话、文件、记忆都存储在你自己的机器上，API密钥仅用于调用模型和搜索引擎，不会上传给字节跳动或其他第三方。

我没有GPU可以运行DeerFlow吗？

可以。DeerFlow默认调用云端大模型（如OpenAI、DeepSeek、通义千问、文心一言等兼容OpenAI接口的模型），无需本地推理，普通电脑即可流畅运行。

支持哪些大模型？

支持所有提供OpenAI兼容接口的模型，包括闭源商业模型和本地部署的开源模型（如Llama 3、Qwen、GLM等），只需在config.yaml中配置地址和密钥即可。

支持哪些搜索引擎？

默认支持Tavily、Brave Search、DuckDuckGo、Arxiv，可在.env中切换，部分不需要API Key，开箱即用。

沙箱执行代码安全吗？

安全。Docker/K8s沙箱模式完全隔离环境，任务结束后销毁容器，无法访问主机文件、系统权限，可安全执行Python、Bash等操作。

如何添加自定义工具？

可通过MCP协议接入第三方工具，也可在源码中扩展Python工具，或编写自定义技能（SKILL.md），无需修改核心代码。

报告生成后可以编辑吗？

可以。Web UI内置类Notion块编辑器，支持手动修改、AI润色、缩写、扩写、格式化。

可以对接企业内部知识库吗？

可以。原生支持对接RAGFlow等私有RAG引擎，可上传PDF/Word/PPT/Excel等文档，智能体基于内部文档回答问题，不泄露数据。

Windows系统可以运行吗？

可以。支持Docker部署与原生部署，官方提供bootstrap.bat启动脚本，Windows 10/11均可使用。

DeerFlow是免费的吗？可以商用吗？

DeerFlow采用MIT开源协议，完全免费，可商用、可二次开发、可修改分发，只需保留原版权声明。

如何保存历史对话和报告？

系统自动保存对话历史、执行检查点、生成的文件，支持重新打开、继续编辑、重新执行。

运行速度慢怎么办？

可降低最大规划步数、减少子智能体数量、选择更快的模型与搜索引擎、使用Docker沙箱提升稳定性。

如何参与项目贡献？

可提交Issue、PR，改进文档、修复bug、新增技能、优化前端，官方提供详细贡献指南（CONTRIBUTING.md）。

七、相关链接

• GitHub仓库主页：https://github.com/bytedance/deer-flow

• 官方演示站点：deerflow.tech

八、总结

DeerFlow是字节跳动推出的开源超级智能体编排框架，历经版本迭代后从深度研究工具升级为通用型智能体运行平台，基于LangGraph构建，集成子智能体调度、隔离沙箱、文件系统、持久记忆、人在回路、多格式输出等核心能力，提供开箱即用的Web UI与完善的开发体系，支持本地私有化部署，数据安全可控，可广泛应用于学术研究、商业分析、内容创作、数据分析、企业知识库、办公自动化等场景，既满足普通用户零代码使用超级智能体的需求，也为开发者提供高度可扩展的二次开发底座，是当前开源社区中功能完整、架构现代化、生产可用的AI智能体系统。