字节在github上狂揽21K+ Stars的DeerFlow 2.0，你知道它的使用教程吗？

2026-02-27 10:55

DeerFlow 2.0是字节跳动于2026年2月开源的全栈AI智能体框架，基于LangGraph 1.0重构，支持Docker沙箱代码执行、子代理并行调度、持久化记忆和Markdown技能扩展。作为OpenAI Deep Research的开源替代方案，上线几天即获得21,000+ Stars，成为2026年最受欢迎的AI Agent项目之一。

DeerFlow 2.0是什么？

DeerFlow全称Deep Exploration and Efficient Research Flow（深度探索与高效研究流），最初于2025年5月开源，定位多代理协同深度研究工具。

从1.0到2.0的质变

维度	DeerFlow 1.0	DeerFlow 2.0
定位	深度研究助手	全栈超级智能体
架构	自主拼装	LangGraph 1.0 + LangChain原生
代码执行	无	Docker沙箱完整支持
任务时长	分钟级	分钟到小时级长期运行
扩展性	有限	Markdown Skills系统

一句话区别：1.0是"帮你查资料写报告"，2.0是"给你一台带AI大脑的电脑，让它自己干完整项目"。

为什么选择DeerFlow 2.0？

相比OpenAI Deep Research的封闭生态，DeerFlow 2.0提供：

数据主权：完全本地部署，敏感信息不出境

零成本：无API调用限制，适合高频使用

可扩展：通过Skills文件自定义能力，对接内部系统

核心功能详解

1. 子代理并行调度 + 上下文隔离

主代理自动拆解复杂任务，生成多个隔离子代理并行执行，结果自动汇总。每个子任务独立上下文，避免信息膨胀，执行效率提升3-5倍。

典型工作流：

用户指令 → 任务拆解 → 子代理A(搜索) + 子代理B(分析) + 子代理C(生成)
                ↓              ↓                ↓
            结果汇总 → 最终输出

2. 真实Docker沙箱 + 持久化文件系统

每个任务在独立容器运行，拥有完整的文件系统：

目录	用途
`/mnt/user-data/uploads/`	用户上传文件
`/mnt/user-data/workspace/`	任务工作区
`/mnt/user-data/outputs/`	生成产物输出

支持读写文件、执行Bash、运行长任务、生成Artifact。推荐搭配All-in-One Sandbox（集成浏览器、Shell、MCP、VSCode Server）。

3. 动态Skills系统（最强扩展性）

所有技能以Markdown文件形式存在，分为：

公共技能（/mnt/skills/public/）：内置研究、报告生成、PPT、前端设计、视频生成

自定义技能（/mnt/skills/custom/）：用户自行编写

按需加载机制：只在需要时加载相关技能，不占上下文窗口。支持MCP服务扩展工具生态。

4. 长短期记忆 + 上下文工程

长期记忆：记住用户偏好、历史项目设置

短期记忆：已完成子任务自动总结并卸载到文件系统

上下文压缩：保持上下文窗口干净，避免"失忆"

5. 多模型全兼容

支持任何OpenAI兼容API：

推荐模型	特点	适用场景
Doubao	中文优化、长上下文	国内用户首选
DeepSeek	工具调用强、成本低	高频任务
GPT-4	推理能力强	复杂分析
Claude	代码能力突出	开发任务

选型建议：优先选择长上下文（128K+）+ 强工具调用能力的模型。

安装教程

环境要求

Docker

Node.js 22+

pnpm

3分钟快速部署

# 1. 克隆仓库
git clone https://github.com/bytedance/deer-flow.git && cd deer-flow
# 2. 生成配置文件
make config
# 3. 编辑 config.yaml（配置模型和API Key）
# 推荐使用.env文件存放密钥，避免硬编码
# 4. 初始化并启动（首次需拉取沙箱镜像）
make docker-init
make docker-start

启动后访问 http://localhost:2026 即可使用。

其他部署方式

本地开发：make dev

Kubernetes：通过provisioner支持

详细配置：参考 backend/docs/CONFIGURATION.md

真实使用案例

DeerFlow官网展示多个可运行的真实任务：

案例	任务描述	输出形式
Agent趋势预测	研究2026年AI Agent发展趋势	带图表的完整网页报告
小说场景视频	分析《傲慢与偏见》内容 → 生成场景图+视频	视频+配图
数据分析	泰坦尼克号数据集探索分析	清洗后数据+可视化+洞察报告
播客汇总	收集李飞飞博士6个月播客内容	综合文字报告
科普漫画	Doraemon风格讲解MoE架构	趣味漫画内容

用户反馈：以前需要几天的工作，现在几小时甚至几分钟完成。

竞品对比：DeerFlow 2.0 vs OpenAI Deep Research vs AutoGPT

维度	DeerFlow 2.0	OpenAI Deep Research	AutoGPT
开源	MIT协议	闭源	MIT
成本	免费	$20/月（Plus订阅）	免费
自托管	完全支持	不支持	支持
代码执行	Docker沙箱	仅报告	有限
持久化文件	完整支持	无	基础
自定义技能	Markdown系统	固定能力	插件
上手难度	中等（Docker）	极低	较高

选择建议：

追求开箱即用 → OpenAI Deep Research

需要数据安全/高频使用 → DeerFlow 2.0

想深度定制 → DeerFlow 2.0或AutoGPT

优缺点分析

核心优势

真正的执行能力：不只是生成报告，能在沙箱中真实运行代码

企业级安全：Docker隔离确保恶意代码不影响主机

中文生态友好：字节跳动出品，对国内用户支持更完善

零边际成本：自建后无API调用次数限制

技能即代码：Markdown定义技能，版本控制友好

局限与注意事项

部署门槛：需要Docker环境，非技术用户可能遇到困难

资源消耗：沙箱镜像较大，对服务器配置有一定要求

模型依赖：效果高度依赖底层LLM的质量

社区生态：相比LangChain等成熟框架，第三方集成尚在发展

常见问题（FAQ）

DeerFlow 2.0适合什么用户？

个人开发者：自动化研究、代码生成、内容创作 研究者/分析师：深度文献综述、数据分析、报告生成 创业团队：快速原型验证、自动化工作流搭建 企业用户：自托管私有部署，满足数据合规要求

与LangGraph是什么关系？

DeerFlow 2.0基于LangGraph 1.0构建，相当于LangGraph的"超级智能体外壳"。如果你不想从零搭建Agent框架，DeerFlow提供了开箱即用的完整解决方案。

可以用国内模型吗？

完全支持。推荐字节跳动的Doubao（豆包）或DeepSeek，两者均提供OpenAI兼容API。

数据安全如何保障？

完全本地部署，数据不出境

Docker沙箱隔离代码执行

敏感配置（API Key）通过环境变量管理

工具	特点	适用场景
AutoGPT	老牌开源Agent，社区活跃	通用自动化任务
CrewAI	多代理协作框架，Python优先	团队协作工作流
LangGraph	底层编排框架，高度灵活	深度定制开发
OpenAI Deep Research	开箱即用，效果稳定	快速研究需求

总结

DeerFlow 2.0真正实现了"给AI一台电脑，让它自己干活"的愿景。21,000+ GitHub Stars不是偶然，而是开源社区对实用型超级智能体的强烈需求。

对于寻找免费、自托管、可高度扩展的AI Agent框架的用户，或是希望替代OpenAI Deep Research的开发者，DeerFlow 2.0是2026年最值得关注的开源项目之一。

立即体验：GitHub - bytedance/deer-flow

好文章，需要你的鼓励