DeerFlow：字节跳动开源的超级Agent底座，自带文件系统沙箱和子Agent调度，2万Star

字节跳动开源了个东西，研究了两天，有点东西。DeerFlow，字节跳动的开源项目，GitHub 上已经 2 万多 Star 了。

说实话一开始看到名字没当回事，Deep Exploration and Efficient Research Flow，又是一个深度研究框架呗，这玩意去年满大街都是。但点进去仔细看了一圈之后发现，不对，这东西跟想的完全不一样。它不是一个对话机器人，它更像是——给 AI 造了一台电脑。

有自己的文件系统，有沙箱，有记忆，还能自己拆任务派小弟去干活。你扔一个复杂需求进去，它自己规划，自己执行，最后把成品交给你。

背景

DeerFlow 1.0 本来就是个研究框架，结果社区太能折腾了，有人拿它生成 PPT，有人搭 Dashboard，有人跑内容工作流，各种操作作者自己都没想到。然后字节这边一看，需求已经远远超出「研究」这个范畴了，直接推倒重写。

2.0 跟 1.0 没有一行代码是共用的，基于 LangGraph + LangChain 全部重构，定位也变了——从研究框架变成了「超级 Agent 底座」。

核心特点

真沙箱执行代码

沙箱这个事，是真的在跑代码。每个任务一个独立 Docker 容器，能读写文件，能执行 bash，能看图片。不是那种假装执行然后给你编一个结果的，是真跑。这一点就把它跟 90% 的 Agent 框架拉开差距了。

子 Agent 调度

Lead Agent 接到任务之后，会自己判断要不要拆分，拆完了派子 Agent 并行去干，每个子 Agent 有自己的上下文和工具，互不干扰。最多同时 3 个，15 分钟超时。这个设计挺克制的，没搞那种无限套娃。

技能系统

内置了 15 个技能：深度研究、PPT、播客、图表、前端页面、视频、数据分析什么的都有。关键是按需加载，不用的技能不会占上下文窗口。你自己想加技能也行，写个 SKILL.md 丢进 custom 目录，完事。

长期记忆

大部分 Agent 聊完就忘，DeerFlow 会把你的偏好、技术栈、工作习惯存下来，跨会话保持。数据存本地 memory.json，不上云。

MCP 协议支持

能接外部工具服务器。

安装与运行

跑起来其实不复杂：

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make config
make docker-init
make docker-start

改一下 config.yaml 里的模型配置和 API Key 就行。GPT-4、Claude、Gemini、国产模型都能用，只要兼容 OpenAI API 格式的都行。打开 localhost:2026，齐活。

总结

现在做 Agent 框架的项目太多了，但说实话大部分还是「大号聊天机器人 + 工具调用」的路子。DeerFlow 2.0 走的方向不太一样，它是真的在给 Agent 搭基础设施——文件系统、沙箱、记忆、子 Agent、技能系统，一整套运行环境。

2 万 Star，200 多个 Issue 还开着，社区还在持续往里面加东西。如果你是想认真做 Agent 应用的，值得花时间看看源码。如果只是想要个能聊天的，那这个项目不适合你，太重了。

GitHub 项目：https://github.com/bytedance/deer-flow